良率与缺陷密度：从 D0 推导良率模型，再算清每颗合格裸片的成本
更新时间：2026-09-25。入门篇 良率是什么 给出过一条直觉公式 Y≈e^(−A·D0)：裸片面积越大、缺陷密度越高，良率越低。那篇文章讲的是「是什么」，这一篇讲「为什么、怎么算」——从缺陷密度 D0 出发，把泊松（Poisson）、Murphy、Seeds、负二项（Negative Binomial）几类良率模型逐一推导一遍，说清它们各自假设缺陷怎样分布、适用什么产线；再沿着 一颗芯片的成本账 的思路，把 从沙子到硅片 进厂后的光刻层数、设备折旧和良率损失，折算成每颗合格裸片的成本，用工程数字解释为什么大芯片在良率上天然吃亏。
本文要回答的问题
- 缺陷密度 D0 的口径是什么？为什么「裸片面积 × 缺陷密度」能决定一颗芯片报废的概率？
- 泊松模型 Y=e^(−D0·A) 是怎么推出来的？Murphy、Seeds、负二项模型又分别修正了它的什么假设？
- 随机缺陷和系统缺陷有什么区别？为什么良率爬坡主要攻的是系统缺陷？
- 一片加工完毕的晶圆，成本由哪几块构成？光刻层数和设备折旧怎样摊进晶圆成本？
- 每颗合格裸片的成本公式是什么？为什么面积放大三倍，单颗成本可能贵出将近四倍？
一、两个基本量：缺陷密度 D0 与裸片面积 A
良率建模只需要两个输入量，但每一个都有讲究。
第一个量是缺陷密度 D0（defect density），单位通常是「颗致命缺陷每平方厘米」。注意三个限定词：它统计的是经过几百道工序累积下来、落在关键区域（critical area）内、并且足以导致功能失效的缺陷，而不是晶圆上所有尘埃和颗粒。检测仪器数出来的颗粒总数远大于 D0——大部分颗粒落在非关键区域、或者尺寸不足以断线，只有「致命」的那部分才进模型。成熟逻辑产线常引用的 D0 在 0.1~0.5 颗/cm² 量级，先进节点量产早期可能高出数倍。
第二个量是裸片面积 A（die area），单位 cm²。它决定了一颗芯片「摊开多大的靶子」去接随机掉落的缺陷。一颗 1cm² 的芯片和一颗 0.25cm² 的芯片相比，踩中同一颗随机缺陷的概率天然相差四倍。
两个量相乘，D0·A（文献里常记作 x）就是一颗裸片上的平均致命缺陷数。这是一个无量纲的期望值：它不必是整数，说的是统计平均。良率模型的全部分歧，就在于「这些缺陷在晶圆上按什么统计规律分布」——是完全均匀独立地撒落，还是会扎堆出现。
这里补一个工程上更精细的概念。严格说，「面积」并不是裸片的几何面积，而是关键区域：一颗缺陷要造成短路或断线，尺寸必须够大、位置必须够巧。颗粒太小桥接不上相邻金属线，位置偏远也碰不到图形，所以每一层的关键面积是缺陷尺寸的函数——缺陷尺寸有一个分布，落在「恰好致命」区间的那部分概率乘上几何面积，才积分出有效关键面积。工厂提供给设计者的 D0，实际上是把这套尺寸分布折算之后、按层给出的致命缺陷密度，多层累加得到总 D0。这也是为什么同样的尘埃水平下，线间距缩得越窄、关键面积反而越大：小颗粒在大间距时代无害，到了先进节点就足以桥接。理解这一层，就理解了「缩尺寸」与「良率」之间的拉扯。
二、泊松模型：从「一颗缺陷都不踩」推出良率
最朴素的假设：缺陷在晶圆表面完全独立、均匀随机地出现，单位面积平均 D0 颗。那么在面积为 A 的一颗裸片上出现 k 颗致命缺陷的概率服从泊松分布：
P(k) = (D0·A)^k · e^(−D0·A) / k!
