Une fin

Rapports scientifiques volume 13, Numéro d'article : 9376 (2023) Citer cet article

Détails des métriques

Les progrès dans le domaine de la technologie des circuits d'intégration 3D entraînent de nouveaux défis pour l'évaluation de la qualité des interconnexions telles que les vias de silicium (TSV) en termes d'analyse automatisée et rapide. Dans cet article, nous développons un modèle de réseau neuronal convolutionnel (CNN) de bout en bout entièrement automatisé, utilisant deux architectures CNN liées séquentiellement, adaptées pour classer et localiser des milliers de TSV ainsi que pour fournir des informations statistiques. En particulier, nous générons des modèles d'interférence des TSV en mettant en œuvre un concept unique d'imagerie par microscopie acoustique à balayage (SAM). La microscopie électronique à balayage (SEM) est utilisée pour valider et également divulguer le motif caractéristique dans les images SAM C-scan. En comparant le modèle avec des approches d'apprentissage automatique semi-automatisées, ses performances exceptionnelles sont illustrées, indiquant une précision de localisation et de classification de 100 % et supérieure à 96 %, respectivement. L'approche ne se limite pas aux données d'image SAM et présente une étape importante vers des stratégies zéro défaut.

Les techniques basées sur l'imagerie sont très importantes pour l'analyse moderne des défaillances non destructives1 dans divers domaines allant de l'aérospatiale, l'inspection des voies ferrées, le génie civil, l'industrie automobile, la production d'énergie à la microélectronique2. Les algorithmes d'apprentissage automatique (ML) offrent de nouvelles opportunités pour une analyse efficace des défaillances des ensembles de données complexes générés qui reposaient auparavant principalement sur l'expertise humaine3. Récemment, des recherches ont été menées4,5,6,7 en appliquant divers modèles ML dans des composants d'intégration 3D qui suscitent un grand intérêt dans l'industrie de la microélectronique. Les modèles entièrement automatisés, qui ne reposent pas nécessairement sur des fonctionnalités de formation spécifiques, sont essentiels pour l'application dans un environnement industriel. Récemment, un premier effort a été fait pour l'application de tests basés sur ML, comme indiqué dans4,6,7. Ici, des approches principalement semi-automatisées ont été démontrées jusqu'à présent. Cependant, ces approches manquent dans leur application d'une analyse généralisée en raison de la définition des caractéristiques spécifiques nécessaires à la formation. Des modèles ML semi-automatisés supervisés comme K-Nearest Neighbors (KNN) et un classificateur Random Forest sont utilisés par exemple pour détecter des vides dans des vias de silicium traversants (TSV) traités dans des composants de circuits intégrés 3D4. Comme indiqué, par exemple dans 4, ces modèles utilisent une extraction de caractéristiques spécifiques pour la formation, comme les données du simulateur structurel à haute fréquence (HFSS) pour le vide "TSV avec" et "TSV sans". In6 utilise une approche semi-automatisée similaire pour identifier les défaillances fonctionnelles, y compris les circuits ouverts et les courts-circuits pour les TSV. Plus loin dans ce contexte, les réseaux de neurones de régression généraux sont discutés dans7 pour détecter les défauts dans les soudures à l'aide de SAM.

Le réseau de neurones convolutifs (CNN) est une architecture ML d'apprentissage en profondeur bien connue capable d'extraire des caractéristiques à plusieurs niveaux d'une image8. Le principal avantage de CNN réside dans sa capacité à reconnaître des modèles ou des caractéristiques pertinentes directement à partir des pixels bruts en explorant la corrélation temporelle et spatiale des données sans aucun prétraitement complexe9,10. Autrement dit, aucune définition de caractéristique spécifique préalable n'est nécessaire pour les approches basées sur CNN. Récemment in5, un modèle basé sur CNN a été utilisé pour prédire l'état d'une seule micro-bosse après le processus de refusion sur la base de données d'image prises avant le processus de refusion par tomographie à rayons X 3D.

