半导体寿命测试方法、装置、存储介质及终端设备制造方法及图纸

本申请实施例提供一种半导体寿命测试方法、装置、存储介质及终端设备，属于半导体技术领域。方法包括：实时获取待测半导体在加速应力试验下的特征参数；在确定获取到的特征参数的退化量达到第一阈值的情况下，以当前获取到的特征参数构成的时间序列数据集为输入，经半导体寿命预测模型输出待测半导体的失效时刻。半导体寿命预测模型由与待测半导体同一类别的半导体在加速应力试验下的第一时间序列样本数据集对目标域模型训练后得到，目标域模型由对预训练的源域模型进行迁移学习后得到。本申请能够有效减少试验数据的采集量，降低了半导体器件的可靠性测试时间，提高了测试效率。提高了测试效率。提高了测试效率。

【技术实现步骤摘要】
半导体寿命测试方法、装置、存储介质及终端设备


[0001]本申请涉及半导体
，具体涉及一种半导体寿命测试方法、一种半导体寿命测试装置、一种机器可读存储介质及一种终端设备。

技术介绍

[0002]随着CMOS工艺技术进入到纳米级，器件特征尺寸已经逼近了物理极限，由于尺寸的不断缩小，小尺寸器件的各种效应在理论建模过程中已经不能被忽视。热载流子注入（Hot Carrier Injection，HCI）加速应力试验是研究半导体器件可靠性的一种测试方法，该方法通过增加应力，加速器件退化过程，进而在短时间内获得器件失效率等信息，然后再外推出器件在正常工作状态下的特征参数。通过在特定应力条件下对器件进行测量，能够提取出表征器件的可靠度方面的信息。然而，现有工业生产过程中产品数量大、工期紧，即使采用HCI加速应力试验也需要占用大量测试时间才能收集到可靠性建模所需的试验数据，而目前半导体器件种类众多，对于某些半导体器件，难以采集到足够的可靠性建模的试验数据，导致目前的半导体器件的可靠性测试时间长，效率低。

