一种基于机器学习的集成电路芯片寿命的评估方法与系统技术方案

一种基于机器学习的集成电路芯片寿命的评估方法与系统，方法包括步骤：根据寿命试验记录集成电路芯片的真实数据集并建立寿命分布函数；利用寿命分布函数求得相应的仿真寿命值，得到仿真数据集；合并真实数据集和仿真数据集，组成训练优化机器学习回归模型的原数据集；对于所述原数据集中的参数型数据，通过特征提取得到参数型特征向量；将二维结构连接图转换为特征向量，形成芯片的结构特征向量；合并参数型特征向量和结构特征向量，组成全特征向量集输入机器学习回归模型中进行模型融合，得到融合回归模型；利用训练集和测试集，最终形成端到端的芯片寿命预测模型。本发明专利技术方法能实现实时准确地集成电路芯片寿命预测与评估。实现实时准确地集成电路芯片寿命预测与评估。实现实时准确地集成电路芯片寿命预测与评估。

【技术实现步骤摘要】
一种基于机器学习的集成电路芯片寿命的评估方法与系统


[0001]本专利技术涉及一种集成电路芯片寿命评估方法与系统，属于半导体失效分析


技术介绍

[0002]电子设备在军事及航空航天领域应用越来越广泛，其可靠性要求也不断提高。随着集成电路的设计技术和制造水平的提升，大型电子设备集成度越来越高，功能越来越复杂。随着电子芯片技术也得到迅猛的发展，CMOS器件工艺特征尺寸越来越小型化、集成化，互联结构失效和热应力问题成为纳米集成电路设计中最具挑战的问题。集成密度和功耗的增加导致更高的芯片温度、芯片温度梯度和越加复杂的互联结构失效，进而影响其可靠性。因此，有必要对集成电路芯片的寿命进行评估。
[0003]传统寿命评估试验方法一般采取温度、湿度或温循等应力作为加速条件，通过加速寿命试验，定期对器件参数进行测量，根据阶段性测量数据大致得到器件失效时间，进而进行数据统计分析，通过不同梯度试验条件的寿命分布模型推算经验加速因子，进而估算正常条件下的加速寿命；或采用加速退化实验，定期检测互连结构剪切强度，计算互连结构伪寿命，后结合失效机理加速模型推出正常使用环境下封装体的寿命。利用此类方法对集成电路芯片进行寿命评估具有估算误差大，估算效率低的问题。
[0004]1)估算误差大：定期检测封装体敏感参数，获取参数退化趋势，根据参数趋势仿真拟合出最终失效时间，并非是真实芯片互连结构失效时间，其寿命估算结果与粗略的参数趋势拟合方法直接相关，因此估算误差较大；从仿真寿命分布模型中推算得平均寿命，不具备高可靠检验要求，以此平均寿命计算的正常寿命存在可信度不足；采用基于仿真寿命分布得到的特征寿命推算加速因子，没有考虑失效机理的关键影响性，仅通过传统的数据统计分析可靠性预计方法不具备科学性；或直接采用代入粗略估计参数的失效机理加速模型计算互连结构在正常使用条件下的寿命，适用性及准确度不足；
[0005]2)评估效率低：对芯片寿命仿真过程要通过有限样本芯片的寿命试验，获取相关实验数据，形成有限个寿命分布，根据粗略估计寿命，代入复杂的电迁移模型，开裂模型和热/振动疲劳模型等失效机理加速模型，计算互连结构在正常使用条件下的寿命。仿真过程耗费大量人力物力和时间，复杂失效物理模型组求解困难。
[0006]因此，此类方法不能准确且高效地评估集成电路芯片互连结构的寿命。