L'inspection moderne des défaillances des TSV exige une caractérisation économique et rapide de centaines, voire de milliers de TSV11,12, y compris les informations statistiques concomitantes, la localisation et l'état du TSV individuel couvrant l'ensemble de la géométrie avec son fond et sa paroi latérale ainsi que la classification de la défaillance du TSV. Il existe différents types de défauts liés aux TSV, notamment les vides résultant de la galvanoplastie13, les délaminages dus à une inadéquation de la dilatation thermique14, les fissures résultant d'une contrainte globale dans le gauchissement de la matrice15, etc.16,17. Pour détecter ces défauts, des techniques de laboratoire non automatisées telles que la microscopie électronique à balayage (SEM), la tomographie par ordinateur à rayons X (XCT), la microscopie par émission (EMMI) ou des techniques automatisées18,19 telles que les mesures électriques (EM), la microscopie optique automatique (AOM)20 et la microscopie acoustique à balayage (SAM) sont principalement utilisées20. Toutes ces techniques présentent des avantages respectifs ainsi que des inconvénients qui limitent leurs applications. Par exemple, EM affiche une méthode rapide et courante, mais ne parvient pas à localiser la défaillance dans les TSV20,21. L'AOM convient principalement pour détecter les défauts du fond20,22 mais échoue pour les défauts de la paroi latérale. Le SEM fournit des données d'image haute résolution pour la paroi latérale et le bas des TSV. Néanmoins, ce dernier est inadéquat pour l'inspection à haut débit et inéligible pour fournir des informations statistiques, en raison de l'acquisition de données très chronophage23,24. La microscopie μ-XCT ou à rayons X (XRM) présente des limites en ce qui concerne les temps de balayage longs nécessaires pour obtenir une résolution et une sortie statistique suffisantes5,15,25,26. L'EMMI ne peut détecter que les défauts avec une signature électrique et échoue à détecter les défauts sans signature électrique27. La microscopie acoustique à balayage (SAM) présente une technique non destructive28 capable de caractériser de manière rapide et économique de vastes zones dans le domaine de la microélectronique29. Néanmoins, le principal défi de cette méthode réside dans la résolution et le contraste limités ainsi que dans le post-traitement de l'ensemble de données d'image généré, à savoir pour extraire efficacement des connaissances sur l'emplacement de la défaillance individuelle mais aussi sur la distribution statistique des défaillances au sein du réseau, y compris le type de la classe de défauts. Cela nécessite en général une inspection manuelle minutieuse des données d'image collectées. Une telle inspection manuelle dépend fortement de l'expérience de l'utilisateur humain, est donc subjective et en outre sujette à l'erreur.

Dans cet article, nous menons une approche unique de microscopie acoustique à balayage (SAM) et développons un flux de travail de réseau neuronal convolutionnel de bout en bout (E2E-CNN) pour (1) caractériser efficacement jusqu'à des milliers de TSV au niveau de la tranche, y compris des informations statistiques concomitantes, (2) localiser les TSV défectueux et non défectueux, et (3) classer les TSV individuels en fonction de leur degré de niveau de défaut. Nous révélons en comparant les données SAM acquises avec la microscopie électronique à balayage corrélée (SEM) que la technique SAM est appropriée pour fournir des informations à partir du bas ainsi que de la paroi latérale du TSV. Le réseau E2E-CNN entièrement automatisé, utilisant deux architectures CNN liées séquentiellement, assure une précision pour la détection et la classification des TSV de 100 % et supérieure à 96 %, respectivement. En outre, nous discutons de l'algorithme E2E-CNN développé avec une classification TSV binaire semi-automatisée utilisant le Perceptron multicouche (MLP), l'arbre de décision et la forêt aléatoire et montrons sa supériorité en termes d'efficacité et de précision temporelles. Notamment, la nouvelle approche présentée n'est pas limitée aux données d'image basées sur SAM, mais affiche plutôt une approche générale applicable à d'autres méthodes d'imagerie, par exemple μ-XCT, SEM, microscopie optique, etc.

Nous appliquons la microscopie acoustique à balayage pour balayer les réseaux TSV. Ici, nous caractérisons une technologie TSV ouverte46, voir également la section méthode pour plus de détails sur l'échantillon et le schéma de la Fig. 1A. La principale difficulté pour la détection de défauts dans de tels TSV réside dans la grande profondeur de pénétration et la résolution nécessaires dans le régime à faible μm. Nous utilisons une technique unique utilisant des lentilles acoustiques spéciales avec une fréquence nominale de 100 MHz et un angle d'ouverture de 60°, adaptée pour répondre aux exigences de l'inspection et de l'analyse TSV modernes. L'angle d'ouverture de la lentille dans nos expériences est choisi de manière à être plus grand que l'angle de Rayleigh critique de Si, qui est de 17°. Le transducteur piézoélectrique fonctionne en mode impulsion-écho capable de générer et de recevoir des signaux ultrasonores. Les figures 1B et C montrent un schéma pour deux positions de lentille différentes avec une position focalisée (Z0) et une autre défocalisée (Zn) sur la surface de la plaquette. Les figures 1D et E montrent l'image C-scan d'un seul TSV avec des franges homogènes et non homogènes, respectivement obtenues à Z = Z0 et différentes positions défocalisées avec Z < Z0. La lentille à la position défocalisée fournit dans l'image C-scan des motifs ou des franges qui peuvent être corrélés à la qualité TSV. Une inhomogénéité exemplaire observée dans le TSV est marquée comme sur la figure 1E.