合格裸片要求一颗致命缺陷都没有，即 k=0，代入立即得到：
Y = P(0) = e^(−D0·A)
这就是入门篇那条直觉公式的完整来历。它的物理含义是：良率随平均缺陷数 x=D0·A 指数衰减。面积越大、工艺越脏，良率掉得越快。
算例：取成熟产线 D0=0.2 颗/cm²。
- A=0.25cm²：x=0.05，Y=e^(−0.05)=95.1%
- A=0.5cm²：x=0.10，Y=e^(−0.10)=90.5%
- A=1.0cm²：x=0.20，Y=e^(−0.20)=81.9%
- A=1.5cm²：x=0.30，Y=e^(−0.30)=74.1%
- A=2.0cm²：x=0.40，Y=e^(−0.40)=67.0%
面积从 0.25 放大到 2cm²（八倍），良率从 95% 掉到 67%——注意良率不是线性掉，而是面积越大掉得越急。泊松模型形式最简单，适合做早期估算和小面积、低 x（x 远小于 1）的情形；但它有一个出名的毛病：预测偏悲观。实测产线上大面积芯片的良率往往比 e^(−D0·A) 高，原因是缺陷并非均匀独立，而是扎堆。
泊松推导还顺带给出了多层工艺的合成规律。若每一层各有平均缺陷数 λ_i=D0_i·A，且各层缺陷彼此独立，那么整体良率是各层良率逐层相乘：Y=∏e^(−λ_i)=e^(−Σλ_i)。也就是说，总平均缺陷数就是各层相加，光刻层数越多、层累积的 D0 越大，良率被「乘」得越低。这条性质对后面所有模型都成立，也是工艺工程师按层拆解良率损失、定位哪一层最「脏」的数学依据：哪一层的 λ_i 大，治理资源就投向哪里。
三、Murphy、Seeds 与负二项：缺陷会扎堆
真实晶圆上的缺陷有明显的聚集性：某片区域工艺状态差，缺陷成片出现；其余大片区域则干干净净。扎堆意味着「坏区里的 die 连片报废，好区里的 die 成片存活」——存活下来的好 die 比均匀分布假设预测的多。几类修正模型应运而生。
Murphy 模型假设不同区域的局部缺陷密度本身服从一个分布（经典取三角形分布），对泊松结果做积分平均，得到：
Y = [(1 − e^(−x)) / x]²，其中 x=D0·A
Seeds 模型给出更简单的修正形式：
Y = 1 / (1 + x)
**负二项模型（Negative Binomial，Stapper）**引入聚类参数 α（alpha，缺陷聚集程度的倒数：α 越小越扎堆），公式为：
Y = (1 + x/α)^(−α)
它有两个漂亮的极限：α→∞ 时退化为泊松模型（完全不聚集）；α=1 时恰好就是 Seeds 模型。量产拟合的 α 常见在 2~10 之间。
| 模型 | 良率公式（x=D0·A） | 对缺陷分布的假设 | 适用情形 |
|---|---|---|---|
| Poisson 泊松 | Y=e^(−x) | 完全均匀、彼此独立 | 早期估算、小面积 die、x≪1 |
| Murphy | Y=((1−e^(−x))/x)² | 局部 D0 服从三角形分布 | 中等面积、混合缺陷来源 |
| Seeds | Y=1/(1+x) | 缺陷聚集（等价 α=1） | 聚集明显的产线经验拟合 |
| 负二项 | Y=(1+x/α)^(−α) | 聚集程度由 α 调节 | 量产数据回拟，现代主流模型 |
几个模型在 x 很小时几乎重合（展开后前两项都是 1−x+x²/2…），分歧只在大面积、高缺陷时拉开。下图固定 D0、沿面积方向取四个采样点，横轴是 x=D0·A 增大的方向，纵向越靠上的曲线在同一面积下给出的良率越高。
读图抓两点：一是每条「曲线」都沿面积方向下行，x 到 2 时泊松只给 14% 的良率；二是越靠下的模型越悲观——忽视缺陷聚集会系统性低估大芯片的良率。工程上选模型不靠理论偏好，而靠晶圆图（wafer map）实测数据回拟：统计缺陷在空间上的聚集程度定 α，再让模型曲线贴合实测点。
四、随机缺陷与系统缺陷：指数曲线管不到的部分
