晶圆异常根因的分析方法、装置及设备与流程

本发明涉及半导体晶圆制造，尤其涉及一种晶圆异常根因的分析方法、装置及设备。

背景技术：

1、在半导体制造过程中，随着制程工艺不断向更小节点演进（如7nm、5nm乃至3nm），使得晶圆制造工序日益复杂，涉及光刻、刻蚀、薄膜沉积、化学机械抛光等数百道工艺步骤。任何一道工序出现偏差，都可能在cp测试（circuit probing test，晶圆电性测试）中表现为特定形状的良率损失或固定位置的重复性失效模式，如晶圆边缘的环状失效、中心区域的簇状短路失效。因此，及时准确地定位导致良率损失的根因所在，是缩短工艺调试、生产周期，减少晶圆报废情况，提高晶圆的利用率的关键所在。

2、目前，晶圆良率根因分析方法主要依赖工程师的经验判断与手动分析，具体为：当cp测试发现异常失效模式后，如检测发现特殊形状或固定位置的良率损失，工程师需要登录多个独立的数据分析系统，分别检索与该晶圆相关的多维度数据，包括：缺陷检测系统输出的缺陷分布图（defect map）、在线量测系统输出的量测图（inline map）、晶圆验收测试数据图（wafer acceptance test map，wat map）、离线分析数据图（offline map）以及电性测试数据（wafer inline sort evaluation，wise）等；然后工程师通过目视比对上述多张量测图的失效分布模式，凭借个人经验判断哪些数据图之间存在相似的异常特征，进而筛选出可能与cp失效相关的候选数据；最后，结合历史经验与初步分析结果，工程师推理导致cp失效的可能根因所在，并安排进一步的验证实验。

3、然而实践发现，现有通过人工手动、目视，再结合经验进行晶圆根因分析的方法，需要花费大量时间在各个系统之间切换、手动检索和比对数据，单次根因分析通常耗时约5小时，分析效率极低，严重影响了产线异常响应的速度；且由于面对海量的多维度数据，人工目视比对难以做到全面覆盖，容易遗漏关键异常信息，容易发生漏检，导致根因定位不准确或误判。因此，有必要提出一种新的晶圆异常根因的分析方式，以提高晶圆异常根因的分析效率及准确性，从而提高产线异常响应的速度，进而缩短工艺调试、生产周期，减少晶圆报废情况，提高晶圆的利用率。

技术实现思路

1、本发明提供了一种晶圆异常根因的分析方法、装置及设备，能够提高晶圆异常根因的分析效率及准确性，从而提高产线异常响应的速度，进而缩短工艺调试、生产周期，减少晶圆报废情况，提高晶圆的利用率。

2、本发明第一方面公开了一种晶圆异常根因的分析方法，所述方法包括：

3、对晶圆分布图进行多模态特征分析，得到所述晶圆分布图的图像特征、坐标特征及物理特征，所述晶圆分布图的图像特征、坐标特征及物理特征之间的特征维度相同，所述晶圆分布图用于表征存在电性失效裸片的晶圆；

4、对所述晶圆分布图的图像特征、坐标特征及物理特征执行融合操作，得到所述晶圆分布图的融合特征；根据所述晶圆分布图的物理特征，从预先确定出的所述晶圆分布图对应的失效图集合中的所有历史晶圆分布图中，筛选出与所述晶圆分布图之间的物理汉明距离小于预设物理汉明距离的所有第一历史晶圆分布图；

5、根据所述晶圆分布图的融合特征及每张所述第一历史晶圆分布图的融合特征，构建所有所述第一历史晶圆分布图及所述晶圆分布图对应的缺陷特征图，所述缺陷特征图中每个特征节点均存在一一对应的融合特征；根据所述缺陷特征图，对所述晶圆分布图及所有所述第一历史晶圆分布图执行相似度分析操作，得到与所述晶圆分布图匹配的多张目标历史晶圆分布图；

6、获取每张所述目标历史晶圆分布图的异常根因，并根据每张所述目标历史晶圆分布图的异常根因、每张所述目标历史晶圆分布图与所述晶圆分布图之间的相似度，分析所述晶圆分布图的异常根因。

