Um fim

Scientific Reports volume 13, Número do artigo: 9376 (2023) Citar este artigo

Detalhes das métricas

O avanço no campo da tecnologia de circuitos de integração 3D leva a novos desafios para avaliação de qualidade de interconexões, como por meio de vias de silício (TSVs), em termos de análise automatizada e eficiente em termos de tempo. Neste artigo, desenvolvemos um modelo de Rede Neural Convolucional (CNN) End-to-End totalmente automatizado e altamente eficiente, utilizando duas arquiteturas CNN ligadas sequencialmente, adequadas para classificar e localizar milhares de TSVs, bem como fornecer informações estatísticas. Em particular, geramos padrões de interferência dos TSVs conduzindo um conceito único de geração de imagens de Microscopia Acústica de Varredura (SAM). A Microscopia Eletrônica de Varredura (SEM) é usada para validar e também divulgar o padrão característico nas imagens SAM C-scan. Ao comparar o modelo com abordagens de aprendizado de máquina semiautomáticas, seu excelente desempenho é ilustrado, indicando uma precisão de localização e classificação de 100% e superior a 96%, respectivamente. A abordagem não se limita a dados de imagem SAM e apresenta um passo importante em direção a estratégias de defeito zero.

As técnicas baseadas em imagem são altamente importantes para análises modernas de falhas não destrutivas1 em vários campos, desde aeroespacial, inspeção de trilhos, engenharia civil, indústria automotiva, geração de energia até microeletrônica2. Os algoritmos de aprendizado de máquina (ML) fornecem novas oportunidades para uma análise de falha eficiente dos conjuntos de dados complexos gerados que anteriormente dependiam principalmente da experiência humana3. Recentemente, pesquisas foram conduzidas4,5,6,7 aplicando vários modelos de ML em componentes de integração 3D que são de grande interesse na indústria de microeletrônica. Essencial para a aplicação em um ambiente industrial são modelos totalmente automatizados, que não dependem necessariamente de recursos específicos de treinamento. Recentemente, o primeiro esforço foi feito para a aplicação de testes baseados em ML, conforme mostrado em 4,6,7. Aqui, principalmente abordagens semiautomáticas, foram demonstradas até agora. No entanto, tais abordagens carecem de aplicação para uma análise generalizada devido à definição de características específicas necessárias para o treinamento. Modelos ML semiautomáticos supervisionados como K—Nearest Neighbors (KNN) e um classificador Random Forest são usados, por exemplo, para detectar vazios em vias de silício (TSVs) processadas em componentes de circuito integrado 3D4. Como mostrado, por exemplo in4, tais modelos usam extração de recursos específicos para treinamento, como os dados do Simulador Estrutural de Alta Frequência (HFSS) para o vazio "TSV com" e "TSV sem". In6, uma abordagem semiautomática semelhante é usada para identificar falhas funcionais, incluindo circuitos abertos e curtos para TSVs. Ainda neste contexto, as redes neurais de regressão geral são discutidas em 7 para detectar defeitos em soldas usando SAM.

A Rede Neural Convolucional (CNN) é uma conhecida arquitetura de aprendizado profundo ML capaz de extrair recursos de vários níveis de uma imagem8. A principal vantagem da CNN reside na sua capacidade de reconhecer padrões ou características relevantes diretamente dos pixels brutos, explorando a correlação temporal e espacial nos dados sem nenhum pré-processamento complexo9,10. Ou seja, nenhuma definição prévia de recurso específico é necessária para abordagens baseadas em CNN. Recentemente, em5, um modelo baseado em CNN foi utilizado para prever a condição de uma única micro-saliência após o processo de refluxo com base em dados de imagem obtidos antes do processo de refluxo por tomografia de raios-X 3D.

A inspeção de falha moderna de TSVs exige caracterização econômica e de tempo de centenas ou até milhares de TSVs11,12 incluindo as informações estatísticas concomitantes, a localização e o status do TSV individual cobrindo toda a geometria com sua parte inferior e lateral, bem como a classificação da falha do TSV. Existem vários tipos de defeitos relacionados a TSVs, incluindo vazios resultantes de galvanoplastia13, delaminações decorrentes de incompatibilidade de expansão térmica14, rachaduras resultantes de tensão global no empenamento da matriz15 e assim por diante16,17. Para detectar tais defeitos, técnicas laboratoriais não automatizadas como Microscopia Eletrônica de Varredura (SEM), Tomografia Computadorizada por Raios X (XCT), Microscopia de Emissão (EMMI) ou técnicas automatizadas18,19 como Medidas Elétricas (EM), Microscopia Óptica Automática (AOM )20, e Microscopia Acústica de Varredura (SAM) são usados ​​principalmente20. Todas essas técnicas têm respectivas vantagens, bem como desvantagens que restringem suas aplicações. Por exemplo, o EM apresenta um método rápido e comum, porém não consegue localizar a falha dentro dos TSVs20,21. AOM é principalmente adequado para detectar defeitos de fundo20,22, mas falha para defeitos na parede lateral. O SEM fornece dados de imagem de alta resolução para a parede lateral e a parte inferior dos TSVs. No entanto, este último é inadequado para inspeção de alto rendimento e inelegível para fornecer informações estatísticas, devido à aquisição de dados muito demorada23,24. μ-XCT ou microscopia de raios-X (XRM) apresentam limitações em relação aos longos tempos de varredura necessários para obter resolução suficiente e produção estatística5,15,25,26. A EMMI só detecta defeitos com assinatura elétrica e falha na detecção de defeitos sem assinatura elétrica27. A microscopia acústica de varredura (SAM) apresenta uma técnica não destrutiva28 capaz de caracterizar grandes áreas com economia de tempo e custo no campo da microeletrônica29. No entanto, o principal desafio deste método reside na resolução e contraste limitados, bem como no pós-processamento do conjunto de dados de imagem gerado, nomeadamente extrair conhecimento eficiente sobre a localização da falha individual, mas também sobre a distribuição estatística do falhas dentro da matriz, incluindo o tipo da classe de defeito. Isso requer, em geral, uma inspeção manual cuidadosa dos dados de imagem coletados. Tal inspeção manual depende muito da experiência do usuário humano, é, portanto, subjetiva e, além disso, propensa a erros.