Конец

Научные отчеты, том 13, Номер статьи: 9376 (2023) Цитировать эту статью

Подробности о метриках

Прогресс в области технологии 3D-интегральных схем приводит к появлению новых задач по оценке качества межсоединений, например, через кремниевые переходные отверстия (TSV), с точки зрения автоматизированного и эффективного по времени анализа. В этой статье мы разрабатываем полностью автоматизированную высокоэффективную модель сквозной сверточной нейронной сети (CNN), используя две последовательно связанные архитектуры CNN, подходящие для классификации и определения местоположения тысяч TSV, а также для предоставления статистической информации. В частности, мы генерируем интерференционные картины TSV, используя уникальную концепцию визуализации сканирующей акустической микроскопии (SAM). Сканирующая электронная микроскопия (СЭМ) используется для проверки, а также выявления характерной картины на изображениях C-скана SAM. Сравнивая модель с подходами полуавтоматического машинного обучения, можно проиллюстрировать ее выдающуюся производительность, что указывает на точность локализации и классификации 100% и более 96% соответственно. Этот подход не ограничивается данными SAM-изображений и представляет собой важный шаг на пути к стратегии нулевого дефекта.

Методы, основанные на визуализации, очень важны для современного неразрушающего анализа отказов1 в различных областях: от аэрокосмической отрасли, контроля железнодорожных путей, гражданского строительства, автомобильной промышленности, энергетики до микроэлектроники2. Алгоритмы машинного обучения (ML) открывают новые возможности для эффективного анализа сбоев созданных сложных наборов данных, которые раньше полагались в основном на человеческий опыт3. Недавно были проведены исследования4,5,6,7 с использованием различных моделей машинного обучения в компонентах трехмерной интеграции, которые пользуются большим интересом в отрасли микроэлектроники. Для применения в промышленной среде необходимы полностью автоматизированные модели, которые не обязательно зависят от конкретных функций обучения. Недавно были предприняты первые попытки применить тестирование на основе машинного обучения, как показано в 4,6,7. Здесь до сих пор были продемонстрированы в основном полуавтоматические подходы. Однако такие подходы не применимы для обобщенного анализа из-за необходимости определения особенностей обучения. Контролируемые полуавтоматические модели машинного обучения, такие как K-Nearest Neighbours (KNN) и классификатор случайного леса, используются, например, для обнаружения пустот в кремниевых переходных отверстиях (TSV), обработанных в компонентах трехмерных интегральных схем4. Как показано, например, в 4, такие модели используют извлечение определенных признаков для обучения, например, данные высокочастотного структурного симулятора (HFSS) для пустот «TSV с» и «TSV без». В версии 6 используется аналогичный полуавтоматический подход для выявления функциональных неисправностей, включая обрывы и короткие замыкания для TSV. Далее в этом контексте обсуждаются общие регрессионные нейронные сети в7 для обнаружения дефектов припоев с использованием SAM.

Сверточная нейронная сеть (CNN) — это известная архитектура машинного обучения с глубоким обучением, способная извлекать многоуровневые функции из изображения8. Основное преимущество CNN заключается в ее способности распознавать закономерности или соответствующие функции непосредственно по необработанным пикселям, исследуя временную и пространственную корреляцию данных без какой-либо сложной предварительной обработки9,10. То есть для подходов на основе CNN не требуется предварительного определения конкретных функций. Недавно в5 модель на основе CNN была использована для прогнозирования состояния одного микровыпучка после процесса оплавления на основе данных изображения, полученных перед процессом оплавления с помощью 3D рентгеновской томографии.

Современный контроль отказов TSV требует экономичного и эффективного определения характеристик сотен или даже тысяч TSV11,12, включая сопутствующую статистическую информацию, локализацию и состояние отдельного TSV, охватывающую всю геометрию с его днищем и боковыми стенками, а также классификация отказов ТСВ. Существуют различные типы дефектов, связанных с TSV, включая пустоты, возникающие в результате гальванопокрытия13, расслоения, возникающие из-за несоответствия температурного расширения14, трещины, возникающие в результате глобального напряжения в короблении штампа15 и так далее16,17. Для обнаружения таких дефектов используются неавтоматизированные лабораторные методы, такие как сканирующая электронная микроскопия (SEM), рентгеновская компьютерная томография (XCT), эмиссионная микроскопия (EMMI) или автоматизированные методы18,19, такие как электрические измерения (ЭМ), автоматическая оптическая микроскопия (АОМ). )20 и в основном используются сканирующая акустическая микроскопия (SAM)20. Все эти методы имеют как преимущества, так и недостатки, что ограничивает их применение. Например, EM демонстрирует быстрый и распространенный метод, однако не может локализовать сбой в TSV20,21. АОМ в основном подходит для обнаружения дефектов днища20,22, но не подходит для обнаружения дефектов боковины. СЭМ предоставляет данные изображения высокого разрешения для боковой стенки и нижней части TSV. Тем не менее, последний не подходит для высокопроизводительного контроля и не позволяет предоставлять статистическую информацию из-за очень трудоемкого сбора данных23,24. μ-XCT или рентгеновская микроскопия (XRM) имеют ограничения в отношении необходимого длительного времени сканирования для получения достаточного разрешения и статистических результатов5,15,25,26. EMMI может обнаруживать дефекты только по электрической сигнатуре и не может обнаружить дефекты без какой-либо электрической сигнатуры27. Сканирующая акустическая микроскопия (SAM) представляет собой неразрушающий метод28, способный с минимальными затратами и временем характеризовать большие области в области микроэлектроники29. Тем не менее, основная проблема этого метода заключается в ограниченном разрешении и контрастности, а также в постобработке сгенерированного набора данных изображения, а именно в эффективном извлечении информации о месте отдельного отказа, а также о статистическом распределении сбои в массиве, включая тип класса дефекта. Обычно это требует тщательной ручной проверки собранных данных изображения. Такая проверка вручную во многом зависит от опыта пользователя, поэтому является субъективной и, кроме того, подвержена ошибкам.