技术实现思路

[0007]本专利技术所要解决的技术问题是：为克服传统加速寿命试验或加速退化实验在评估封装互连结构时存在的监测数据误差较大、平均寿命可靠度不合理、加速模型适用性不足的问题，本专利技术提出一种基于多材料叠层芯片结构建模机器学习技术的芯片寿命评估方法与系统，该方法可更加准确、有针对性的评估集成电路芯片的寿命。
[0008]本专利技术采用的技术方案是：一种基于机器学习的集成电路芯片寿命的评估方法，
包括：
[0009]步骤一、根据寿命试验记录集成电路芯片的真实数据集{c
i
，y
′
i
}并建立寿命分布函数；其中，y
i
′
为集成电路芯片的相关参数对应的集成电路芯片真实寿命值；
[0010]步骤二、根据集成电路芯片的使用环境工况，在使用环境工况对应的相关参数的参数范围内，随机生成n组参数组，模拟实际可能出现的各种使用环境情况，利用寿命分布函数求得相应的仿真寿命值，将仿真数据集表示为{c
i
，y
i
}，i＝1，...，n；n为正整数；其中，c
i
为集成电路芯片的相关参数，y
i
为相应的集成电路芯片仿真寿命值；
[0011]合并真实数据集和仿真数据集，组成训练优化机器学习回归模型的原数据集；
[0012]步骤三、对于所述原数据集中的参数型数据，通过特征提取得到参数型特征向量；
[0013]对于芯片多层纵向剖面物理结构，采用多材料叠层结构建模方法形成三维芯片结构的二维结构连接图；使用威斯费乐
‑
莱曼迭代算法将二维结构连接图转换为特征向量，形成芯片的结构特征向量；
[0014]步骤四、合并参数型特征向量和结构特征向量，组成全特征向量集输入机器学习回归模型中进行模型融合，得到融合回归模型；
[0015]步骤五、将所述原数据集的a％作为训练集，剩下100％
‑
a％作为测试集，将作为训练集的数据带入融合回归模型中得到预测值，利用多个损失函数优化融合回归模型的准确率，得到优化后的融合回归模型；利用测试集，带入优化后的融合回归模型中，检测准确率，最终形成端到端的芯片寿命预测模型，a为设定值。
[0016]所述多材料叠层结构建模方法将多元素叠层的芯片结构建模形成节点连接图，具体建模方式为：
[0017]将不同层不同元素区域抽象简化为一个节点，将不同元素区域的相邻关系抽象为无向边，使得代表不同元素的节点相互连接，将三维芯片结构建模为二维结构连接图模型；具体步骤如下：
[0018]a.将芯片多层纵向剖面物理结构中的所有元素依次标号；
[0019]b.识别出芯片多层纵向剖面物理结构每一层中的相同元素的连通区域，抽象成连接图中的一个节点，并且将这个节点标记成其元素对应的标号；两个相同元素连通区域如果接触的话，在连接图中的相对应的两个节点间添加一条无向边。
[0020]使用威斯费乐
‑
莱曼迭代算法将二维结构连接图转换为特征向量，形成芯片的结构特征向量的具体步骤如下：
[0021]S3.1、得到所述二维结构连接图中每个节点的相邻节点；得到每个节点的相邻节点元素的标记，将所述标记放到一个无序列表Li内；将该节点的元素放到所述无限列表Li中；
[0022]S3.2、对于每个节点，根据S3.1中得到的无序列表Li进行编码；
[0023]S3.3、统计所述二维结构连接图中每个编码的数量，将各编码有序排列以后形成结构特征向量。
[0024]所述机器学习回归模型如下：
[0025][0026]其中，y是集成电路芯片的寿命，是特征提取以后得到的全特征向量。
[0027]所述步骤四中，将全特征集送入K种机器学习算法组成的融合回归模型，通过重复
K次的有放回抽样，训练K个子模型，每次随机抽样训练1个模型，对K个模型结果进行Voting/Averaging融合；K为正整数，当K＝1时，只使用一个模型，Voting/Averaging方法不变。
[0028]一种根据上述基于机器学习的集成电路芯片寿命评估方法的评估系统，包括数据采集模块、数据存储模块、算法应用模块、显示模块：
[0029]数据采集模块，根据寿命试验记录集成电路芯片的真实数据集{c
i
，y
′
i
}并建立寿命分布函数；
