首頁 / 主要功能 / 製程能力與深度分析指南
PAT+ · MVA · GAUGE R&R · CPK/CP · ANOVA

DLOG 製程能力與深度統計分析 完整指南

涵蓋 PAT+ 潛在不良篩選、多變量 MVA 異常探索、Gauge R&R 測量系統分析、Cpk/Cp、正態性檢驗到 ANOVA 方差分析。結合實際軟體介面,詳細解析 DLOG 計算的核心統計指標與解讀方法。

PAT+
DPAT · SPAT · PAT權衡分析
MVA Explorer
MD² · PCA SPE · 孤立森林
Gauge R&R
EV · AV · %GRR · %P/T · ndc
Cpk · Cp
Est ppm · AD正態性 · ANOVA
Analysis Overview

1. 分析功能全覽

半導體量產測試資料 STDF V4 資料日誌中包含數千個引數測試專案(PTR、MPR)與數十萬顆以上的晶粒(PRR)。單純確認資料落在規格極限(LL/HL)內,並無法得知製造製程是否穩定受控、測試機臺的測量結果是否精準可信,更無法發現混雜在合格品中的高風險潛在不良晶粒。

DLOG 提供了專門的分析檢視來精準回答這些問題。您可以在軟體頂部的頂部選單欄中快速開啟。本指南將深入解析用於評估製程能力、潛在不良篩選及測量系統可靠性的核心分析檢視。

DLOG Chart檢視的直方圖與Cpk、Est ppm、正態性統計 點選放大檢視
圖 1. Chart 圖表介面 — 直方圖上疊加繪製了平均值、±σ標準差線、正態分佈曲線及規格上限(HL)。右側 Test Item Statistics 顯示 Sigma、Cpk、Cp、Est ppm 及 Normality (AD) 指標。下方 Tests (Cpk) 列表則以顏色等級即時彙總所有測試專案的 Cpk 能力。
分析模組 DLOG 介面 核心指標 適用情境
PAT+ 潛在不良篩選 Wafer (PAT Data / PAT+), Chart (DPAT 頻帶) DPAT 頻帶、SPAT 鄰域殘差、PAT+ Flips 篩選規格合格但偏離統計母體或鄰近晶粒的「合格良品中的潛在可疑晶粒」
多變量異常值 MVA Explorer, Wafer (MVA-PAT) Mahalanobis MD²、PCA SPE、Isolation Forest 單一測試皆在規格內,但多引數關聯組合呈現物理異常的晶粒檢測
Gauge R&R Gauge R&R EV、AV、PV、%GRR、%P/T、ndc 利用同一晶圓的重複測試記錄,評估測量系統的重複性與再現性
測試通道偏差 SITE, Group Analysis (Group by: Site) 站點別良率 · BIN · 平均值、η²、ANOVA 確認是否因單一探針卡針壓、測試座接觸電阻或繼電器老化導致系統性偏移
製程能力指數 Chart, Dashboard, Group Analysis Cpk、Cp、Est ppm、Normality (Anderson-Darling) 評估規格餘裕、推算 ppm 不良率,並驗證正態分佈假設是否成立
相關分析 · TTO Correlation, TTO Engine Pearson r、Spearman ρ、冗餘測試候選 找出物理特性完全重疊的重複測試專案,評估縮短測試時間的可行性

平均值與標準差採用 Welford 線上演算法(單次遍歷即時更新)進行計算。此演算法能徹底避免在大樣本平方和累積計算時常見的嚴重數值消去誤差(Catastrophic Cancellation),確保卓越的數值穩定性:

$$M_1 = x_1, \quad M_k = M_{k-1} + \frac{x_k - M_{k-1}}{k}$$ $$S_1 = 0, \quad S_k = S_{k-1} + (x_k - M_{k-1})(x_k - M_k)$$ $$\mu = M_N, \quad \sigma^2 = \frac{S_N}{N - 1} \quad (N \ge 2)$$
100% 本地安全運算: 所有統計分析演算法皆嚴格在您的本機電腦上運算執行,STDF 測試檔案及分析資料絕不會上傳至任何外部伺服器。
Part Average Testing

2. PAT+ 潛在不良篩選 (DPAT · SPAT)

PAT (Part Average Testing) 是車用半導體品質規範 AEC-Q001 確立的核心統計手法。其目的在於將即使符合規格極限、但顯著偏離正常母體統計分佈的晶粒挑出淘汰,從而大幅降低在終端市場發生早期失效(Infant Mortality)的潛在風險。

