西门子 EDA 论坛报告：聚焦 SONR 与 SDPAL 的良率提升实践

活动：西门子 EDA 论坛 | 日期：2025年8月28日

探索西门子如何利用AI与机器学习驱动的 Tessent™ DDYA 和 Calibre® SONR & SDPAL 解决方案，诊断、预测并定位半导体缺陷，重塑先进工艺节点的良率提升范式。

🔬第一部分：Tessent 诊断驱动良率分析 (DDYA)

提高缺陷诊断分辨率与根因分析

演讲的第一部分重点介绍了如何提高缺陷诊断的分辨率，并进行基于海量数据的根因分析。

Tessent DDYA 诊断平台介绍

诊断面临的挑战

分析时间过长：物理失效分析可能需要数周甚至数月，尤其是在存在多个可疑位置时。
分辨率瓶颈：电子束探测（E-beam probing）等物理分析手段面临挑战，难以精确定位缺陷。
复杂的失效模式：与电源域或全局信号相关的先进问题难以诊断。

Tessent DDYA 技术

Tessent DDYA 通过几项关键技术提升了诊断分辨率：

单元感知诊断 (Cell-Aware Diagnosis)

能够诊断标准单元内部的缺陷。其物理失效分析（PFA）命中率在从160纳米到3纳米的各个节点上超过90%。对于复杂的多比特扫描单元，可将可疑区域缩小多达20倍。

全局控制诊断 (Global Control Diagnosis)

约30%存在多个扫描链失效的案例是由全局控制信号（如时钟）上的缺陷引起。该技术能准确识别导致失效的公共信号路径。

扫描链诊断

显著提升扫描链诊断的分辨率，极大减少需要进行PFA的区域。

演讲引用了一篇与AMD合作发表在ITC 2023上的论文案例。一颗芯片有11条扫描链失效，Tessent DDYA 成功地将其归因于时钟信号上的一个缺陷，随后的PFA验证，在预测的精确位置发现了一个"开路"（open）缺陷。

🤖第二部分：基于特征的机器学习缺陷预测与定位

从图形匹配到特征学习的范式转变

演讲的后半部分转向了如何利用更先进的、基于特征的机器学习方法来主动预测缺陷。

类比：基于图形 vs. 基于特征的方法

基于图形与基于特征方法的对比

基于图形的匹配 (Pattern-Based Matching, PM)

传统方法，寻找与已知缺陷"精确"或"模糊"匹配的图形。弱点在于只能找到已知的问题，会错过根本原因相同但外观不同的新颖图形。

基于特征的技术 (Feature-Based Techniques)

西门子的先进方法。不是匹配整个图形，而是将版图分解为基本的特征。机器学习模型学习导致缺陷的关键特征组合，从而能够识别出全新的、从未见过的但可能失效的版图图形。

Calibre® SONR：一个基于特征的机器学习平台

Calibre SONR 工作流程

核心思想是，特征工程是机器学习应用成功的关键。Calibre SONR通过在图形层面和设计层面提取特征，来全面地"理解"版图，并允许用户自定义特征。

特征工程示例

机器学习模型训练

该方法使设计公司能够主动发现新的热点，理解工艺敏感性，并通过用已知的稳健图形替换脆弱图形，在设计流程的早期修复潜在缺陷。演讲展示了单层和多层缺陷预测的示例，其中基于特征的方法发现了传统PM未能捕获的新的关键图形。

单层缺陷预测示例

多层缺陷预测示例

Calibre® SDPAL：系统性缺陷图形分析与定位

尽管诊断可以识别出失效的网络（net），但通常无法指出该网络上失效的确切物理坐标（x,y）。Calibre SDPAL 正是为解决这一问题而生。

SDPAL 解决的问题

SDPAL 解决方案

SDPAL 使用一个AI/ML引擎，将版图和诊断报告作为输入，以定位有问题的版图图形。这加速了失效分析，使得在等待FA结果出来之前就能修复下一个设计版本。

演讲展示的结果非常引人注目：传统方法定位缺陷的成功率很低(<10%)，而 SDPAL 实现了 25% 的成功率，代表了 5到25倍的提升。

SDPAL 结果展示 1

SDPAL 结果展示 2

🎯结论

智能化EDA工具的协同优势

演讲最后总结了西门子EDA流程的协同优势，这些工具共同构成了一个集成的、智能的生态系统，旨在帮助半导体公司应对先进节点制造的复杂性，加速良率爬坡，并提升整体产品质量。

1

Tessent DDYA 流程

实现高分辨率的扫描链诊断，并利用机器学习（RCD/RCAD）从海量诊断数据中分析根本原因。
2

基于特征的ML缺陷预测 (Calibre SONR)

通过主动识别易产生缺陷的版图特征，加速工艺改进和学习曲线。
3

Calibre SDPAL 流程

利用AI/ML识别失效图形并精确定位其（x,y）坐标，从而极大地加速失效分析。

西门子 EDA 论坛报告