7、作为一种可选的实施方式，在本发明第一方面，所述的对晶圆分布图进行多模态特征分析，得到所述晶圆分布图的图像特征、坐标特征及物理特征，包括：

8、在扫描晶圆分布图的过程中，根据所述晶圆分布图上当前被扫描到的目标局部块的图像数据，确定所述目标局部块的卷积结果；根据所有所述目标局部块的卷积结果，确定所述晶圆分布图的局部特征图；分析所述晶圆分布图的局部特征图中各个局部区域的尺度熵；对于任一所述局部区域，基于该局部区域的尺度熵，分析该局部区域的动态池化窗口，并基于该局部区域的动态池化窗口，对该局部区域执行池化操作，得到该局部区域的池化结果；分析所有所述局部区域的池化结果及每个所述局部区域在所述晶圆分布图的位置，得到所述晶圆分布图的池化特征图，作为所述晶圆分布图的图像特征；

9、根据所述晶圆分布图，确定所述晶圆分布图中每个所述电性失效裸片的坐标，根据每个所述电性失效裸片的坐标，建立所述晶圆分布图的缺陷拓扑图，一个所述电性失效裸片的坐标对应该缺陷拓扑图中的一个图节点；基于预先确定出的图注意力网络，对所述晶圆分布图的缺陷拓扑图中每个所述图节点与其他图节点之间的连接情况进行分析，得到每个所述图节点的节点连接情况；根据每个所述图节点的节点连接情况，为每个所述图节点分配对应的注意力权重；在为每个所述图节点分配对应的注意力权重后，基于预先确定出的图池化网络，对所述晶圆分布图的缺陷拓扑图执行池化压缩操作，得到所述晶圆分布图的坐标特征；

10、基于预先确定出的非线性关联分析网络的多个分析层对所述晶圆分布图的物理属性数据进行分析，得到所述物理属性数据与所述晶圆分布图所对应的晶圆之间的电性失效关联结果，作为所述晶圆分布图的物理特征；其中，前一个所述分析层的分析结果作为后一个所述分析层的输入结果。

11、作为一种可选的实施方式，在本发明第一方面，所述的根据所述晶圆分布图上当前被扫描到的目标局部块的图像数据，确定所述目标局部块的卷积结果，包括：

12、根据所述晶圆分布图上当前被扫描到的目标局部块的图像数据，分析所述目标局部块的晶圆特征突变感知因子及晶圆噪声抑制因子；根据所述目标局部块的晶圆特征突变感知因子及晶圆噪声抑制因子，对所述目标局部块的预设基础卷积核权重执行修正操作，得到修正后的所述目标局部块的卷积核权重；基于所述目标局部块的卷积核权重及所述目标局部块的图像数据，确定所述目标局部块的卷积结果；

13、所述方法还包括：

14、分析所述目标局部块与所述晶圆分布图对应的多个历史局部块之间的块相似度，所有所述历史局部块所对应的制程和缺陷模式与所述晶圆分布图相同；从所有所述历史局部块中，筛选块相似度最大的目标历史局部块；判断所述目标历史局部块的块相似度是否大于等于预设块相似度；当判断出小于所述预设块相似度时，执行所述的根据所述晶圆分布图上当前被扫描到的目标局部块的图像数据，分析所述目标局部块的晶圆特征突变感知因子及晶圆噪声抑制因子的操作；

15、当判断出大于等于所述预设块相似度时，分析所述目标局部块与所述目标历史局部块之间的块差异情况，并根据所述块差异情况，确定所述目标局部块所需的补偿卷积结果；根据所述补偿卷积结果和所述目标历史局部块的卷积结果，确定所述目标局部块的卷积结果。

16、作为一种可选的实施方式，在本发明第一方面，所述的根据所述缺陷特征图，对所述晶圆分布图及所有所述第一历史晶圆分布图执行相似度分析操作，得到与所述晶圆分布图匹配的多张目标历史晶圆分布图，包括：

17、以所述晶圆分布图的融合特征所在特征节点为查询特征节点，对所述缺陷特征图中除该查询特征节点之外的每个所述特征节点执行相似度传播操作，得到每个所述特征节点的特征传播得分；根据每个所述特征节点的特征传播得分，从所有所述第一历史晶圆分布图中，筛选特征传播得分排序在第一预设排名之前或者大于等于预设特征传播得分的所有第二历史晶圆分布图；