DLOG 在 Wafer 晶圓檢視的 PAT Data 模式下,能為選定的測試專案計算並顯示 PAT 動態極限(PAT LL / HL)。若在顯示設定中開啟 PAT+,軟體會自動在晶圓圖上疊加標記出規格合格但被 DPAT 或 SPAT 規則判定為可疑的晶粒(不改變原有 STDF 合格判定)。

晶圓圖上疊加標記的PAT+可疑晶粒 點選放大檢視
圖 2-1. Wafer 晶圓介面 PAT Data 模式 + PAT+ — 左側 PAT Data 卡片顯示 Median · PAT LL · PAT HL,PAT+ Reject 卡片顯示 DPAT 範圍、SPAT 設定(3x3 ×6.0)與 PAT+ Flips 計數。可疑晶粒在圖上以圓環高亮顯示。
Yield Loss vs Quality Risk 對話方塊 點選放大檢視
圖 2-2. Tools > Studies > Yield Loss vs Quality Risk — 在 3~15 範圍內動態調整西格瑪倍率,即時對比良率損失(Yield Loss)與規格餘裕風險指標(DPPM),並獲得最佳建議西格瑪值。

DPAT:以穩健統計量動態重新計算界限

為防止離群值自身拉偏平均值與標準差,DLOG 採用 中位數(Median) 取代平均值,並以 四分位距(IQR)推估的穩健西格瑪(Robust Sigma) 取代標準差:

$$\sigma_{\text{robust}} = \frac{Q_3 - Q_1}{1.35}$$ $$\text{PAT LL} = \tilde{x} - k_L \cdot \sigma_{\text{robust}}, \qquad \text{PAT HL} = \tilde{x} + k_H \cdot \sigma_{\text{robust}}$$

落在此區間之外的晶粒即為離群值候選。西格瑪倍率 k 的預設值為 6。您可以在 View settings > Wafer View Options 的 Lower Sigma (L) / Upper Sigma (H) 中分別獨立調整上下限倍率。k 值設得越小,捕捉到的可疑候選晶粒越多。

DPAT(動態 PAT)不採用固定規格,而是按照 單片晶圓、個別站點、或批次基準線(Lot Baseline) 動態重新計算界限。針對測試通道間的硬體偏移,站點別 DPAT 能有效消除硬體誤差;而批次基準 DPAT 則適用於追蹤晶圓間的製程漂移。在 Chart 的 Trend 趨勢圖中開啟 DPAT (trend) 選項,亦可將動態頻帶疊加於測試順序上檢視。

SPAT:鄰近晶粒空間殘差分析

在全晶圓整體分佈中難以察覺的區域性異常(例如微小缺陷群、刮傷或晶圓邊緣聚集),唯有透過與空間鄰近晶粒比較才能現形。SPAT(空間 PAT)計算目標晶粒 $(i, j)$ 與周圍 合格(PASS)鄰近晶粒中位數 的差值(殘差),並對照鄰域的穩健標準差進行評估:

$$\Delta_{\text{spatial}}(i, j) = \left| x_{i, j} - \operatorname{median}\left(\mathcal{N}(i, j)\right) \right| > k_{\text{spat}} \cdot \sigma_{\text{robust}}\left(\mathcal{N}(i, j)\right)$$

預設空間核心大小為 $3 \times 3$,倍率為 6.0。在不良晶粒密集的晶圓邊緣,若合格鄰近晶粒數量不足,軟體會自動向外擴充套件核心至最多 2 層同心環,以確保取得足夠的參考樣本。

PAT 西格瑪設定權衡:良率損失 vs 品質風險

降低 k 值雖能捕捉更多可疑晶粒,但也會增加誤殺良品的 良率損失(Overkill)。Tools > Studies 中的 Yield Loss vs Quality Risk 功能可針對各測試專案掃描西格瑪範圍,以表格與曲線呈現 Reject Candidates、Yield Loss 及 DPPM,並根據目標 DPPM 給出 建議西格瑪值。確認無誤後點選 Apply Sigma 即可立即應用。