Configuration TSV et approche de caractérisation SAM. (A) Schéma d'un TSV ouvert avec un diamètre de 100 µm et une profondeur de 250 µm. (B) Schéma d'un champ sonore focalisé à l'aide d'un microscope acoustique à balayage (SAM) à Z0. (C) Schéma illustrant un champ sonore défocalisé à Zn. (D) Images SAM C-scan pour différentes positions Z à partir de Z0 pour un "bon" TSV sans inhomogénéité. (E) Images SAM C-scan pour différentes positions Z à partir de Z0 pour un TSV "défectueux" indiquant une inhomogénéité à Z2 à Zn. L'inhomogénéité observée est indiquée par un cercle rouge.

La méthodologie de la figure 1C représente une approche extrêmement efficace en termes de temps et de coût avec la capacité de collecter une quantité statistiquement pertinente de TSV avec une résolution suffisante pour un post-traitement d'image et une quantification d'image supplémentaires. La taille du pas entre deux positions de transducteur pour les images C-scan représentées sur les figures 1D et E est de 20 µm. Une série Z complète d'image SAM C-scan pour un seul TSV montrant une inhomogénéité est illustrée dans la Fig. S1 supplémentaire. Pour l'analyse, des images C-scan à et au-dessus de Z = - 120 µm sont utilisées, voir la Fig. S1 supplémentaire.

La figure 2A montre à titre d'exemple la projection des données ultrasonores sur le plan x-y pour créer l'image dite C-scan d'un morceau de quart de plaquette. La région d'intérêt (ROI) du C-scan contient environ 10 000 TSV. Chaque TSV peut être associé à un motif caractéristique généré par la défocalisation de l'objectif, comme illustré sur les Fig. 1D et E. Pour une meilleure visualisation des motifs caractéristiques, la région est divisée en un patch d'image C-scan illustrant environ 800 TSV (ROI-1), comme illustré sur la Fig. 2B. Il peut être subdivisé en une ROI (ROI-2) avec six TSV (Fig. 2C). Sur la figure 2D, nous présentons à titre d'exemple deux motifs générés en défocalisant la lentille acoustique et en excitant les ondes de Rayleigh30. Les deux motifs indiquent un TSV sans et avec une inhomogénéité, marqués respectivement d'un rectangle vert "chartreuse" et d'un rectangle rouge.

Microscopie acoustique à balayage Données d'image C-scan utilisées pour les tests au niveau de la tranche. (A) Image C-scan globale d'un morceau de quart de plaquette en défocalisant la lentille acoustique avec une fréquence nominale de 100 MHz et un angle d'ouverture de 60 ° avec environ 10 000 TSV. (B) ROI-1 contient des motifs générés dans le C-scan d'environ 800 TSV en défocalisant la lentille acoustique. (C) Image C-scan agrandie de ROI-2 avec 6 TSV. (D) Modèles de C-scan caractéristiques indiquant un TSV avec des franges non perturbées (« chartreuse » rectangulaire verte) et perturbées (rectangulaire rouge) qui peuvent être associées à un bon TSV et un TSV impliquant une inhomogénéité (cercle rouge en pointillés), respectivement.

La figure 3 illustre le flux de travail automatisé d'analyse des défaillances TSV en ce qui concerne la formation et les tests, sur la base des données C-Scan SAM extraites. Le flux de travail se compose de deux architectures CNN liées séquentiellement, que nous appelons End-to-End Convolutional Neural Network (E2E-CNN). Le premier CNN (CNN1) est dédié à la localisation des TSV, tandis que le second CNN (CNN2) est capable de classer des milliers de TSV, voir plus de détails dans la section méthode.