[0030]根据集成电路芯片的使用环境工况，在使用环境工况对应的相关参数的参数范围内，随机生成n组参数组，模拟实际可能出现的各种使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的集成电路芯片寿命的评估方法，其特征在于，包括：根据寿命试验记录集成电路芯片的真实数据集{c
i
，y
′
i
}并建立寿命分布函数；其中，c
i
为集成电路芯片的相关参数，y
i
′
为集成电路芯片的相关参数对应的集成电路芯片真实寿命值；根据集成电路芯片的使用环境工况，在使用环境工况对应的相关参数的参数范围内，随机生成n组参数组，模拟实际可能出现的各种使用环境情况，利用寿命分布函数求得相应的仿真寿命值，将仿真数据集表示为{c
i
，y
i
}，i＝1，...，n；n为正整数；其中，c
i
为集成电路芯片的相关参数，y
i
为相应的集成电路芯片仿真寿命值；合并真实数据集和仿真数据集，组成训练优化机器学习回归模型的原数据集；对于所述原数据集中的参数型数据，通过特征提取得到参数型特征向量；对于芯片多层纵向剖面物理结构，采用多材料叠层结构建模方法形成三维芯片结构的二维结构连接图；使用威斯费乐
‑
莱曼迭代算法将二维结构连接图转换为特征向量，形成芯片的结构特征向量；合并参数型特征向量和结构特征向量组成全特征向量集，输入机器学习回归模型中进行模型融合，得到融合回归模型；将所述原数据集的a％作为训练集，剩下100％
‑
a％作为测试集，将作为训练集的数据带入融合回归模型中得到预测值，利用多个损失函数优化融合回归模型的准确率，得到优化后的融合回归模型；利用测试集，带入优化后的融合回归模型中，检测准确率，最终形成端到端的芯片寿命预测模型，a为设定值。2.根据权利要求1所述的一种基于机器学习的集成电路芯片寿命的评估方法，其特征在于，所述采用多材料叠层结构建模方法将多元素叠层的芯片结构建模形成节点连接图，包括：将不同层不同元素区域抽象简化为一个节点，将不同元素区域的相邻关系抽象为无向边，使得代表不同元素的节点相互连接，将三维芯片结构建模为二维结构连接图模型，包括：将芯片多层纵向剖面物理结构中的所有元素依次标号；识别出芯片多层纵向剖面物理结构每一层中的相同元素的连通区域，抽象成连接图中的一个节点，并且将这个节点标记成其元素对应的标号；两个相同元素连通区域如果接触的话，在连接图中的相对应的两个节点间添加一条无向边。3.根据权利要求2所述的一种基于机器学习的集成电路芯片寿命的评估方法，其特征在于，所述使用威斯费乐
‑
莱曼迭代算法将二维结构连接图转换为特征向量，形成芯片的结构特征向量，包括：S3.1、得到所述二维结构连接图中每个节点的相邻节点；得到每个节点的相邻节点元素的标记，将所述标记放到一个无序列表Li内；将该节点的元素放到所述无限列表Li中；S3.2、对于每个节点，根据S3.1中得到的无序列表Li进行编码；S3.3、统计所述二维结构连接图中每个编码的数量，将各编码有序排列以后形成结构特征向量。4.根据权利要求1所述的一种基于机器学习的集成电路芯片寿命的评估方法，其特征在于，所述机器学习回归模型如下：
其中，y是集成电路芯片的寿命，是特征提取以后得到的全特征向量。5.根据权利要求1所述的一种基于机器学习的集成电路芯片寿命的评估方法，其特征在于，所述合并参数型特征向量和结构特征向量组成全特征向量集，输入机器学习回归模型中进行模型融合，得到融合回归模型，包括：将全特征集送入K种机器学习算法组成的融合回归模型，通过重复K次的有放回抽样，训练K个子模型，每次随机抽样训练1个模型，对K个模型结果进行Voting/Averaging融合；K为正整数，当K＝1时，只使用一个模型，Voting/Averaging方法不变。6.一种基于机器学习的集成电路芯片寿命的评估系统，其特征在于，包括数据采集模块、数...

【专利技术属性】
技术研发人员：田梦珂，王勇，林鹏荣，谢晓辰，黄颖卓，姜学明，王胜杰，郭亨通，
申请(专利权)人：北京微电子技术研究所，
类型：发明
国别省市：