關於 DPPM 指標的說明: 此處顯示的 DPPM 並非實際測量到的市場流出不良數,而是依據 PAT 界限與規格極限之間的統計裕度推算的 風險指標(Proxy)。請勿將其視為合約等級的品質保證資料。此外,軟體支援透過 PAT (PDF) 為所選測試專案匯出每項一頁的完整 PAT 報告。
GDBN (Good Die in Bad Neighborhood): 將不良晶粒聚集區周圍的合格晶粒重新判定為不良的車規品管法則。在 Convert 的 BIN 重新分類功能(PAT / GDBN / CD)中啟用後,系統會搜尋達到指定規模的不良群集(8方向相鄰),並將指定半徑內的合格晶粒重新標記為指定的不良 BIN,隨後產出全新的 STDF 檔案。
Multivariate Outlier Detection

3. MVA 探索器 (多變量異常值)

物理相關的電性測試專案通常會呈現同向或反向連動。某些晶粒在個別檢視測試 A 或測試 B 時均在規格內,但若出現 測試 A 異常偏高且測試 B 異常偏低 的相反走勢,這就破壞了正常晶片應有的物理關聯。單獨檢查時它是合格品,但在多維空間中則是顯著的異常晶粒。MVA 探索器(多變量分析)專門用來捕捉這類潛在隱患。

MVA 探索器:異常結果表與貢獻度分析 點選放大檢視
圖 3. MVA 探索器 — 採用 15 個測試專案、馬氏距離(MD²)及 3.0σ 閾值的示例。上方卡片顯示 Scored、Outliers、Threshold 及 PASS 晶粒總數。點選結果表中的晶粒(#0160),右側 Outlier Contribution Breakdown 會以直方條顯示推升異常分數最高的測試專案及對應的 z 分數。

三種異常偵測演算法

演算法名稱 偵測原理 最佳適用情境
Mahalanobis (MD²) 考量引數間共方差的統計距離。超出卡方分佈閾值即判定為異常 標準推薦的通用預設值
PCA reconstruction (SPE) 投影至主成分空間重構後的殘差誤差(Q 統計量)。捕捉無法被正常相關模式解釋的晶粒 測試專案繁多的大規模資料集
Isolation Forest 無需正態假設的孤立森林分割演算法。將 PASS 晶粒中前 1% 容易被分割孤立者標記為異常 非線性或多峰分佈等複雜異常模式

馬氏距離 (Mahalanobis MD²)

傳統歐式距離無法反映引數間的尺度差異與相關性。馬氏距離藉由共方差矩陣($\mathbf{\Sigma}$)的逆矩陣來進行校正。DLOG 採用穩健估計中心與收縮共方差矩陣(Shrinkage Covariance),並將各測試專案的貢獻度拆解為 $z_i \cdot (\mathbf{\Sigma}^{-1}\mathbf{z})_i$,確保其總和等於 $MD^2$:

$$MD^2(\mathbf{x}) = (\mathbf{x} - \boldsymbol{\mu})^T \mathbf{\Sigma}^{-1} (\mathbf{x} - \boldsymbol{\mu})$$ $$\text{異常判定規則}: MD^2(\mathbf{x}) > \chi^2_{r}(1 - \alpha), \qquad \alpha = 2\,(1 - \Phi(\sigma_{\text{設定}}))$$

Threshold (Sigma) 閾值設定(3.0 / 4.0 / 5.0 / 6.0σ,預設 6.0σ)會換算為正態分佈雙尾機率 $\alpha$,成為自由度 $r$(所選測試專案數)的卡方分佈閾值。設定值越高,判斷越嚴格,篩出的異常數越少。主成分分析的 SPE(平方預測誤差,Q 統計量)則以主成分模型無法解釋的殘差變異大小作為異常評分。

結果表格欄位解析

欄位名稱 定義與含義
StatusOUTLIER · NORMAL · NOT SCORED(所選專案中有缺測值的晶粒) · EXCLUDED(非 PASS 晶粒)
Score所選演算法計算出的異常分數(MD²、SPE 或 Isolation Forest 分數)
RiskScore ÷ Threshold。數值超過 1.0x 即判定為 OUTLIER
Top contributor推升異常分數最高的主要測試專案與其穩健 z 分數(以中位數及 MAD 為基準)
模型訓練必備條件: 正常基準模型僅會使用所有選定專案皆有完整資料的 完全 PASS 晶粒 進行訓練,且樣本數必須大於等於 max(50, 5 × 測試專案數)(例如圖 3 的 15 個測試至少需要 75 顆樣本)。請務必選取 具備物理關聯性 的引數測試;混入過多無關專案會沖淡異常分數。在 Wafer 檢視的 MVA-PAT 模式中,可在晶圓座標上檢視多變量分數,並將原本 PASS 但被判定為 MVA 異常的晶粒(MVA Flips)匯出為 CSV。
Measurement System Analysis

