Défis d'inspection dans le boîtier avancé
Alors que l'industrie des semi-conducteurs poursuit sa tendance à la miniaturisation croissante et à la complexité accrue des structures, les méthodes traditionnelles d'analyse des défaillances se heurtent à d'importants obstacles techniques. La difficulté à détecter les micro-fissures dans les couches isolantes à faible constante diélectrique (Extreme Low K) des puces "flip-chip" se révèle particulièrement marquante, ces composants étant largement utilisés dans l'ingénierie des boîtiers avancés lors des étapes de fabrication de fin de ligne (BEOL).
Une solution technique basée sur l'intelligence artificielle
Une équipe de recherche comprenant des experts de Materials Center Leoben, de la société PVA TePla et de l'entreprise Advanced Semiconductor Engineering (ASE) a publié un article technique proposant un nouveau flux de travail basé sur l'intelligence artificielle pour améliorer la qualité des images de microscopie acoustique (SAM). Cette innovation vise à résoudre le problème des "bosses blanches" (White Bumps), qui sont des défauts d'interconnexion difficiles à repérer par les moyens traditionnels.
Qu'est-ce qui change concrètement ?
La nouvelle technologie repose sur des algorithmes de traitement d'image soutenus par l'intelligence artificielle pour améliorer le contraste et la clarté des résultats de la microscopie acoustique. Cette amélioration ne se limite pas à une simple clarification de l'image, mais contribue également à :
- Augmenter la précision de détection : Permettre aux ingénieurs d'identifier les fissures et les défauts structurels considérés auparavant comme invisibles ou ambigus sur les images traditionnelles.
- Améliorer la fiabilité du boîtier : Réduire la probabilité que des puces défectueuses sortent des lignes de production, ce qui accroît l'efficacité des processus de boîtier avancé.
- Soutenir la miniaturisation : Fournir un outil d'inspection capable de faire face aux défis physiques imposés par les dimensions nanométriques des puces modernes.
Cette étape s'inscrit dans le cadre des efforts constants de l'industrie pour intégrer des outils d'apprentissage automatique dans les processus de contrôle qualité, cette approche permettant de réduire la dépendance à l'égard de l'estimation humaine dans l'interprétation d'images complexes, réduisant ainsi la marge d'erreur dans les environnements de fabrication à grande vitesse.