基于机器学习的可寻址WAT良率诊断方法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.1.1 集成电路发展概况 | 第13-14页 |
| 1.1.2 集成电路良率问题 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 使用晶圆测试数据进行良率分析 | 第15-18页 |
| 1.2.2 使用晶圆箱图进行良率分析 | 第18-20页 |
| 1.2.3 使用版图热点检测提升良率 | 第20页 |
| 1.3 研究内容 | 第20-21页 |
| 1.4 论文结构 | 第21-22页 |
| 1.5 本章小结 | 第22-23页 |
| 第2章 随机森林算法原理 | 第23-32页 |
| 2.1 概述 | 第23页 |
| 2.2 集成学习 | 第23-26页 |
| 2.2.1 装袋 | 第24-25页 |
| 2.2.2 提升 | 第25-26页 |
| 2.3 决策树 | 第26-28页 |
| 2.3.1 概述 | 第26页 |
| 2.3.2 决策树的构建 | 第26-28页 |
| 2.3.3 剪枝 | 第28页 |
| 2.4 随机森林 | 第28-30页 |
| 2.5 不平衡数据集 | 第30-31页 |
| 2.5.1 重采样 | 第30页 |
| 2.5.2 代价敏感 | 第30页 |
| 2.5.3 不平衡数据集分类评价指标 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 晶圆允收测试 | 第32-41页 |
| 3.1 概述 | 第32页 |
| 3.2 测试结构 | 第32页 |
| 3.3 测试芯片 | 第32-34页 |
| 3.3.1 测试芯片的部署 | 第33页 |
| 3.3.2 可寻址测试芯片 | 第33-34页 |
| 3.4 利用可寻址WAT测试数据进行良率诊断 | 第34-40页 |
| 3.4.1 测试数据 | 第35-36页 |
| 3.4.2 使用多维分析方法进行良率诊断 | 第36-38页 |
| 3.4.3 使用决策树算法进行良率诊断 | 第38-40页 |
| 3.4.4 现有方法的不足 | 第40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于随机森林的可寻址WAT良率诊断方法 | 第41-53页 |
| 4.1 概述 | 第41页 |
| 4.2 数据准备与预处理 | 第41-43页 |
| 4.3 特征工程 | 第43-45页 |
| 4.4 重采样 | 第45页 |
| 4.5 建立分类模型 | 第45-46页 |
| 4.6 规则提取 | 第46-52页 |
| 4.6.1 基于规则的分类器 | 第46-48页 |
| 4.6.2 从随机森林模型中提取分类规则 | 第48-51页 |
| 4.6.3 将规则转换为可理解的信息 | 第51-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第5章 实验结果与分析 | 第53-62页 |
| 5.1 数据集描述 | 第53页 |
| 5.2 类别不平衡问题对分类性能的影响 | 第53-55页 |
| 5.3 分类器训练结果 | 第55-57页 |
| 5.4 规则提取结果 | 第57-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 论文研究工作总结 | 第62-63页 |
| 6.2 后续工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者简历 | 第68-69页 |
| 作者攻读硕士学位期间发表的论文 | 第69页 |