4. Gauge R&R 測量系統分析

測試資料中觀測到的總變異,由半導體晶片本身的製程變異與測量系統(測試機電路、探針卡、測試座、治具)帶來的測量誤差疊加而成:

$$\sigma_{\text{Total}}^2 = \sigma_{\text{PV}}^2 + \sigma_{\text{GRR}}^2 = \sigma_{\text{PV}}^2 + \sigma_{\text{EV}}^2 + \sigma_{\text{AV}}^2$$

測量系統誤差過大可能導致良品被誤判為不良品,或將不良品誤放至客戶手中。Gauge R&R 功能利用同一片晶圓多次重複測試的 STDF 檔案,將此變異精確拆解。DLOG 透過 (X, Y) 座標精確對齊晶粒,因此即使檔案間的 Lot ID 或 Wafer ID 不一致,只要是同一片晶圓即能進行重複測量分析。

Gauge R&R 彙總介面 點選放大檢視
圖 4. Gauge R&R 分析彙總 — 載入同一片晶圓重複測試 3 次的示例。上方卡片顯示 items studied、median %repeat、median %P/T 及 good / marginal / poor 統計。下方表格條列各測試專案的 PARTS · TRIALS · %REPEAT · %P/T · ndc · RESULT。雙擊任一行即可在 Detail 頁面檢視 EV、AV、PV 變異成分拆解。
前置準備需求: 至少需要 2 個以上針對同一晶圓重複測試的 STDF 檔案(請使用 Append... 指令載入)。無晶粒 (X, Y) 座標記錄的資料(如封裝成品測試 FT)因無法定位對齊而無法使用。

變異成分與計算模型

成分名稱 定義與物理意義
EV(裝置變異 / 重複性)
Equipment Variation
在相同條件下重複測量同一晶粒時的波動(測試機臺本身的底噪)
AV(評估者變異 / 再現性)
Appraiser Variation
不同測試檔案或不同測試通道(作業條件)切換時引起的變異
GRR$\sqrt{EV^2 + AV^2}$ — 測量系統本身帶來的總變異
PV晶粒本身的真實個體差異(實際製造製程的真實變異)

計算演算法支援 ANOVA(預設,從均方中精確估計變異成分)與 Average-Range(AIAG 規範的極差與 $d_2$ 係數法)。在半導體大樣本測試中,ANOVA 的統計精確度遠優於極差法。分析模式分為兩種:僅重複性(單通道,不計算 AV)與 跨通道交叉(當所有測試通道皆完整測試過相同晶粒時,將站點視為評估者)。

%GRR 判定準則與 ndc

$$\%GRR = \frac{GRR}{TV} \times 100\%, \qquad \%P/T = \frac{6 \cdot GRR}{\text{USL} - \text{LSL}} \times 100\%, \qquad ndc = 1.41 \times \frac{PV}{GRR}$$
%GRR 自動判定 工程解讀與處置建議
小於 10% good 測量系統非常優良。若 ndc ≥ 5 則測量解析度亦完全充裕。
10% ~ 30% marginal 條件式接受。視測試專案的關鍵程度與改善成本決定是否採用。
大於 30% poor 測量誤差已主導測試判定。必須優先檢查探針接觸、測試座磨損或負載板雜訊。
自動判定(RESULT)由 %GRR(佔總變異比率) 決定;同時建議檢視相對於規格公差幅度的 %P/T(單邊規格顯示為 N/A)。ndc(資料分級數)建議在 5 以上,若小於 2 則該測量系統無法區分晶片製程差異。所有測試值完全相同的專案因變異為 0 無法進行評估。點選 Export CSV 可儲存完整分析列表。
Multi-Site Variation

5. 多通道測試硬體偏差分析

在平行多通道(Multi-Site)測試中,常因探針卡針壓不均、測試座接觸電阻偏高或繼電器微弱漏電,導致 特定通道產生系統性偏差。SITE 檢視透過跨通道比對良率、BIN 結構及測試值平均,幫助工程師迅速鎖定硬體異常通道。

