一个端到端的卷积神经网络,用于自动故障定位和3D互连的特征

科学领域:

• 电气工程 电气工程
• 材料科学 材料科学 材料科学
• 计算机科学 计算机科学

背景情况:

• 3D集成电路对通过电路 (TSV) 等相互连接提出质量评估挑战.
• 自动化和时间效率高的分析方法对于现代半导体制造至关重要.
• 现有的质量评估技术可能缺乏大批量生产所需的速度和准确性.

研究的目的:

• 为TSV分析开发一个全自动化,高效的卷积神经网络 (CNN) 模型.
• 为了分类和定位数千个TSV,并提供统计信息.
• 在3D集成电路中建立一个强大的零缺陷策略方法.

主要方法:

• 使用扫描声学显微镜 (SAM) 成像生成TSV干扰模式.
• 开发一个新的End-to-End CNN模型,其中有两个连接连续的架构.
• 使用扫描电子显微镜 (SEM) 验证SAMC扫描图像以确定特征模式.

主要成果:

• 开发的CNN模型为TSVs实现了100%的本地化准确性.
• 对TSV的分类准确度超过96%.
• 与半自动机器学习方法相比,表现出更高的性能.

结论:

• 拟议的自动化CNN模型为TSV质量评估提供了高效的解决方案.
• 这种方法是多功能性的,不仅限于SAM图像数据.
• 在半导体制造业实现零缺陷战略方面取得了重大进展.