西门子 EDA 论坛报告：聚焦 SONR 与 SDPAL 的良率提升实践

本文整理 2025 年 8 月 28 日西门子 EDA 论坛的参会内容，重点关注 Siemens 如何利用 AI 与机器学习驱动的 Tessent DDYA、Calibre SONR 和 Calibre SDPAL 方案，诊断、预测并定位半导体缺陷。

内容摘要

现代半导体制造中的良率损失正在发生变化。随着工艺节点缩减到 7nm 以下，系统性缺陷已取代随机缺陷，成为导致良率下降的主要原因。即使在成熟工艺中，系统性缺陷占比也常常超过 60%。

传统失效分析（Failure Analysis, FA）方法通常耗时过长，可能需要数周甚至数月，并且缺乏必要的定位分辨率。

西门子展示了一套利用机器学习和人工智能克服这些挑战的 EDA 工具，核心包括：

1. Tessent DDYA：用于高分辨率诊断扫描测试失效的平台。结合机器学习技术 RCD / RCAD 后，可快速识别大批量失效芯片的根因。
2. Calibre SONR：从传统图形匹配转向基于特征的机器学习方法，学习导致缺陷的底层几何和工艺特征，从而预测新的失效模式。
3. Calibre SDPAL：系统性缺陷图形分析与定位引擎，可提升缺陷物理坐标定位能力，加速失效分析。

Tessent 诊断驱动良率分析（DDYA）

演讲第一部分重点介绍如何提高缺陷诊断分辨率，并基于海量数据进行根因分析。

诊断面临的挑战

1. 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。
2. 分辨率瓶颈：电子束探测等物理分析手段难以精确定位缺陷。
3. 复杂失效模式：与电源域或全局信号相关的先进问题更难诊断。

Tessent DDYA 技术

技术	作用
单元感知诊断	能够诊断标准单元内部缺陷。其 PFA 命中率在从 160nm 到 3nm 的多个节点上超过 90%。对于复杂多比特扫描单元，可将可疑区域缩小多达 20 倍。
全局控制诊断	约 30% 的多扫描链失效案例由全局控制信号，如时钟，上的缺陷引起。该技术能识别导致失效的公共信号路径。
扫描链诊断	提升扫描链诊断分辨率，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 成功将其归因于时钟信号上的一个缺陷，后续 PFA 在预测位置发现了开路缺陷。

基于特征的机器学习缺陷预测与定位

演讲后半部分转向更先进的、基于特征的机器学习方法，用于主动预测缺陷。

基于图形 vs 基于特征

方法	说明	局限或优势
基于图形的匹配（PM）	寻找与已知缺陷精确或模糊匹配的图形。	只能找到已知问题，会错过根因相同但外观不同的新图形。
基于特征的技术	将版图分解为基本特征，由模型学习导致缺陷的关键特征组合。	可识别从未见过但可能失效的新图形。

Calibre SONR：基于特征的机器学习平台

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

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，并在设计流程早期通过稳健图形替换脆弱图形。演讲展示了单层和多层缺陷预测示例，其中基于特征的方法发现了传统 PM 未能捕获的新关键图形。

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

诊断可以识别失效网络，但通常无法指出该网络上失效的确切物理坐标。Calibre SDPAL 正是为解决这个问题而生。

SDPAL 解决的问题	SDPAL 解决方案

SDPAL 使用 AI/ML 引擎，将版图和诊断报告作为输入，定位有问题的版图图形。这可以加速失效分析，使团队在等待 FA 结果之前就修复下一个设计版本。

SDPAL 结果展示 1	SDPAL 结果展示 2

结论

西门子 EDA 流程的优势在于多工具协同，形成一个集成的、智能的数据驱动生态系统。

1. Tessent DDYA 流程：实现高分辨率扫描链诊断，并利用机器学习从海量诊断数据中分析根因。
2. Calibre SONR：通过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：利用 AI/ML 识别失效图形并定位其物理坐标，加速失效分析。

这些工具共同帮助半导体公司应对先进节点制造复杂性，加速良率爬坡，并提升整体产品质量。