技术实现思路

[0003]本申请实施例的目的是提供一种半导体寿命测试方法、一种半导体寿命测试装置、一种机器可读存储介质及一种终端设备，以解决上述问题。
[0004]为了实现上述目的，本申请第一方面提供一种半导体寿命测试方法，包括：实时获取待测半导体在加速应力试验下的特征参数；在确定获取到的特征参数的退化量达到第一阈值的情况下，以当前获取到的特征参数构成的时间序列数据集为输入，经半导体寿命预测模型输出所述待测半导体的失效时刻；所述半导体寿命预测模型由与所述待测半导体属于同一类别的不同半导体在加速应力试验下的特征参数的第一时间序列样本数据集对目标域模型训练后得到，所述目标域模型由对预训练的源域模型进行迁移学习后得到，所述第一时间序列样本数据集为对应半导体在历史加速应力试验下的特征参数的退化量达到所述第一阈值时特征参数构成的时间序列样本数据集，所述第一阈值小于所述待测半导体失效时对应特征参数的退化量；所述源域模型的训练步骤，包括：获取不同半导体对应的第二时间序列样本数据集，所述第二时间序列样本数据集为对应半导体在加速应力试验下的特征参数的退化量达到第二阈值时特征参数构成的历史时间序列数据集，所述第二阈值大于所述第一阈值；确定获取到的所有第二时间序列样本数据集中，特征参数的退化量不满足第一预设条件，和/或获取到的所有第二时间序列样本数据集中，特征参数的退化量对应的时间梯度不满足第二预设条件的第二时间序列样本数据集为异常样本数据集；删除获取到的所有第二时间序列样本数据集中的异常样本数据集；
依据获取到的第二时间序列样本数据集对时序神经网络模型进行训练，确定训练后的时序神经网络模型为源域模型；所述第一预设条件，包括：特征参数的退化量随时间的增加而单调递增；所述第二预设条件，包括：特征参数的退化量对应的时间梯度随时间的增加而单调递减。
[0005]本申请第二方面提供一种半导体寿命测试装置，包括：数据获取模块，被配置为实时获取待测半导体在加速应力试验下的特征参数；预测模块，被配置为在确定获取到的特征参数的退化量达到第一阈值的情况下，以当前获取到的特征参数构成的时间序列数据集为输入，经半导体寿命预测模型输出所述待测半导体的失效时刻；所述半导体寿命预测模型由与所述待测半导体属于同一类别的不同半导体在加速应力试验下的特征参数的第一时间序列样本数据集对目标域模型训练后得到，所述目标域模型由对预训练的源域模型进行迁移学习后得到，所述第一时间序列样本数据集为对应半导体在历史加速应力试验下的特征参数的退化量达到所述第一阈值时特征参数构成的时间序列样本数据集，所述第一阈值小于所述待测半导体失效时对应特征参数的退化量；所述源域模型的训练步骤，包括：获取不同半导体对应的第二时间序列样本数据集，所述第二时间序列样本数据集为对应半导体在加速应力试验下的特征参数的退化量达到第二阈值时特征参数构成的历史时间序列数据集，所述第二阈值大于所述第一阈值；确定获取到的所有第二时间序列样本数据集中，特征参数的退化量不满足第一预设条件，和/或获取到的所有第二时间序列样本数据集中，特征参数的退化量对应的时间梯度不满足第二预设条件的第二时间序列样本数据集为异常样本数据集；删除获取到的所有第二时间序列样本数据集中的异常样本数据集；依据获取到的第二时间序列样本数据集对时序神经网络模型进行训练，确定训练后的时序神经网络模型为源域模型；所述第一预设条件，包括：特征参数的退化量随时间的增加而单调递增；所述第二预设条件，包括：特征参数的退化量对应的时间梯度随时间的增加而单调递减。
[0006]本申请第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的半导体寿命测试方法。
[0007]本申请第四方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的半导体寿命测试方法。
[0008]本申请通过对预先构建的源域模型进行迁移学习构建对应的目标域模型，并通过对待测半导体进行非完整加速应力试验，获取待测半导体在加速应力试验下，待测半导体的特征参数的时间序列样本数据集，通过获取到的历史时间序列样本数据集对目标域模型进行训练，进而得到用于预测待测半导体失效时刻的半导体寿命预测模型，从而有效减少
了试验数据的采集量，降低了半导体器件的可靠性测试时间，提高了测试效率。
[0009]本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0010]附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：图1为本申请优选实施例提供的半导体寿命测试方法的方法流程图；图2为本申请优选实施例提供的LSTM模型结构图；图3为本申请优选实施例提供的漏端饱和电流退化量经时变化曲线；图4为本申请优选实施例提供的基础模型迁移学习重构示意图；图5为本申请优选实施例提供的半导体寿命测试装置的示意框图；图6为本申请优选实施例提供的终端设备示意图。
[0011]附图标记说明10
‑
终端设备，100
‑
处理器，101
‑
存储器，102
‑
计算机程序。
具体实施方式
