Desafios de inspeção no empacotamento avançado
Com a contínua tendência da indústria de semicondutores em direção à miniaturização crescente e ao aumento da complexidade das estruturas arquitetônicas, os métodos tradicionais de análise de falhas enfrentam obstáculos técnicos significativos. Destaca-se particularmente a dificuldade de detectar microfissuras em camadas isolantes de baixa constante dielétrica (Extreme Low K) em chips "flip-chip", que são componentes amplamente utilizados na engenharia de empacotamento avançado nos estágios finais de fabricação (BEOL).
Uma solução técnica baseada em inteligência artificial
Uma equipe de pesquisa composta por especialistas do Materials Center Leoben, da empresa PVA TePla e da empresa Advanced Semiconductor Engineering (ASE) publicou um artigo técnico propondo um novo fluxo de trabalho baseado em inteligência artificial para melhorar a qualidade das imagens de microscopia acústica de varredura (SAM). Esta inovação visa resolver o problema conhecido como "saliências brancas" (White Bumps), que são defeitos de interconexão difíceis de detectar pelos meios tradicionais.
O que muda na prática?
A nova tecnologia baseia-se em algoritmos de processamento de imagem alimentados por inteligência artificial para aprimorar o contraste e a clareza nas saídas de microscopia acústica. Essa melhoria não se limita apenas a esclarecer a imagem, mas também contribui para:
- Aumentar a precisão da detecção: Permitir que os engenheiros identifiquem fissuras e defeitos estruturais que antes eram considerados invisíveis ou ambíguos nas imagens tradicionais.
- Melhorar a confiabilidade do empacotamento: Reduzir a probabilidade de chips defeituosos saírem das linhas de produção, aumentando assim a eficiência dos processos de empacotamento avançado.
- Apoiar a miniaturização: Fornecer uma ferramenta de inspeção capaz de acompanhar os desafios físicos impostos pelas dimensões em escala nanométrica nos chips modernos.
Esta medida faz parte dos esforços contínuos da indústria para integrar ferramentas de aprendizado de máquina nos processos de controle de qualidade, pois essa abordagem permite reduzir a dependência da estimativa humana na interpretação de imagens complexas, diminuindo assim a margem de erro em ambientes de fabricação de alta velocidade.