Проблемы инспекции при передовом корпусировании
Поскольку индустрия полупроводников продолжает двигаться в сторону дальнейшей миниатюризации и усложнения структурных архитектур, традиционные методы анализа отказов сталкиваются со значительными техническими препятствиями. Особую сложность представляет обнаружение микротрещин в слоях изоляции с ультранизкой диэлектрической проницаемостью (Extreme Low K) в чипах типа Flip-Chip, которые интенсивно используются в передовой инженерии корпусирования на этапах бэкенда производства (BEOL).
Техническое решение на основе искусственного интеллекта
Исследовательская группа, в состав которой вошли эксперты из Materials Center Leoben, PVA TePla и Advanced Semiconductor Engineering (ASE), опубликовала технический документ, предлагающий новый рабочий процесс на основе искусственного интеллекта для улучшения качества изображений сканирующей акустической микроскопии (SAM). Это нововведение направлено на решение проблемы так называемых белых бугорков (White Bumps) — дефектов межсоединений, которые трудно обнаружить традиционными методами.
Что меняется на практике?
Новая технология опирается на алгоритмы обработки изображений с поддержкой искусственного интеллекта для повышения контрастности и четкости результатов акустической микроскопии. Это улучшение не ограничивается простым уточнением изображения, а способствует:
- Повышению точности обнаружения: предоставлению инженерам возможности выявлять трещины и структурные дефекты, которые считались невидимыми или неясными на традиционных изображениях.
- Повышению надежности корпусирования: снижению вероятности попадания дефектных чипов с производственных линий, что повышает эффективность процессов передового корпусирования.
- Поддержке миниатюризации: предоставлению инструмента инспекции, способного справляться с физическими трудностями, навязываемыми нанометровыми размерами в современных чипах.
Этот шаг является частью постоянных усилий промышленности по интеграции инструментов машинного обучения в процессы контроля качества. Данный подход позволяет снизить зависимость от человеческого фактора при интерпретации сложных изображений, что уменьшает погрешность в условиях высокоскоростного производства.