Titelaufnahme

Titel
Device level Maverick screening / Dipl.-Ing. Anja Zernig, Bakk.techn.
VerfasserZernig, Anja
Begutachter / BegutachterinPilz, Jürgen ; Filzmoser, Peter
ErschienenKlagenfurt, 07/2016
UmfangXV, 119 Seiten : Illustrationen, Diagramme
HochschulschriftAlpen Adria Universität Klagenfurt, Dissertation, 2016
Anmerkung
Zusammenfassung in deutscher Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Unabhängigkeitsanalyse / Ausreißererkennung / Hypothesentest / Halbleiter
Schlagwörter (EN)independent component analysis / outlier detection / statistical hypothesis testing / semiconductors
URNurn:nbn:at:at-ubk:1-2374 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Device level Maverick screening [4.57 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Englisch)

In semiconductor industries, highly reliable semiconductor devices are of paramount importance, especially for safety applications. Therefore, a reliable classification of single devices into good ones and bad ones is needed. Filtering bad devices is possible by testing the electrical functionality and imposing specification limits. In contrast to this, good devices might contain a risk, not detectable at that moment but which makes them unreliable in their long-term performance. They are called risk devices or Mavericks. An estimation regarding this risk is mandatory to prevent the delivery of unreliable devices. It is expected that risk devices, compared to good ones, are outliers, visible in at least one test parameter. A screening method applied to this parameter reveals these statistical outliers. Unfortunately, with new technologies and the miniaturization of the devices it is expected that common screening methods on the given test parameters are no longer capable of distinguishing between good and risk devices. Therefore, improved screening is necessary. This can be achieved in two ways. One way is to introduce a data transformation, called Independent Component Analysis (ICA). A second way is to develop a new screening method. The challenge of using ICA, which originally comes from signal processing, is the adaptation of this method to the landscape of semiconductor devices. In this thesis it is shown that increased classification accuracy is achieved when using the ICA transformed data for subsequent screening instead of the original test parameters. Apart from ICA a new screening method is developed. Screening among semiconductor manufacturers is mainly performed using Part Average Testing (PAT). Based on the distribution of the test parameters, which is assumed to be Gaussian, upper and lower PAT limits are calculated. Devices outside these limits are scrapped. Another method to detect outliers, using hypothesis testing, is introduced in this thesis. Therefore, devices are iteratively deleted until the null-hypothesis of a Gaussian distribution is accepted. To decide which devices to delete, the test statistic is optimized, outlier by outlier. In this thesis two novel test statistics are developed and compared to commonly known ones. To summarize, this thesis provides novel techniques which help semiconductor manufacturers to sell reliable devices.

Zusammenfassung (Deutsch)

Da die Sicherheitsanforderungen an Leistungshalbleitern besonders hoch sind, ist es unerlÃ$sslich, zuverlÃ$ssig zwischen guten und schlechten Bauteilen unterscheiden zu kÃnnen. Schlechte Bauteile kÃnnen durch eine Vielzahl an FunktionalitÃ$tstests und das Setzen von Spezifikationsgrenzen eruiert und gefiltert werden. Unter denjenigen Bauteile, die zu diesem Zeitpunkt als "gut" eingestuft werden, befinden sich jedoch auch solche, die ein erhÃhtes Risiko fÃr einen frÃhen Ausfall beherbergen. Diese Risikobauteile werden auch Mavericks genannt. Um dem Kunden ein qualitativ hochwertiges Produkt liefern zu kÃnnen, ist eine EinschÃ$tzung dieses Risikos unumgÃ$nglich. Vergleicht man Risikobauteile mit guten Bauteilen, so kann erwartet werden, dass diese als AusreiÃer in mindesten einem Testparameter auftreten. Mit sogenannten Screeningmethoden werden dann diese AusreiÃer von den restlichen Daten separiert. Jedoch muss auf Grund der Miniaturisierung der Bauteile damit gerechnet werden, dass aktuelle Screeningmethoden auf den bis dahin verwendeten Parametern nicht mehr zuverlÃ$ssig zwischen guten und Risikobauteilen klassifizieren kÃnnen. Deshalb ist es notwendig, den Screeningvorgang zu verbessern. Dieses Ziel kann auf zwei Arten erreicht werden. Einerseits kann durch eine Transformation der Daten mit der Independent Component Analysis (ICA) eine verbesserte Datenbasis geschaffen werden, auf welcher aktuelle Screeningmethoden mit hÃherer KlassifikationsstÃ$rke angewandt werden kÃnnen. Andererseits kann eine neue Screeningmethode entwickelt werden. ICA ist eine Datentransformation, die ursprÃnglich aus der Signalverarbeitung stammt. Die Herausforderung ist es nun, diese Methode so zu adaptieren, dass sie auf Messdaten von Halbleitern anwendbar ist. In dieser Arbeit wird gezeigt, dass das Screening verbessert wird, wenn ICA transformierte Daten anstatt der originalen Messungen verwendet werden. Neben der ICA wird auch ein neues Screeningverfahren entwickelt. Die bekannteste Screeningmethode in der Hableiterindustrie nennt sich Part Average Testing (PAT). Dabei werden anhand der Verteilung der Daten obere und untere PAT Grenzen berechnet, wobei Bauteile auÃerhalb dieser Grenzen verworfen werden. In dieser Arbeit wird eine neue Methode zur AusreiÃererkennung vorgestellt, welche sich das Testen von Hypothesen zu Nutze macht. Dabei werden einzelne Bauteile iterativ verworfen, bis die Nullhypothese einer Gaussverteilung angenommen werden kann. Die Entscheidung, welche Bauteile dabei verworfen werden, basiert auf der Optimierung der verwendeten Teststatistik. In dieser Arbeit werden zwei neue Teststatistiken entwickelt und mit bekannten Teststatistiken verglichen.

Statistik
Das PDF-Dokument wurde 17 mal heruntergeladen.