끝

Scientific Reports 13권, 기사 번호: 9376(2023) 이 기사 인용

측정항목 세부정보

3D 통합 회로 기술 분야의 발전은 자동화되고 시간 효율적인 분석 측면에서 TSV(Through Silicon Vias)와 같은 상호 연결의 품질 평가에 대한 새로운 과제를 야기합니다. 본 논문에서는 수천 개의 TSV를 분류하고 찾을 뿐만 아니라 통계 정보를 제공하는 데 적합한 두 개의 순차적으로 연결된 CNN 아키텍처를 활용하여 완전 자동화된 고효율 End-to-End Convolutional Neural Network(CNN) 모델을 개발합니다. 특히, SAM(Scanning Acoustic Microscopy) 이미징이라는 독특한 개념을 수행하여 TSV의 간섭 패턴을 생성합니다. 주사 전자 현미경(SEM)은 SAM C-스캔 이미지의 특징적인 패턴을 검증하고 공개하는 데 사용됩니다. 모델을 반자동 기계 학습 접근 방식과 비교함으로써 뛰어난 성능이 입증되었으며, 이는 각각 100% 및 96% 이상의 분류 정확도를 나타냅니다. 이 접근 방식은 SAM 이미지 데이터에만 국한되지 않고 무결함 전략을 향한 중요한 단계를 제시합니다.

이미징 기반 기술은 항공우주, 선로 검사, 토목 공학, 자동차 산업, 발전에서 마이크로 전자공학에 이르기까지 다양한 분야에서 현대적인 비파괴 오류 분석1에 매우 중요합니다. 기계 학습(ML) 알고리즘은 이전에 주로 인간 전문 지식에 의존했던 생성된 복잡한 데이터 세트의 효율적인 오류 분석을 위한 새로운 기회를 제공합니다3. 최근에는 마이크로 전자 산업에서 높은 관심을 받고 있는 3D 통합 부품에 다양한 ML 모델을 적용하여 연구가 진행되고 있습니다4,5,6,7. 산업 환경 내 애플리케이션에 필수적인 것은 특정 교육 기능에 반드시 의존하지 않는 완전 자동화된 모델입니다. 최근에는 4,6,7과 같이 ML 기반 테스트를 적용하려는 첫 번째 노력이 이루어졌습니다. 여기서는 주로 반자동 접근 방식이 지금까지 시연되었습니다. 그러나 이러한 접근 방식은 교육에 필요한 특정 기능 정의로 인해 일반화된 분석에 적용하기에는 부족합니다. KNN(K—Nearest Neighbors) 및 Random Forest 분류기와 같은 감독형 반자동 ML 모델은 예를 들어 3D 집적 회로 구성 요소에서 처리된 TSV(Through Silicon Via)의 보이드를 감지하는 데 사용됩니다4. 예를 들어 4에서 볼 수 있듯이 이러한 모델은 "TSV 포함" 및 "TSV 없음" 공백에 대한 고주파 구조 시뮬레이터(HFSS) 데이터와 같은 훈련을 위한 특정 기능 추출을 사용합니다. In6에서는 TSV의 개방 및 단락을 포함한 기능적 오류를 식별하기 위해 유사한 반자동 접근 방식이 사용됩니다. 또한 이 맥락에서 SAM을 사용하여 솔더의 결함을 탐지하기 위한 일반 회귀 신경망이 7에서 논의됩니다.

CNN(Convolutional Neural Network)은 이미지에서 다단계 특징을 추출할 수 있는 잘 알려진 딥 러닝 ML 아키텍처입니다8. CNN의 주요 장점은 복잡한 전처리 없이 데이터의 시간적, 공간적 상관 관계를 탐색하여 원시 픽셀에서 직접 패턴이나 관련 특징을 인식할 수 있는 능력에 있습니다9,10. 즉, CNN 기반 접근 방식에는 사전 특정 기능 정의가 필요하지 않습니다. 최근에는 3D X-ray tomography로 리플로우 공정 전 촬영한 영상 데이터를 기반으로 리플로우 공정 후 단일 마이크로 범프의 상태를 예측하는 데 CNN 기반 모델이 활용되고 있다.

TSV의 최신 고장 검사에는 수반되는 통계 정보, 바닥과 측벽 및 전체 형상을 포괄하는 개별 TSV의 위치 파악 및 상태를 포함하여 수백 또는 최대 수천 개의 TSV11,12에 대한 비용 및 시간 효율적인 특성화가 필요합니다. TSV 실패의 분류. 전기 도금으로 인한 보이드13, 열팽창 불일치로 인해 발생하는 박리14, 다이 뒤틀림15의 전체 응력으로 인한 균열16,17 등을 포함하여 TSV와 관련된 다양한 결함 유형이 있습니다. 이러한 결함을 탐지하기 위해 주사 전자 현미경(SEM), X선 컴퓨터 단층 촬영(XCT), 방출 현미경(EMMI)과 같은 자동화되지 않은 실험실 기술 또는 전기 측정(EM), 자동 광학 현미경(AOM)과 같은 자동화 기술18,19 )20, 주사음향현미경(SAM) 등이 주로 사용된다20. 이러한 모든 기술에는 각각의 장점과 적용을 제한하는 단점이 있습니다. 예를 들어, EM은 빠르고 일반적인 방법을 표시하지만 TSV20,21 내에서 오류를 국지화하는 데 실패합니다. AOM은 주로 바닥 결함을 감지하는 데 적합하지만 측벽의 결함에는 실패합니다. SEM은 TSV의 측벽과 바닥에 대한 고해상도 이미지 데이터를 제공합니다. 그럼에도 불구하고 후자는 처리량이 많은 검사에 적합하지 않으며 데이터 수집에 매우 많은 시간이 소요되기 때문에 통계 정보를 제공할 수 없습니다23,24. μ-XCT 또는 X선 현미경(XRM)은 충분한 해상도와 통계 출력5,15,25,26을 얻기 위해 필요한 긴 스캐닝 시간과 관련된 한계를 보여줍니다. EMMI는 전기적 서명이 있는 결함만 감지할 수 있으며 전기적 서명이 없는 결함은 감지하지 못합니다27. 주사 음향 현미경(SAM)은 마이크로 전자 분야에서 시간과 비용 효율적으로 넓은 영역을 특성화할 수 있는 비파괴 기술을 표시합니다. 그럼에도 불구하고 이 방법의 주요 과제는 제한된 해상도와 대비뿐 아니라 생성된 이미지 데이터 세트의 후처리, 즉 개별 오류의 위치에 대한 지식을 효율적으로 추출하고 오류의 통계적 분포에 대한 것입니다. 결함 클래스의 유형을 포함한 배열 내 오류. 이를 위해서는 일반적으로 수집된 이미지 데이터를 주의 깊게 수동으로 검사해야 합니다. 이러한 수동 검사는 사용자의 경험에 크게 의존하므로 주관적이며 오류가 발생하기 쉽습니다.