系統中有二種 outlier detection 的方法:
- SPAT : 適用於CP & FT
- GDBN : 適用於 CP
SPAT : 是依循AEC-Q001 中的SPAT 規範指引所設計。但為了使用彈性所以並不將管理規章直接放入系統, 而是由系統參數和使用者自行管理, 如製程變更、程式改變…等。以下為重要原則:
- Robust Mean , Robust Sigma : 只用 PASS data.
- 當多批資料含有不同限值時, 採用的限值由參數設定,
- 當求出的PAT 限值不合理時, 不顯示.如: 資料內容有問題或是PAT限值無法滿足(如: Robust Sigma = 0)
- 顯示的統計量值有:
- 採用的的限值, 和資料的數量和極值
- 以(PAT fails=42, Rate=0.29%) PAT 為限值對這個測項的影響和 %FpE
(Masked Fails=123(95) Rate=0.85%) PAT 為限值並考量其它測項的 PASS/FAIL 中的 Fail 狀況的所有 Fails 總數. 如上資料, 原來這批資料的Fails 數為95 , 當只這個測項以PAT限值時, Fails 增加至123個. 為何 123-95 = 28 , 而不是42 ? 因為以PAT為限值時所判定為FAIL在原來資料的其它測項己判為 Fail.
GDBN:
- 以 Die 的資料位置來判斷以做為 outlier detection
- 將該圖樣以手動方式設定 weight權重或 pattern樣本方式來做為 outlier detection 的參數, 以用來評估GDBN 參數對 Pass/Fail 的影響. 當要執行 GDBN outlier detection 時必需至少要有一個可用的 Weight 或 Pattern 參數. 當二個參數同時為可用參數時, 以 Pattern 為主
- 下載CSV檔案, 以 CSV 格式將 GDBN 資料下載.
- 說明
- Weight:
- Inner: float, aOuter: float, bThreshold: float
- Pattern:
- Type A: A1, A2, A3,A4
- 判斷與 Good die 直接相鄰是否有 Fail Die?
- A1: 1 x A , 最嚴格
- A2: 2 x A
- A3: 3 x A
- A4: 4 x A
- 判斷與 Good die 直接相鄰是否有 Fail Die?
- Type B: B1, B2, B3, B4, B5, B6, B7, B8
- 判斷與 Good die 相鄰圏是否為 Fail Die?
- B1: 1 x B,
- B2: 2 x B, …..
- B8: 8 x B, 最不嚴格
- 判斷與 Good die 相鄰圏是否為 Fail Die?
- Type A: A1, A2, A3,A4