Workflow de localisation et de classification automatisées du TSV à l'aide du réseau neuronal convolutif de bout en bout (E2E-CNN). Flux de travail pour la formation et les tests, y compris les architectures de CNN1 et CNN2. Les données d'image SAM-C-scan sont utilisées comme entrée dans CNN1 pour la localisation TSV à l'aide d'un détecteur TSV à fenêtre coulissante. Deux ensembles de données étiquetées indiquées par "avec" et "sans" TSV (images de 100 × 100 pixels) sont utilisées pour la formation. CNN2, dédié à la classification, utilise la sortie de CNN1 comme entrée. CNN2 est formé avec cinq classes définies selon cinq modèles différents trouvés dans l'image C-scan. Les classes sont indiquées par des couleurs différentes. L'image de test illustrée pour la prédiction de la qualité montre à titre d'exemple 36 TSV. Les prévisions intermédiaires et finales de E2E-CNN dans une zone rectangulaire sélectionnée sont respectivement marquées OUTPUT—CNN1 et OUTPUT—CNN2. Les TSV localisés dans OUTPUT—CNN1 sont marqués en couleur "chartreuse". Les classes prévues de TSV dans OUTPUT—CNN2 sont indiquées par les couleurs représentées par le vert (classe 1), le bleu (classe 2) et le rouge (classe 3).

Comme entrée pour CNN1, les données d'image SAM C-scan qui ne sont pas limitées par la taille de l'image sont utilisées. La sortie fournit des patchs d'image avec des motifs TSV caractéristiques. CNN2 classe les TSV en fonction de leur qualité et utilise la sortie de CNN1 comme entrée. Afin de former CNN1, nous utilisons deux ensembles de données étiquetées incorporant des patchs d'image C-scan avec et sans TSV, respectivement. La sortie de CNN1 détecte tous les motifs caractéristiques qui sont marqués en couleur "chartreuse" pour l'exemple de ROI avec 36 TSV. Alors que la sortie de CNN2 est codée par couleur, en fonction de la qualité des TSV. Nous formons CNN2 avec cinq classes différentes indiquées par les classes 1 à 5. Les différentes classes sont attribuées en fonction des modèles trouvés dans les données C-scan. Dans l'exemple de sortie de CNN2, illustré ici, 33 TSV sont affectés à la classe 1, deux à la classe 2 et un TSV à la classe 3. Les classes 4 et 5 ne se trouvent pas dans l'exemple de ROI.

Il y a eu plusieurs avancées dans le domaine de la vision par ordinateur pour la détection d'objets31. De nombreux auteurs ont proposé des techniques de localisation d'objets telles que la segmentation basée sur CNN, l'approche de fenêtre glissante, etc.32,33,34. La figure 4A montre une illustration du traitement du détecteur de fenêtre coulissante utilisé pour la localisation du TSV. Une fenêtre d'une taille de 100 × 100 pixels est choisie pour glisser sur l'image C-scan avec des foulées Sx et Sy dans les directions x et y, respectivement. Cette taille de fenêtre spécifique convient bien pour couvrir les motifs caractéristiques de chaque TSV. Pour la formation de CNN1, chacune de ces fenêtres est alimentée individuellement pour localiser les TSV dans les images SAM C-scan. Pour les images de test, deux ensembles sont générés. Le premier ensemble contient les images C-scan des TSV au centre de la boîte englobante. Pour le deuxième ensemble, l'image avec arrière-plan et/ou toute image avec des TSV non centrés (voir Fig. S2 supplémentaire) sont utilisées. Puisqu'il n'y a que deux caractéristiques catégorielles dans l'ensemble de données pour CNN1, en utilisant le codage à chaud35,36, nous attribuons un code binaire « 1 » au premier ensemble et un code binaire « 0 » au second ensemble pendant l'entraînement.

Détecteur de fenêtre coulissante non séquentielle pour une localisation efficace du TSV. (A) Schéma de la procédure de fenêtre glissante dans CNN1. Taille d'image de 100 × 100 pixels dans les directions x et y avec des foulées Sx et Sy respectivement. (B) Détails concernant le détecteur de fenêtre coulissante. Le procédé met en œuvre une couche convolutive au nœud d'extrémité, ce qui rend possible les prédictions de manière non séquentielle.

Nous menons une approche non séquentielle de détecteur de fenêtre glissante comme illustré sur la figure 4B, voir la section Méthode pour plus de détails. Un inconvénient majeur d'une approche séquentielle34, voir également le matériel supplémentaire, Fig. S5, est le coût de calcul ainsi que la consommation de temps pour le résultat de la formation et des tests. Nous montrons qu'en utilisant une couche convolutive au nœud final34, le temps de formation peut être réduit de quelques heures à quelques minutes. Pendant la procédure de test, le modèle prédit plusieurs boîtes englobantes37 selon que les entités extraites de la fenêtre appartiennent au premier ensemble ou au deuxième ensemble, c'est-à-dire 1 ou 0, respectivement. La suppression non maximale (NMS) est appliquée (voir Fig. S3 supplémentaire) pour trouver les prédictions avec le score de confiance le plus élevé et donne la meilleure boîte englobante avec une taille de 100 × 100 pixels, définissant le TSV comme un objet. La prédiction de CNN1 dans un exemple d'image C-scan avec trois TSV est illustrée sur la figure 4B. Les TSV détectés sont représentés dans des boîtes englobantes de couleur « chartreuse ». Les prédictions de CNN1 dans une image C-scan plus grande avec 864 TSV sont illustrées à la Fig. S4.