良率损失还必须按成因拆成两类，因为它们的治理路径完全不同。
随机缺陷（random defects）：尘埃颗粒、光刻随机桥接、金属空洞等偶然事件，空间上随机或聚集出现，正是上面所有指数类模型描述的对象。它们由污染控制水平决定，降低靠洁净室与污染控制那一套：更高级别的洁净室、更频繁的颗粒监测、更稳的工艺窗口。
系统缺陷（systematic defects）：由设计与工艺的相互作用确定性地引发，比如某条版图规则在特定图形密度下必然断线、某类拐角在 CMP 后必然碟形凹陷。它们不是概率事件——只要设计踩中，同一种图形在每片晶圆的同一位置都坏。系统缺陷不服从任何 e^(−D0·A) 曲线，靠污染控制也救不回来，只能靠修改设计规则、做工艺感知的版图修正、或者工艺侧调窗口消除。
这个区分解释了良率爬坡在攻什么：新工艺量产早期，系统缺陷往往是良率的主要杀手，工程团队分析失效图样、定位是哪类图形、哪层工艺的问题，逐批改版消除，良率才快速爬升；系统问题清完后，残余的随机缺陷把良率托在一个渐近平台上，之后每提升一个点都要花更大力气压 D0。良率在工程上还会再细分为功能良率（逻辑完全正确）与参数良率（速度、漏电达标），后者由器件参数涨落造成，与 binning 分档直接相关。
参数良率值得多说一句，因为它和缺陷密度曲线无关，却同样在切走利润。刻蚀线宽、栅氧厚度、掺杂浓度都有正常的工艺涨落，落在边缘的 die 逻辑完全正确，却跑不到目标频率或漏电超标，在严格的型号标准下只能降档甚至报废。于是晶圆厂的真实做法是把「合格」定义成一组按售价排列的档位：高频 die 卖高价、中频 die 入中档、低速 die 配低功耗场景，统计意义上每一档都有一个分档良率。设计侧能做的，是在时序收敛时留出足够余量、用多 Vt 单元搭配降低对参数尾部的敏感度，让分布的主体都落进能出货的区间。功能良率决定 die 能不能卖，参数良率决定 die 卖多少钱——两个数字相乘才是产线的真实产出。
五、晶圆成本账：光刻层数、设备折旧与良率
要算单颗芯片成本，先算一片加工完毕的晶圆值多少钱。晶圆制造成本大致由四块构成。
其中最敏感的杠杆是光刻层数。成熟逻辑工艺约有 30~40 层掩模，先进节点超过 80 层；每增加一层关键光刻，就不止多一次曝光，还要连带配套的刻蚀、沉积、清洗，并多引入一层缺陷。各层缺陷率累积的方式与良率模型一致：单层存活概率逐层相乘，等价于把各层的平均缺陷数求和后再取指数，这也是 D0 随工艺复杂度上升的原因。
第二大杠杆是折旧。一座先进晶圆厂投资可达数百亿美元，一台 EUV 光刻机超过一亿美元；设备按年限折旧、厂务和人力按月支出，无论晶圆厂开工与否都在发生。于是晶圆成本强烈依赖产能利用率：同样的固定开支摊到满产的十万片上和摊到半产的五万片上，单片成本几乎相差一倍。这解释了成熟产线拼命追稼动率、新产线拼命爬产能的商业动机。工程估算中，一片加工完毕的 300mm 晶圆成本，成熟工艺常在一两千美元量级，先进节点可达数千至上万美元。
还有一笔与晶圆成本并列、但不按片发生的钱：掩模（光罩）成本。先进工艺一套掩模可达数百万至上千万美元，属于一次性 NRE，只随流片次数发生、不随产量增长。它必须除以总出货量摊销，所以同样一套掩模，出货一亿颗时每颗只摊几美分，出货十万颗时每颗要摊几十美元——这是小批量芯片不敢碰最先进工艺、以及多项目晶圆（MPW）拼单流片得以存在的直接原因。良率爬坡期间反复改版还要重做部分掩模，NRE 会进一步抬高。产品定义阶段就必须把预期出货量、工艺节点和良率曲线放在一起算账。
六、折算到每颗合格裸片：大芯片为什么吃亏
把图上的流程写成公式。一片晶圆能切出的裸片总数（GPDW），扣除边缘切不完整的废 die，工程上常用近似式：
N ≈ πd²/(4A) − πd/√(2A)
其中 d 是晶圆直径（300mm 晶圆 d=30cm），A 是裸片面积。第一项是纯面积除法，第二项修正边缘损失——面积越大，边缘损耗占比越小，但裸片总数本来就少。合格裸片数为 N·Y，于是：