18、基于预先确定出的多个失效特征簇和每张所述第二历史晶圆分布图的失效类型，分析所述第二历史晶圆分布图的融合特征与所述晶圆分布图的融合特征之间的特征距离；根据每张所述第二历史晶圆分布图对应的特征距离、缺陷位置及所述晶圆分布图的缺陷位置，从所有所述第二历史晶圆分布图中，确定与所述晶圆分布图匹配的多张目标历史晶圆分布图。

19、作为一种可选的实施方式，在本发明第一方面，所述的以所述晶圆分布图的融合特征所在特征节点为查询特征节点，对所述缺陷特征图中除该查询特征节点之外的每个所述特征节点执行相似度传播操作，得到每个所述特征节点的特征传播得分，包括：

20、对于所述缺陷特征图中两两所述特征节点，计算两两所述特征节点的融合特征之间的特征相似度；对于任一两两所述特征节点，当对应的特征相似度大于等于预设特征相似度时，建立起两两所述特征节点之间的特征关联边；

21、根据两两所述特征节点之间的特征关联边及特征相似度，构建所述缺陷特征图的特征邻接权重矩阵及特征节点度矩阵；

22、根据所述缺陷特征图的特征邻接权重矩阵及特征节点度矩阵，以所述晶圆分布图的融合特征所在特征节点为查询特征节点，对所述缺陷特征图中除该查询特征节点之外的每个所述特征节点执行相似度传播操作，得到每个所述特征节点的特征传播得分。

23、作为一种可选的实施方式，在本发明第一方面，所述的基于预先确定出的多个失效特征簇和每张所述第二历史晶圆分布图的失效类型，分析所述第二历史晶圆分布图的融合特征与所述晶圆分布图的融合特征之间的特征距离，包括：

24、对于预先确定出的任一失效特征簇，计算所述晶圆分布图的融合特征与所述失效特征簇中心之间的簇距离；

25、根据每个所述失效特征簇对应的簇距离，从所有所述失效特征簇中，筛选簇距离排序在第二预设排名之前或者大于等于预设簇距离阈值的所有目标失效特征簇；

26、根据所有所述目标失效特征簇和每张所述第二历史晶圆分布图的失效类型，对所有所述第二历史晶圆分布图进行划分，得到每个所述目标失效特征簇对应的所有第二历史晶圆分布图；

27、对于任一所述目标失效特征簇对应的任一所述第二历史晶圆分布图，计算所述第二历史晶圆分布图的融合特征与所述晶圆分布图的融合特征之间的特征距离。

28、作为一种可选的实施方式，在本发明第一方面，所述方法还包括：

29、确定每张所述第二历史晶圆分布图对应的量化补偿距离；根据每张所述第二历史晶圆分布图对应的量化补偿距离，对其特征距离进行补偿，得到每张所述第二历史晶圆分布图的目标特征距离；

30、根据每张所述第二历史晶圆分布图的目标特征距离及所有所述第二历史晶圆分布图的特征距离排序，调整所述特征距离排序，得到调整后的目标特征距离排序；其中，所述特征距离排序为所有所述第二历史晶圆分布图对应的特征距离由短到长的排序；

31、其中，所述的根据每张所述第二历史晶圆分布图对应的特征距离、缺陷位置及所述晶圆分布图的缺陷位置，从所有所述第二历史晶圆分布图中，确定与所述晶圆分布图匹配的多张目标历史晶圆分布图，包括：

32、根据每张所述第二历史晶圆分布图的批次、缺陷位置及所述目标特征距离排序、所述晶圆分布图的缺陷位置，从所有所述第二历史晶圆分布图中，筛选特征距离排序在第三预设排名之前的所有所述第二历史晶圆分布图，作为与所述晶圆分布图匹配的多张目标历史晶圆分布图。

33、作为一种可选的实施方式，在本发明第一方面，所述的对所述晶圆分布图的图像特征、坐标特征及物理特征执行融合操作，得到所述晶圆分布图的融合特征，包括：

34、分析所述晶圆分布图的图像数据，得到所述晶圆分布图的图像质量；分析所述晶圆分布图的坐标数据，得到所述晶圆分布图的空间拓扑质量；分析所述晶圆分布图的物理属性数据，得到所述晶圆分布图的物理区分质量，其中，所述物理区分质量用于表示所述晶圆分布图的物理属性数据对不同失效模式的区分能力；