SITE檢視的站點良率長條圖 點選放大檢視
圖 5. SITE 介面 PASS / FAIL 標籤頁 — 摘要卡片(OVERALL YIELD · BEST SITE · WORST SITE · SITE SPREAD)及各通道良率長條圖。長條上的刻度代表全批平均良率,右側數值為其差異(例如 Site 3 比總體低 -1.6%p)。
查核目標 對應介面 檢視方式
良率異常落後通道SITE > PASS / FAIL長度最短的長條;亦直接標記於 WORST SITE 卡片中
特定不良集中通道SITE > BIN確認特定 Fail BIN 是否高度集中在某個測試通道
數值發生偏移通道SITE > TEST DATA檢查各通道 PASS 晶粒平均值相較總體平均值的偏離幅度(Δ vs overall)
通道效應顯著專案SITE > TEST MATRIX檢視 η²(總變異中由通道差異所解釋之比率)。低於 5% 視為影響微弱並標記為 -
統計顯著性驗證Group Analysis (Group by: Site)檢視 One-way ANOVA 之 p-value 及 Tukey HSD 多重比較檢驗結果
通道間測量再現性Gauge R&R (跨通道模式)透過全通道測量相同晶粒的資料,量化評估 AV 再現性變異
在 STDF 慣例中,通道編號 255 通常代表「所有通道彙總(ALL SITE)」。您可在 Main Option 的 SITE 255 on part records 中切換 Auto / All Site / Physical site 的解析邏輯。
Process Capability

6. Cpk · Cp · Est ppm · 正態性檢驗

製程能力指數代表實測引數分佈相較於規格界限(LL/HL)具備多少裕度。DLOG 在 Chart 檢視的 Test Item Statistics、Tests (Cpk) 側邊列表以及 Dashboard 製程能力摘要中,即時計算並呈現 Cpk 與 Cp。

$$C_p = \frac{\text{USL} - \text{LSL}}{6\sigma}, \qquad C_{pk} = \min\left(\frac{\text{USL} - \mu}{3\sigma}, \; \frac{\mu - \text{LSL}}{3\sigma}\right)$$ $$\text{Est ppm} = \left[\Phi\!\left(\frac{\text{LSL} - \mu}{\sigma}\right) + 1 - \Phi\!\left(\frac{\text{USL} - \mu}{\sigma}\right)\right] \times 10^6$$

其中 $\mu$ 與 $\sigma$ 代表目前選定篩選範圍(Scope)內樣本的平均值與樣本標準差,Est ppm 則是 假設正態分佈時推算的雙尾不良率(單邊規格僅推算對應單側)。在 Dashboard 中,製程能力預設分為 Critical(< 1.00)、Marginal(1.00~1.33)與 Good(≥ 1.33),閾值可於設定中調整。

Cpk 西格瑪水準 正態假設雙尾預期不良率 業界參考基準
1.00$3\sigma$約 2,700 ppm平均值居中時距規格界限有 3σ 裕度
1.33$4\sigma$約 63 ppm一般工業量產的通用合格基準
1.50$4.5\sigma$約 6.8 ppm高度受控生產線的品管目標
1.67$5\sigma$約 0.57 ppm車用半導體與高可靠度應用常見的嚴格標準
2.00$6\sigma$約 0.002 ppm六西格瑪零缺陷目標水準

上表數值為平均值完美居中且資料完全符合正態分佈時的理論推估。正式合格判定請嚴格遵循產品規格書與客戶合約標準。

正態性檢驗與 CDF / 機率分佈圖

Cpk 與 Est ppm 僅在資料真實服從正態分佈時方具參考價值。DLOG 透過對分佈尾端極其敏感的 Anderson-Darling 檢驗,將 p-value 標示為 Normality (AD)。一般當 p < 0.05 時,即表示資料顯著偏離正態分佈。