[0012]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0013]需要说明的是，本申请各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半导体寿命测试方法，其特征在于，包括：实时获取待测半导体在加速应力试验下的特征参数；在确定获取到的特征参数的退化量达到第一阈值的情况下，以当前获取到的特征参数构成的时间序列数据集为输入，经半导体寿命预测模型输出所述待测半导体的失效时刻；所述半导体寿命预测模型由与所述待测半导体属于同一类别的不同半导体在加速应力试验下的特征参数的第一时间序列样本数据集对目标域模型训练后得到，所述目标域模型由对预训练的源域模型进行迁移学习后得到，所述第一时间序列样本数据集为对应半导体在历史加速应力试验下的特征参数的退化量达到所述第一阈值时特征参数构成的时间序列样本数据集，所述第一阈值小于所述待测半导体失效时对应特征参数的退化量；所述源域模型的训练步骤，包括：获取不同半导体对应的第二时间序列样本数据集，所述第二时间序列样本数据集为对应半导体在加速应力试验下的特征参数的退化量达到第二阈值时特征参数构成的历史时间序列数据集，所述第二阈值大于所述第一阈值；确定获取到的所有第二时间序列样本数据集中，特征参数的退化量不满足第一预设条件，和/或获取到的所有第二时间序列样本数据集中，特征参数的退化量对应的时间梯度不满足第二预设条件的第二时间序列样本数据集为异常样本数据集；删除获取到的所有第二时间序列样本数据集中的异常样本数据集；依据获取到的第二时间序列样本数据集对时序神经网络模型进行训练，确定训练后的时序神经网络模型为源域模型；所述第一预设条件，包括：特征参数的退化量随时间的增加而单调递增；所述第二预设条件，包括：特征参数的退化量对应的时间梯度随时间的增加而单调递减。2.根据权利要求1所述的半导体寿命测试方法，其特征在于，依据获取到的第二时间序列样本数据集对时序神经网络模型进行训练，包括：将获取到的第二时间序列样本数据集划分为训练集和验证集，其中，所述训练集包括所述第二时间序列样本数据集中，特征参数的退化量未超过所述第一阈值的特征参数，所述验证集包括所述第二时间序列样本数据集中，特征参数的退化量处于所述第一阈值及所述第二阈值之间的特征参数；通过所述训练集对所述时序神经网络模型进行训练，并通过所述验证集对所述时序神经网络模型进行验证，以确定所述时序神经网络模型的网络参数，得到训练后的时序神经网络模型。3.根据权利要求1所述的半导体寿命测试方法，其特征在于，所述时序神经网络模型，包括：依次连接的自注意力层、输入层、第一时序特征提取层、第一全连接层及第一输出层；所述目标域模型由对预训练的源域模型进行迁移学习后得到，包括：获取所述训练后的时序神经网络模型并固定所述训练后的时序神经网络模型的第一时序特征提取层的网络参数；基于对所述训练后的时序神经网络模型的第一时序特征提取层的网络参数进行迁移学习，得到目标域模型。
4.根据权利要求3所述的半导体寿命测试方法，其特征在于，基于对所述训练后的时序神经网络模型的第一时序特征提取层的网络参数进行迁移学习，得到目标域模型，包括：获取所述训练后的时序神经网络模型的自注意力层、输入层及固定网络参数后的第一时序特征提取层；在固定网络参数后的第一时序特征提取层后新增至少一个第二时序特征提取层、第二全连接层及第二输出层，得到目标域模型。5.根据权利要求4所述的半导体寿命测试方法，其特征在于，所述半导体寿命预测模型通过以下步骤得到：获取所述第一时间序列样本数据集；通过所述第一时间序列样本数据集对所述目标域模型进行训练，根据训练结果调整所述目标域模型的至少一个第二时序特征提取层的网络参数，得到所述半导体寿命预测模型。6.根据权利要求5所述的半导体寿命测试方法，其特征在于，通过所述第一时间序列样本数据集对所述目标域模型进行训练，根据训练结果调整所述目标域模型的至少一个第二时序特征提取层的网络参数，包括：以通过滑动时间窗确定的所述第一时间序列样本数据集中的多个连续的特征参数作为输入，通过所述目标域模型预测所述滑动时间窗的后一时刻对应的特征参数，得到预测结果；通过所述第一时间序列样本数据集中，所述滑动时间窗的后一时刻对应的特征参数对所述目标域模型的预测结果进行验证，根据验证结果调整所述目标域模型的至少一个第二时序特征提取层的网络参数。7.根据权利要求4所述的半导体寿命测试方法，其特征在于，所述第一时序特征提取层及所述第二时序特征提取层由长短期记忆网络模型构成。8.根据权利要求1所述的半导体寿命测试方法，其特征在于，获取不同半导体对应的第二时间序列样本数据集，包括：以第一时间间隔获取对应半导体在加速应力试验下的特征参数，直至获取到的特征参数的退化量达到第三阈值，以第二时间间隔获取对应半导体在加速应力试验下的特征参数，所述第二时间间隔大于所述第一时间间隔，所述第三阈值小于所述第二阈值。9.根据权利要求1所述的半导体寿命测试方法，其特征在于，获取不同半导体对应的第二时间序列样本数据集，包括：以第一时间间隔获取对应半导体在加速应力试验下的特征参数，直至获取到的特征参数的退化量的变化量小于变化量阈值，以第二时间间隔获取对应半导体在加速应力试验下的特征参数，所述第二时间间隔大于所述第一时间间隔。10.根据权利要求4所述的半导体寿命测试方法，其特征在于，所述至少一个第二时序特征提取层为1~5层。11.根据权利要求1所述的半导体寿命测试方法，其特征在于，所述方法还包括：确定特征参数的退化量为对应半导体的初始特征参数的2%~3%时达到所述第一阈值。12.根据权利要求1所述的半导体寿命测试方法，其特征在于，所述特征参数至少包括漏端饱和电流、阈值电压及跨导中的任一项。
13.根据权利要求1所述的半导体寿命测试方法，其特征在于，所述第一预设条件，包括：；其中，其中，，It表示第二时间序列样本数据集中t时刻的特征参数，L表示第二时间序列样本数据集的序列长度。14.根据权利要求1所述的半导体寿命测试方法，其特征在于，所述第二预设条件，包括：；其中，，It表示第二时间序列样本数据集中t时刻的特征参数，L表示第二时间序列样本数据集的序列长度。15.一种半导体寿命测试装置，其特征在于，包括：数据获取模块，被配置为实时获取待测半导体在加速应力试验下的特征参数；预测模块，被配置为在确定获取到的特征参数的退化量达到第一阈值的情况下，以当前获取到的特征参数构成的时间序列数据集...

【专利技术属性】
技术研发人员：赵东艳，梁英宗，陈燕宁，刘芳，
申请(专利权)人：北京芯可鉴科技有限公司，
类型：发明
国别省市：