35、根据所述晶圆分布图的图像质量、空间拓扑质量及物理区分质量，为所述晶圆分布图的图像特征、坐标特征及物理特征，分别设置对应的融合权重；

36、根据所述晶圆分布图的图像特征、坐标特征及物理特征各自对应的融合权重，对所述晶圆分布图的图像特征、坐标特征及物理特征执行融合操作，得到所述晶圆分布图的融合特征。

37、本发明第二方面公开了一种晶圆异常根因的分析装置，所述装置包括：

38、分析模块，用于对晶圆分布图进行多模态特征分析，得到所述晶圆分布图的图像特征、坐标特征及物理特征，所述晶圆分布图的图像特征、坐标特征及物理特征之间的特征维度相同，所述晶圆分布图用于表征存在电性失效裸片的晶圆；

39、所述分析模块，还用于对所述晶圆分布图的图像特征、坐标特征及物理特征执行融合操作，得到所述晶圆分布图的融合特征；根据所述晶圆分布图的物理特征，从预先确定出的所述晶圆分布图对应的失效图集合中的所有历史晶圆分布图中，筛选出与所述晶圆分布图之间的物理汉明距离小于预设物理汉明距离的所有第一历史晶圆分布图；根据所述晶圆分布图的融合特征及每张所述第一历史晶圆分布图的融合特征，构建所有所述第一历史晶圆分布图及所述晶圆分布图对应的缺陷特征图，所述缺陷特征图中每个特征节点均存在一一对应的融合特征；根据所述缺陷特征图，对所述晶圆分布图及所有所述第一历史晶圆分布图执行相似度分析操作，得到与所述晶圆分布图匹配的多张目标历史晶圆分布图；

40、获取模块，用于获取每张所述目标历史晶圆分布图的异常根因；

41、所述分析模块，还用于根据每张所述目标历史晶圆分布图的异常根因、每张所述目标历史晶圆分布图与所述晶圆分布图之间的相似度，分析所述晶圆分布图的异常根因。

42、作为一种可选的实施方式，在本发明第二方面，所述分析模块对晶圆分布图进行多模态特征分析，得到所述晶圆分布图的图像特征、坐标特征及物理特征的具体方式，包括：

43、在扫描晶圆分布图的过程中，根据所述晶圆分布图上当前被扫描到的目标局部块的图像数据，确定所述目标局部块的卷积结果；根据所有所述目标局部块的卷积结果，确定所述晶圆分布图的局部特征图；分析所述晶圆分布图的局部特征图中各个局部区域的尺度熵；对于任一所述局部区域，基于该局部区域的尺度熵，分析该局部区域的动态池化窗口，并基于该局部区域的动态池化窗口，对该局部区域执行池化操作，得到该局部区域的池化结果；分析所有所述局部区域的池化结果及每个所述局部区域在所述晶圆分布图的位置，得到所述晶圆分布图的池化特征图，作为所述晶圆分布图的图像特征；

44、根据所述晶圆分布图，确定所述晶圆分布图中每个所述电性失效裸片的坐标，根据每个所述电性失效裸片的坐标，建立所述晶圆分布图的缺陷拓扑图，一个所述电性失效裸片的坐标对应该缺陷拓扑图中的一个图节点；基于预先确定出的图注意力网络，对所述晶圆分布图的缺陷拓扑图中每个所述图节点与其他图节点之间的连接情况进行分析，得到每个所述图节点的节点连接情况；根据每个所述图节点的节点连接情况，为每个所述图节点分配对应的注意力权重；在为每个所述图节点分配对应的注意力权重后，基于预先确定出的图池化网络，对所述晶圆分布图的缺陷拓扑图执行池化压缩操作，得到所述晶圆分布图的坐标特征；

45、基于预先确定出的非线性关联分析网络的多个分析层对所述晶圆分布图的物理属性数据进行分析，得到所述物理属性数据与所述晶圆分布图所对应的晶圆之间的电性失效关联结果，作为所述晶圆分布图的物理特征；其中，前一个所述分析层的分析结果作为后一个所述分析层的输入结果。

46、作为一种可选的实施方式，在本发明第二方面，所述分析模块根据所述晶圆分布图上当前被扫描到的目标局部块的图像数据，确定所述目标局部块的卷积结果的具体方式，包括：