CDF / Probability:實測累積機率分佈與正態曲線比較 點選放大檢視
圖 6. CDF / Probability — 實測累積機率曲線(藍色實線)若與理論正態曲線(灰色虛線)大幅偏離,即是不能盲目採信正態 Cpk 的明確警訊。右側長尾分佈越嚴重,超標不良數將遠高於正態理論之預測值。
圖 1 IDDQ_STANDBY 測試案例警示: 雖然軟體顯示 Cpk 0.749、Est ppm 12,602(約 1.3%),但實測 591 顆中有 18 顆超標(實測不良率高達 3.0%),且 Normality (AD) 的 p-value 實質為 0。由於存在嚴重的右偏長尾,正態分佈假設大幅低估了真實不良風險。針對此類引數,應搭配箱線圖與 CDF / Probability 等分位數圖表,並於 Group Analysis 的 Distribution Fit(自動擬合正態、對數正態、威布林分佈並按 Anderson-Darling 評分排序)中檢視非正態警告。
Correlation, ANOVA & Test Time

7. 相關分析 · ANOVA · TTO

在半導體測試中,不良原因鮮少侷限於單一測試專案,往往隱藏於多引數互動作用或特定分組條件(通道、溫度、批次、測試檔案)中。Correlation 檢視能揭示測試專案間的共變關聯,而 Group Analysis 則能驗證群組平均值差異是否具備統計顯著性。

Correlation檢視的相關熱圖與散點圖 點選放大檢視
圖 7-1. Correlation — 相關性矩陣熱圖(紅/粉=正相關,藍=負相關)、兩測試專案的散點圖(含迴歸直線、r、R²)以及高相關性配對排行 Top correlations
Group Analysis檢視的通道別箱線圖與ANOVA分析結果 點選放大檢視
圖 7-2. Group Analysis — 通道別箱線圖(Box Plot)與底部 One-way ANOVA 彙總列(Groups · N · Eta² · F · Tukey HSD · p-value)

皮爾遜 (Pearson) 與斯皮爾曼 (Spearman) 相關係數

$$r_{xy} = \frac{\sum_{i=1}^N (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^N (x_i - \bar{x})^2} \sqrt{\sum_{i=1}^N (y_i - \bar{y})^2}}$$

Pearson(預設)衡量線性關係強度,而基於等級排序的 Spearman 對極端離群值不敏感,能有效捕捉非線性的單調關係。啟用 Cluster 排序可將高度相關的測試專案相鄰排列,使相關區塊一目瞭然。Parameters 設定中的 Auto 可自動篩選出參與強相關(|r| ≥ 0.70)的核心測試。

冗餘測試與 TTO: 相對係數 |r| ≥ 0.95 的配對通常代表重複測量了完全相同的硬體特性,系統會將其標記為 重複測試候選。TTO Engine(測試時間最佳化)將 |r| ≥ 0.95 的配對進行分組,在各群組中保留不良品攔截率最高的測試,並給出建議刪除的 剔除候選專案。若列表中的 Only Drop Fails(僅由該測試獨自攔截的不良品數)大於 0,刪除該專案將導致缺陷流出,因此修改測試程式前請務必確認電路規格與客戶要求。

單因素方差分析 (One-way ANOVA)

Group Analysis 可將任一測試專案依據 Site、File、Corner、Temp、Process、Node、Program-Rev 或 Product 分組,計算各組平均值之間是否存在統計學上的顯著差異:

$$F = \frac{MS_{\text{Between}}}{MS_{\text{Within}}} = \frac{\sum_{j=1}^k n_j (\bar{x}_j - \bar{x})^2 / (k - 1)}{\sum_{j=1}^k \sum_{i=1}^{n_j} (x_{ij} - \bar{x}_j)^2 / (N - k)}, \qquad \eta^2 = \frac{SS_{\text{Between}}}{SS_{\text{Total}}}$$
  • p-value < 0.05: 在各組平均值均相等的假設下,目前觀測到的組間差異純屬隨機抽樣誤差的機率低於 5%。可判定至少有一組的平均值存在顯著差異。
  • Eta² (η²): 總變異中由分組因素所解釋的比例(效應量)。接近 0 代表無組間差異,若達 0.40 則表示 40% 的數值分散來自群組差異。
  • Tukey HSD: 進行事後兩兩成對比較,標示出具備顯著差異的配對數(例如 "0 of 6 pairs differ")。

圖 7-2 示例中 Eta² 為 0.001、p-value 為 0.6772,證明通道間不存在顯著差異。上方綠色晶片 No difference 給出了直觀提示。