每颗合格裸片成本 = Cw / (N · Y)
算例：300mm 晶圆，加工成本 Cw=3000 美元，D0=0.2 颗/cm²，良率取负二项 α=2。
| 裸片面积 A | 每片裸片数 N（含边缘修正） | 良率 Y | 合格裸片数 N·Y | 每颗合格裸片成本 |
|---|---|---|---|---|
| 0.5cm² | ≈1320 | 90.7% | ≈1197 | 2.51 美元 |
| 1.0cm² | ≈640 | 82.6% | ≈529 | 5.67 美元 |
| 1.5cm² | ≈417 | 75.6% | ≈315 | 9.52 美元 |
| 2.0cm² | ≈306 | 69.4% | ≈213 | 14.1 美元 |
数字把「大芯片吃亏」量化得很清楚。面积从 0.5 增到 2.0cm²，放大四倍，裸片数减少四倍，但每颗合格裸片成本从 2.51 美元涨到 14.1 美元，涨到 5.6 倍——多出来的 1.6 倍，全部是良率从 91% 掉到 69% 的惩罚。面积在公式里被除了两次：一次摊薄裸片数量，一次通过 D0·A 压低良率，这就是入门篇说的「双重杠杆」。
还要注意这只是晶圆侧成本。封装、测试、掩模（NRE，按总出货量摊销）另计；良率越低，测试报废的开销也越大，成本差距在成品端会进一步放大。
七、工程上怎样跟 D0 与面积搏斗
公式同时指明了四条发力方向，业界四条都在用：
- 压低 D0：升级洁净室、收紧颗粒与金属污染控制、稳定每道工序的窗口，把随机缺陷的基数降下来，这是成熟产线的日常；
- 消灭系统缺陷：通过失效分析改版设计规则、做可制造性设计（DFM），把良率爬坡曲线的平台抬高；
- 对面积下手：用 Chiplet 把一颗大 die 拆成几颗小 die 再在封装里拼合，让每颗 die 都享受小面积的高良率，代价是封装更复杂；在规整的 SRAM 阵列上做冗余修复、在性能分布上做 binning 分档，提高有效良率；
- 对聚类做文章：缺陷聚集参数 α 看似是产线的固有属性，但均匀性改进（气流、温度场、等离子体分布）能让缺陷更分散，在同样 D0 下把负二项良率往上推。
对芯片设计者而言，这一节的实用结论是：选型阶段就能用 Y=(1+D0·A/α)^(−α) 结合目标工艺的 D0 数据估算良率，在「面积换功能」和「面积换成本」之间提前算账，而不是等流片回来才发现 die 太大、良率撑不住售价。
这一篇在知识体系里的位置
- 想要良率的入门直觉（良率定义、良率爬坡、冗余与 binning 是什么）→ 良率是什么；
- 想从商业视角看成本公式的全貌（NRE、封装测试、定价）→ 一颗芯片的成本账；
- 想了解 D0 为什么能被压下来、随机缺陷从哪来 → 洁净室与污染控制 与 从沙子到硅片；
- 想理解光刻层数为什么是晶圆成本大头 → 光刻原理 与 CMOS 制造流程；
- 想看大 die 拆小的封装路径 → 良率入门篇中的 Chiplet 讨论。
总结
良率 缺陷密度模型的核心只有一个统计量 x=D0·A——裸片上的平均致命缺陷数：假设缺陷完全独立就得到泊松良率 Y=e^(−x)，承认缺陷扎堆则依次有 Murphy（((1−e^(−x))/x)²）、Seeds（1/(1+x)）和带聚类参数的负二项模型 Y=(1+x/α)^(−α)，α 越小缺陷越聚集、同面积下良率越高，模型选择靠晶圆实测数据回拟；随机缺陷靠污染控制压 D0，系统缺陷只能靠改版和工艺窗口消除，良率爬坡前期攻的主要是后者；晶圆成本由硅衬底、光刻（层数最多、EUV 设备极贵）、其他加工和折旧厂务构成，折算公式是每颗合格裸片成本 = Cw/(N·Y)——面积既减少每片裸片数又压低良率，算例中面积放大四倍、合格裸片成本却涨到 5.6 倍，这正是大芯片天然吃亏、业界用 Chiplet、冗余修复和 binning 分档挽回良率的根本原因。