47、根据所述晶圆分布图上当前被扫描到的目标局部块的图像数据，分析所述目标局部块的晶圆特征突变感知因子及晶圆噪声抑制因子；根据所述目标局部块的晶圆特征突变感知因子及晶圆噪声抑制因子，对所述目标局部块的预设基础卷积核权重执行修正操作，得到修正后的所述目标局部块的卷积核权重；基于所述目标局部块的卷积核权重及所述目标局部块的图像数据，确定所述目标局部块的卷积结果；

48、所述分析模块，还用于分析所述目标局部块与所述晶圆分布图对应的多个历史局部块之间的块相似度，所有所述历史局部块所对应的制程和缺陷模式与所述晶圆分布图相同；

49、所述装置还包括：

50、筛选模块，用于从所有所述历史局部块中，筛选块相似度最大的目标历史局部块；

51、判断模块，用于判断所述目标历史局部块的块相似度是否大于等于预设块相似度；当判断出小于所述预设块相似度时，触发所述分析模块执行所述的根据所述晶圆分布图上当前被扫描到的目标局部块的图像数据，分析所述目标局部块的晶圆特征突变感知因子及晶圆噪声抑制因子的操作；

52、所述分析模块，还用于当判断出大于等于所述预设块相似度时，分析所述目标局部块与所述目标历史局部块之间的块差异情况；

53、第一确定模块，用于根据所述块差异情况，确定所述目标局部块所需的补偿卷积结果；根据所述补偿卷积结果和所述目标历史局部块的卷积结果，确定所述目标局部块的卷积结果。

54、作为一种可选的实施方式，在本发明第二方面，所述分析模块根据所述缺陷特征图，对所述晶圆分布图及所有所述第一历史晶圆分布图执行相似度分析操作，得到与所述晶圆分布图匹配的多张目标历史晶圆分布图的具体方式，包括：

55、以所述晶圆分布图的融合特征所在特征节点为查询特征节点，对所述缺陷特征图中除该查询特征节点之外的每个所述特征节点执行相似度传播操作，得到每个所述特征节点的特征传播得分；根据每个所述特征节点的特征传播得分，从所有所述第一历史晶圆分布图中，筛选特征传播得分排序在第一预设排名之前或者大于等于预设特征传播得分的所有第二历史晶圆分布图；

56、基于预先确定出的多个失效特征簇和每张所述第二历史晶圆分布图的失效类型，分析所述第二历史晶圆分布图的融合特征与所述晶圆分布图的融合特征之间的特征距离；根据每张所述第二历史晶圆分布图对应的特征距离、缺陷位置及所述晶圆分布图的缺陷位置，从所有所述第二历史晶圆分布图中，确定与所述晶圆分布图匹配的多张目标历史晶圆分布图。

57、作为一种可选的实施方式，在本发明第二方面，所述分析模块以所述晶圆分布图的融合特征所在特征节点为查询特征节点，对所述缺陷特征图中除该查询特征节点之外的每个所述特征节点执行相似度传播操作，得到每个所述特征节点的特征传播得分的具体方式，包括：

58、对于所述缺陷特征图中两两所述特征节点，计算两两所述特征节点的融合特征之间的特征相似度；对于任一两两所述特征节点，当对应的特征相似度大于等于预设特征相似度时，建立起两两所述特征节点之间的特征关联边；

59、根据两两所述特征节点之间的特征关联边及特征相似度，构建所述缺陷特征图的特征邻接权重矩阵及特征节点度矩阵；

60、根据所述缺陷特征图的特征邻接权重矩阵及特征节点度矩阵，以所述晶圆分布图的融合特征所在特征节点为查询特征节点，对所述缺陷特征图中除该查询特征节点之外的每个所述特征节点执行相似度传播操作，得到每个所述特征节点的特征传播得分。

61、作为一种可选的实施方式，在本发明第二方面，所述分析模块基于预先确定出的多个失效特征簇和每张所述第二历史晶圆分布图的失效类型，分析所述第二历史晶圆分布图的融合特征与所述晶圆分布图的融合特征之间的特征距离的具体方式，包括：