Practical Field Guide

8. 製程異常 vs 測量異常快速辨識

當 Cpk 下滑或良率暴跌時,晶圓廠常懷疑測試端機臺接觸不良,而測試工程師則懷疑晶圓前段製程偏移。透過 DLOG 提供的各項統計分析功能,您可以基於客觀資料快速判斷問題根因:

查核面向 前段製程(Fab)異常特徵 測試機 / 測量系統異常特徵
晶圓空間分佈
(Wafer > Signature)
同心圓環狀、晶圓外緣效應、中心熱點、區域性缺陷聚集等明顯幾何形貌 良率雖低但 Cluster 群聚分數接近 0(完全隨機分佈)、出現曝光視場或測試通道的週期性
通道偏差
(SITE, Group Analysis)
所有測試通道平均受影響,分佈一致 特定單一通道嚴重偏移,Group ANOVA p-value 具高度顯著性
測量可靠度
(Gauge R&R)
%GRR 數值優良,零件變異(PV)佔總變異主導地位 %GRR 嚴重超標,裝置重複性(EV)或通道再現性(AV)主導變異
測試順序走勢
(Chart > Trend)
晶圓片與批次邊界呈現階梯式躍遷 隨測試時長出現連續性微幅漂移,或在清潔探針卡/更換測試座前後產生劇變
改善行動 檢驗晶圓製造機臺與製程引數(黃光微影、蝕刻、CMP 等) 清潔或更換探針卡/測試座、校正針壓與接觸水平、排除治具接地雜訊
新產品量產初期的 PAT 設定建議: 量產初期因樣本數有限,邊界計算相對敏感,建議先由較寬裕的 k 值起步,在 Yield Loss vs Quality Risk 中審視良率損失與風險指標的平衡點,隨著投片量增加再逐步收緊。當批次累積資料充足後,建議同時啟用 DPAT vs lot baseline 與晶圓別 DPAT 進行交錯比對。
FAQ & Report Export

9. 常見問題 (FAQ) 與報表匯出

常見問題 (FAQ)

Q1. 為什麼測試專案的 Cpk 明明很高,終端客戶卻依然收到客退(RMA)不良品?
Cpk 是基於單一測試專案且假設資料符合標準正態分佈。若資料呈現雙峰或厚尾等非正態分佈,或者晶片個別專案皆合格但在多引數組合上違反了物理常規,傳統 Cpk 是完全無法攔截的。建議結合 PAT+(DPAT · SPAT)與 MVA(MVA Explorer、Wafer MVA-PAT)進行深度篩選,將潛伏在合格規格內的可疑晶片徹底過濾。
Q2. Gauge R&R 檢驗結果 %GRR 高達 35%,我該優先排查 EV 還是 AV?
請在 Gauge R&R 的 Detail 頁面檢視變異成分拆解。若 EV(重複性)佔絕大比例,請重點排查測試機儀器底噪、接地迴路、電源漣波及遮蔽效果;若 AV(再現性)佔主導,則應優先檢查各測試通道接觸狀況、測試座磨損程度、機臺載臺機械對位與校正差異。
Q3. 執行 Gauge R&R 需要提供哪些測試資料?
您需要至少 2 個針對同一片晶圓重複測試的 STDF 檔案,且檔案內必須完整記錄晶粒的 (X, Y) 座標資訊。請使用 Append... 載入複測資料。缺少座標資訊的封裝成品測試(FT)資料因無法在空間上對齊相同晶片,無法進行分析。
Q4. 分析結果是否能匯出至 Excel 或工程品質報告?
可以。各介面均提供 Export CSV 可儲存分析表格;在 Export > Save Report 中可一鍵生成 PDF、Excel (.xlsx)、Word (.docx) 及高解析度圖片報表。若需 PAT 極限走勢圖,選擇 PAT (PDF) 即可輸出各測試專案每頁一張的專屬 PDF 報告。
報表功能使用指南: 欲瞭解如何將各項統計圖表、資料彙總表與晶圓圖排版匯出為正式品質檔案,請參閱 報表功能說明頁面 →。

立即使用 DLOG 掌握製程能力與測量系統可靠度

PAT+ 潛在不良篩選、多變量 MVA 探索、Gauge R&R 測量分析、多通道偏差分析與 Cpk 統計。
在 100% 離線安全環境下,免費體驗 6 個月 STDF 深度分析功能。

下載 6 個月免費試用版 (Windows 64-bit)