Una fine

Rapporti scientifici volume 13, numero articolo: 9376 (2023) Citare questo articolo

Dettagli sulle metriche

Il progresso nel campo della tecnologia dei circuiti di integrazione 3D porta a nuove sfide per la valutazione della qualità delle interconnessioni come i through silicon vias (TSV) in termini di analisi automatizzate ed efficienti in termini di tempo. In questo documento, sviluppiamo un modello di rete neurale convoluzionale end-to-end (CNN) completamente automatizzato e ad alta efficienza, utilizzando due architetture CNN collegate sequenzialmente, adatte a classificare e localizzare migliaia di TSV oltre a fornire informazioni statistiche. In particolare, generiamo modelli di interferenza dei TSV conducendo un concetto unico di imaging SAM (microscopia acustica a scansione). La microscopia elettronica a scansione (SEM) viene utilizzata per convalidare e anche rivelare il modello caratteristico nelle immagini C-scan SAM. Confrontando il modello con approcci di machine learning semi-automatizzati vengono illustrate le sue eccezionali prestazioni, che indicano una precisione di localizzazione e classificazione rispettivamente del 100% e superiore al 96%. L'approccio non si limita ai dati delle immagini SAM e rappresenta un passo importante verso strategie zero-difetto.

Le tecniche basate sull'imaging sono estremamente importanti per la moderna analisi non distruttiva dei guasti1 in vari campi che vanno dall'aerospaziale, all'ispezione dei binari ferroviari, all'ingegneria civile, all'industria automobilistica, alla produzione di energia alla microelettronica2. Gli algoritmi di Machine Learning (ML) offrono nuove opportunità per un'efficiente analisi dei guasti dei complessi set di dati generati che in precedenza si basavano principalmente sulla competenza umana3. Recentemente, sono state condotte ricerche4,5,6,7 applicando vari modelli ML in componenti di integrazione 3D che godono di grande interesse nell'industria microelettronica. Essenziali per l'applicazione in un ambiente industriale sono i modelli completamente automatizzati, che non si basano necessariamente su funzionalità di formazione specifiche. Recentemente è stato fatto il primo sforzo per l'applicazione di test basati su ML, come mostrato in 4,6,7. Finora sono stati dimostrati principalmente approcci semi-automatizzati. Tuttavia, tali approcci non trovano applicazione in un'analisi generalizzata a causa della necessaria definizione di caratteristiche specifiche per la formazione. Modelli ML semiautomatici supervisionati come K—Nearest Neighbours (KNN) e un classificatore Random Forest vengono utilizzati, ad esempio, per rilevare vuoti nei through silicon vias (TSV) elaborati nei componenti di circuiti integrati 3D4. Come mostrato, ad esempio, in4, tali modelli utilizzano l'estrazione di funzionalità specifiche per l'addestramento, come i dati del simulatore strutturale ad alta frequenza (HFSS) per il vuoto "TSV con" e "TSV senza". In6 viene utilizzato un approccio semiautomatico simile per identificare i guasti funzionali, inclusi circuiti aperti e cortocircuiti, per i TSV. Inoltre in questo contesto vengono discusse le reti neurali di regressione generale7 per rilevare difetti nelle saldature utilizzando SAM.

La Convolutional Neural Network (CNN) è una nota architettura ML di deep learning in grado di estrarre funzionalità multi-livello da un'immagine8. Il vantaggio principale della CNN risiede nella sua capacità di riconoscere modelli o caratteristiche rilevanti direttamente dai pixel grezzi esplorando la correlazione temporale e spaziale nei dati senza alcuna complessa pre-elaborazione9,10. Cioè, non è necessaria alcuna definizione preliminare di caratteristiche specifiche per gli approcci basati sulla CNN. Recentemente in5, un modello basato sulla CNN è stato utilizzato per prevedere la condizione di un singolo micro-protuberanza dopo il processo di riflusso sulla base di dati di immagine acquisiti prima del processo di riflusso mediante tomografia a raggi X 3D.

La moderna ispezione dei guasti dei TSV richiede una caratterizzazione efficiente in termini di costi e tempo di centinaia o addirittura migliaia di TSV11,12 comprese le informazioni statistiche concomitanti, la localizzazione e lo stato del singolo TSV che copre l'intera geometria con il suo fondo e pareti laterali, nonché la classificazione del fallimento del TSV. Esistono vari tipi di difetti correlati ai TSV, inclusi vuoti risultanti dalla galvanoplastica13, delaminazioni derivanti dalla mancata corrispondenza dell'espansione termica14, crepe risultanti dallo stress globale nella deformazione dello stampo15 e così via16,17. Per rilevare tali difetti, tecniche di laboratori non automatizzati come la microscopia elettronica a scansione (SEM), la tomografia computerizzata a raggi X (XCT), la microscopia a emissione (EMMI) o tecniche automatizzate18,19 come le misurazioni elettriche (EM), la microscopia ottica automatica (AOM) )20 e la microscopia acustica a scansione (SAM) sono utilizzate principalmente20. Tutte queste tecniche presentano rispettivi vantaggi e svantaggi che ne limitano le applicazioni. Ad esempio, EM mostra un metodo veloce e comune, ma non riesce a localizzare il guasto all'interno dei TSV20,21. L'AOM è principalmente adatta a rilevare i difetti del fondo20,22 ma non riesce a rilevare i difetti sui fianchi. Il SEM fornisce dati di immagine ad alta risoluzione per la parete laterale e il fondo dei TSV. Tuttavia, quest’ultimo è inadeguato per l’ispezione ad alto rendimento e non idoneo a fornire informazioni statistiche, a causa dell’acquisizione dei dati che richiede molto tempo23,24. La microscopia μ-XCT o ​​a raggi X (XRM) mostra limitazioni rispetto ai lunghi tempi di scansione necessari per ottenere una risoluzione e un output statistico sufficienti5,15,25,26. L'EMMI può rilevare solo i difetti con una firma elettrica e non riesce a rilevare i difetti senza alcuna firma elettrica27. La microscopia acustica a scansione (SAM) rappresenta una tecnica non distruttiva28 in grado di caratterizzare vaste aree in modo efficiente in termini di tempo e costi nel campo della microelettronica29. Tuttavia, la sfida principale di questo metodo risiede nella risoluzione e nel contrasto limitati, nonché nella post-elaborazione del set di dati dell'immagine generata, ovvero nell'estrazione efficiente di conoscenze sulla posizione del singolo guasto ma anche sulla distribuzione statistica del guasto errori all'interno dell'array incluso il tipo della classe del difetto. Ciò richiede in generale un'attenta ispezione manuale dei dati immagine raccolti. Tale controllo manuale dipende fortemente dall'esperienza dell'utente umano, è quindi soggettivo e inoltre soggetto ad errori.