62、对于预先确定出的任一失效特征簇，计算所述晶圆分布图的融合特征与所述失效特征簇中心之间的簇距离；

63、根据每个所述失效特征簇对应的簇距离，从所有所述失效特征簇中，筛选簇距离排序在第二预设排名之前或者大于等于预设簇距离阈值的所有目标失效特征簇；

64、根据所有所述目标失效特征簇和每张所述第二历史晶圆分布图的失效类型，对所有所述第二历史晶圆分布图进行划分，得到每个所述目标失效特征簇对应的所有第二历史晶圆分布图；

65、对于任一所述目标失效特征簇对应的任一所述第二历史晶圆分布图，计算所述第二历史晶圆分布图的融合特征与所述晶圆分布图的融合特征之间的特征距离。

66、作为一种可选的实施方式，在本发明第二方面，所述装置还包括：

67、第二确定模块，用于确定每张所述第二历史晶圆分布图对应的量化补偿距离；

68、补偿模块，用于根据每张所述第二历史晶圆分布图对应的量化补偿距离，对其特征距离进行补偿，得到每张所述第二历史晶圆分布图的目标特征距离；

69、调整模块，用于根据每张所述第二历史晶圆分布图的目标特征距离及所有所述第二历史晶圆分布图的特征距离排序，调整所述特征距离排序，得到调整后的目标特征距离排序；其中，所述特征距离排序为所有所述第二历史晶圆分布图对应的特征距离由短到长的排序；

70、其中，所述分析模块根据每张所述第二历史晶圆分布图对应的特征距离、缺陷位置及所述晶圆分布图的缺陷位置，从所有所述第二历史晶圆分布图中，确定与所述晶圆分布图匹配的多张目标历史晶圆分布图的具体方式，包括：

71、根据每张所述第二历史晶圆分布图的批次、缺陷位置及所述目标特征距离排序、所述晶圆分布图的缺陷位置，从所有所述第二历史晶圆分布图中，筛选特征距离排序在第三预设排名之前的所有所述第二历史晶圆分布图，作为与所述晶圆分布图匹配的多张目标历史晶圆分布图。

72、作为一种可选的实施方式，在本发明第二方面，所述分析模块对所述晶圆分布图的图像特征、坐标特征及物理特征执行融合操作，得到所述晶圆分布图的融合特征的具体方式，包括：

73、分析所述晶圆分布图的图像数据，得到所述晶圆分布图的图像质量；分析所述晶圆分布图的坐标数据，得到所述晶圆分布图的空间拓扑质量；分析所述晶圆分布图的物理属性数据，得到所述晶圆分布图的物理区分质量，其中，所述物理区分质量用于表示所述晶圆分布图的物理属性数据对不同失效模式的区分能力；

74、根据所述晶圆分布图的图像质量、空间拓扑质量及物理区分质量，为所述晶圆分布图的图像特征、坐标特征及物理特征，分别设置对应的融合权重；

75、根据所述晶圆分布图的图像特征、坐标特征及物理特征各自对应的融合权重，对所述晶圆分布图的图像特征、坐标特征及物理特征执行融合操作，得到所述晶圆分布图的融合特征。

76、本发明第三方面公开了一种根因分析设备，所述根因分析设备包括：

77、存储有可执行程序代码的存储器；

78、与所述存储器耦合的处理器；

79、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面任一所述的方法中的部分或全部步骤。

80、本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面任一所述的方法中的部分或全部步骤。

81、与现有技术相比，本发明取得的意想不到的技术效果在于：

82、本发明实施例中，通过对存在电性失效裸片晶圆对应的分布图进行多模态特征分析及特征提取，得到同维度的图像特征、坐标特征及物理特征，并对三路特征执行融合操作得到融合特征；基于物理特征的哈希码汉明距离进行粗筛，利用物理哈希码快速剔除物理属性不同的历史晶圆分布图，将搜索范围从数万张缩减至千余张，再通过粗筛的历史晶圆分布图的融合特征及当前晶圆分布图的融合特征构建缺陷特征图，利用图结构中同类缺陷模式节点间的互相增强效应，并结合筛选出的历史晶圆分布图，自动匹配出与当前异常晶圆最为相似的多张目标历史晶圆分布图，降低了人工目视比对的主观性与漏检风险；再将每张目标历史晶圆分布图的异常根因结合其与晶圆分布图之间的相似度，分析晶圆分布图的异常根因，提高了晶圆异常根因的定位效率及准确性，从而有利于提高产线异常响应的速度，进而缩短工艺调试、生产周期，减少晶圆报废情况，提高晶圆的利用率。