Herausforderungen der Inspektion beim fortschrittlichen Packaging
Da sich die Halbleiterindustrie weiterhin auf immer stärker fortschreitende Miniaturisierung und zunehmend komplexe Strukturen konzentriert, stoßen herkömmliche Methoden der Fehleranalyse auf erhebliche technische Hürden. Insbesondere die Erkennung winziger Risse in Isolierschichten mit extrem niedriger Dielektrizitätskonstante (Extreme Low K) in Flip-Chip-Chips erweist sich als schwierig, da diese Komponenten intensiv in der fortschrittlichen Packaging-Technik in den Endfertigungsphasen (BEOL) eingesetzt werden.
Eine KI-basierte technische Lösung
Ein Forschungsteam aus Experten des Materials Center Leoben, der PVA TePla und der Advanced Semiconductor Engineering (ASE) hat ein technisches Forschungspapier veröffentlicht, das einen neuen, auf künstlicher Intelligenz basierenden Arbeitsablauf zur Verbesserung der Bildqualität der akustischen Mikroskopie (SAM) vorschlägt. Diese Innovation zielt darauf ab, das Problem sogenannter „weißer Höcker“ (White Bumps) zu lösen – Verbindungsmängel, die mit herkömmlichen Mitteln nur schwer zu erkennen sind.
Was ändert sich in der Praxis?
Die neue Technologie setzt auf KI-gestützte Bildverarbeitungsalgorithmen, um den Kontrast und die Klarheit der Ergebnisse der akustischen Mikroskopie zu verbessern. Diese Verbesserung beschränkt sich nicht nur auf eine klarere Darstellung, sondern trägt auch zu Folgendem bei:
- Erhöhung der Erkennungsgenauigkeit: Ingenieure werden befähigt, Risse und strukturelle Mängel zu identifizieren, die in herkömmlichen Bildern als unsichtbar oder unklar galten.
- Verbesserung der Packaging-Zuverlässigkeit: Die Wahrscheinlichkeit, dass fehlerhafte Chips die Produktionslinien verlassen, wird verringert, was die Effizienz der fortgeschrittenen Packaging-Prozesse erhöht.
- Unterstützung der Miniaturisierung: Es wird ein Inspektionswerkzeug bereitgestellt, das den physikalischen Herausforderungen durch nanoskalige Abmessungen in modernen Chips gewachsen ist.
Dieser Schritt ist Teil der kontinuierlichen Bemühungen der Industrie, Werkzeuge des maschinellen Lernens in die Qualitätskontrollprozesse zu integrieren. Dieser Ansatz ermöglicht es, die Abhängigkeit von menschlichen Einschätzungen bei der Interpretation komplexer Bilder zu verringern, wodurch die Fehlerquote in Hochgeschwindigkeits-Fertigungsumgebungen sinkt.