5.2 良率预测与冗余设计

5.2 良率预测与冗余设计

本节摘要：良率（造出来的芯片里能用的比例）不是制造厂的独角戏——版图的几何形状直接决定随机缺陷的命中概率，设计决策提前锁定了良率的上限。本节建立泊松良率模型与关键面积方法，拆解存储器冗余修复的完整账目，并给出良率学习曲线的工程视角。读完你会把"良率"从黑盒数字变成可设计、可优化、可归因的工程量。

一颗尘埃值多少钱：良率的经济学起点

先感受数字。一块 300 毫米晶圆上切出几百颗先进工艺芯片，若良率 50%，等于每颗成品芯片替报废芯片垫付了全部成本——先进节点流片一次上千万美元、晶圆单价上万美元，良率每差十个点，单颗成本变化可达两成。良率因此不是"制造质量指标"而是产品经济性的第一变量，而它恰恰强烈依赖设计：缺陷是随机的尘埃与工艺漂移，但"缺陷落在什么上会致命"完全由版图决定。同样的缺陷密度，布线稀疏的模块可能毫发无损，布线密集的模块一击致命。设计的责任由此延伸到概率领域：让随机缺陷尽量落在不致命的位置。

泊松模型：良率的第一近似

随机缺陷的经典模型是泊松分布：若芯片面积为 A、单位面积平均缺陷数为 D（缺陷密度），芯片上出现 k 个缺陷的概率服从泊松分布，零缺陷概率即良率 Y = e^(−AD)。这个简洁公式的推论值得逐条咀嚼。其一，良率对 AD 呈指数衰减——缺陷密度翻倍，良率不止腰斩（例如 AD 从 0.5 降到 0.25，良率从 61% 升到 78%），良率战中"降一点缺陷密度"的收益是非线性放大的。其二，公式里的 A 不是几何面积而是关键面积（critical area）：对给定尺寸的缺陷，只有"缺陷落下去会造成断路或短路的位置"计入有效面积。缺陷尺寸分布加权后的关键面积积分，才是真正进入指数的量。这就是设计侧的杠杆：降低关键面积（加大间距、避免长并行窄线、冗余化敏感结构）等效于降低缺陷密度，而前者完全可控。

良率模型的三级精度

一级 泊松:  Y = e ^ (-A 关键 乘 D)          保守下界（假设缺陷独立均匀）
二级 负二项: Y = (1 + A D / c) ^ (-c)       引入聚集参数 c，c 越大缺陷越扎堆
三级 蒙特卡罗: 按缺陷尺寸分布随机撒缺陷      支持版图级归因（哪个网最脆弱）
            在版图上判命中 → 统计良率与敏感点清单
工程用法: 一级做预算速算，二级做产线拟合，三级做设计归因
​

关键面积：把良率算回版图上

关键面积的计算是几何问题，与 3.2 节的形态学框架同源。断路关键面积：对宽度为 w 的缺陷，一条金属线在缺陷直径横跨线宽处会断——线越宽越不容易断，断路关键面积随线宽增大而下降。短路关键面积：两条间距 s 的平行线，缺陷横跨间距处会桥接——间距越大短路关键面积越小。把所有层的两类关键面积按缺陷尺寸分布（典型分布峰值在几十纳米）加权求和，得到整片版图的"暴露度"。工程工具（良率分析类产品）的输出因此是一张脆弱点清单：哪些网在哪个尺寸档的缺陷下会断、哪对相邻线最容易被桥接。这份清单直接驱动三个动作：布线时对脆弱网自动加间距（选择性扩距比全图扩距便宜得多）、对关键网引入冗余路径、对热点区域重新分配布线资源。良率优化由此变成一次"概率感知的再布局布线"。

冗余修复：存储器的良率救生圈

随机逻辑的缺陷=报废，但存储器发明了另一条路：用冗余换良率。DRAM 与 SRAM 阵列在设计中就预留了备用行与备用列（典型比例百分之几）；测试发现坏单元后，用激光或电熔丝把坏行坏列的地址重映射到备用资源，芯片照常出厂。这笔账值得算一遍：设某存储器有 512 列、备用 8 列、单元缺陷随机独立分布，泊松参数 AD 取 4（无冗余良率 e 的负 4 次方约 1.8%，几乎全灭）；带 8 列冗余时，良率变成"坏列数不超过 8 的概率"，即泊松分布前 9 项之和约 97.9%。8 列冗余把良率从 1.8% 拉到 97.9%——这是半导体工业里性价比最高的一笔工程投资。代价是面积（百分之几）、测试与修复成本（激光修复设备与工时）、以及地址重映射后的时序局部变化（备用列的走线更长）。

良率学习：把时间轴拉进来

良率在量产初期很低，随缺陷源逐个排除而爬坡——这条良率学习曲线是每代工艺的真实写照，典型节奏是量产半年内从两三成爬到七八成。学习曲线对设计的启示有二。其一，早期良率阶段的侥幸结构：设计中内置的测试结构与修复冗余，决定爬坡期有多少"报废"可以救回来——可测性设计（DFT）的扫描链与内建自测试让缺陷定位到具体单元，与冗余修复形成闭环。其二，良率归因的逆向使用：量产良率数据（哪些芯片坏、坏在哪）回传给设计侧做热点分析，与 5.1 节的工艺模型一起构成 DFM 的反馈环。第 7 章的 AI for EDA 会看到，这批数据如今正是机器学习良率预测模型的训练燃料——良率经营从经验手艺走向数据科学，链条的下一环已经在那里。

把良率思维推到系统级再看一眼：多芯粒系统（7.3 节预告）里，"已知好 die"（KGD，Known Good Die）问题就是良率经营的新形态——拼装前每个芯粒必须单独测到足够置信度，否则一颗坏芯粒毁掉整个封装（封装成本远高于单颗裸片）。测试覆盖率与拼装良率之间出现了新的定价关系：测得多，筛得准，但测试成本上升；测得少，拼装返工率上升。这个权衡是 5.2 节泊松模型与冗余思想在系统层的直接续写，也再次验证本节的标题判断：良率是可以被设计的。

本节要点回顾

• 良率即经济性：良率差十个点，单颗成本变化两成量级，且上限被设计提前锁定。
• 泊松公式：Y = e 的负 AD 次方，指数衰减使每一点缺陷密度改善被非线性放大。
• 关键面积：几何可算、随间距线宽变化，是把良率责任交回设计侧的概念桥梁。
• 脆弱点清单：良率分析的输出驱动选择性扩距、冗余路径与布线资源重分配。
• 冗余救生圈：8 列冗余把 AD 为 4 的存储良率从 1.8% 拉到 97.9%，性价比之王。
• 学习曲线双启示：DFT 与冗余救爬坡期，量产数据逆向归因构成 DFM 反馈环。