Le deuxième CNN (CNN2) classe les TSV localisés dans l'image SAM C-scan. Par conséquent, les entrées de CNN2 sont les prédictions de CNN1. Selon les données C-scan obtenues à partir de la caractérisation SAM, nous définissons cinq classes pour les ensembles de données d'apprentissage, voir Fig. 5. La première classe TSV présente des franges concentriques circulaires ou non perturbées à l'emplacement TSV dans l'image C-SAM, Fig. 5A. La deuxième classe TSV indique une seule inhomogénéité dans les franges circulaires à diverses positions le long de la circonférence des franges, Fig. 5B. La troisième classe TSV représente des motifs avec de multiples inhomogénéités le long de la circonférence de la frange, Fig. 5C. Les classes 4 et 5, représentées sur les figures 5D et E, représentent des motifs provenant de bulles d'eau et d'autres artéfacts de balayage, par exemple provenant d'une erreur de déclenchement ou d'une vitesse de balayage élevée. De plus amples détails concernant l'architecture du CNN2 et les paramètres de couche correspondants sont détaillés dans la section Matériel supplémentaire Fig. S6 et "Méthode".

Ensemble de données d'entraînement pour la classification TSV avec cinq classes différentes. Nous définissons cinq classes selon les données du C-scan. (A) Classe 1 indiquant une frange homogène circulaire à la position du TSV. (B) La classe 2 représente un TSV avec une seule inhomogénéité dans la frange circulaire. (C) La classe 3 montre à titre d'exemple des TSV avec de multiples inhomogénéités dans la frange circulaire. (D) La classe 4 montre une image C-scan avec un artefact résultant d'une bulle d'eau. (E) La classe 5 illustre un artefact de numérisation.

Les figures 6A et B illustrent la précision de la formation et de la validation pour les deux modèles CNN. Pour la localisation TSV (CNN1), nous atteignons une précision de 100 % pour la validation et la formation, c'est-à-dire que nous sommes capables de détecter chaque TSV à partir de l'image SAM C-scan, voir Fig. 6A. La figure 6B fournit une précision pour CNN2 supérieure à 96 % dédiée à la seule classification TSV en ce qui concerne la formation et la validation. De plus, pour montrer les performances du modèle E2E-CNN, nous traçons la perte d'entraînement et de validation en fonction des époques pour CNN1 et CNN2 dans la Fig. S7 supplémentaire.

Comparaison entre l'image SAM C-scan et les données SEM. (A) Tracé de précision pour la localisation TSV (CNN1), y compris la formation (rouge) et la validation (bleu). (B) Tracé de précision pour la classification TSV (CNN2) comprenant la formation (rouge) et la validation (bleu). (C) TSV localisés et classés dans l'image SAM C-scan utilisant la prédiction E2E-CNN. Les cases colorées indiquent les TSV localisés et les classes attribuées correspondantes. (D) Images agrandies pour les TSV indiquant la classe 1 (vert), 2 (bleu) et 3 (rouge). (E) Images SEM corrélées représentatives avec différentes vues et grossissements pour obtenir un aperçu complet de la paroi latérale du TSV ainsi que du bas pour la classe 1 (pas d'inhomogénéité), 2 (inhomogénéité à la paroi latérale et en bas) et 3 (inhomogénéité à la paroi latérale).

Sur la Fig. 6C, une image SAM C-scan représentative affiche la localisation et la classification entièrement automatisées des TSV, par exemple pour les classes 1, 2 et 3. Les images pour les classes 1 à 3 avec un grossissement plus élevé sont présentées sur la Fig. 6D, indiquant les différents modèles également montrés sur la Fig. 5. Pour une validation supplémentaire, nous comparons les images SAM C-scan pour les classes 1, 2 et 3 avec des résultats de caractérisation SEM corrélés. Comme indiqué par les données SEM de classe 1 sur la figure 6E, aucune inhomogénéité sur la paroi latérale du TSV ni au fond n'est détectée. Cela correspond à l'observation faite pour l'image C-scan SAM où aucune inhomogénéité dans les franges n'est exposée. Les données SEM pour la classe 2 montrent une grande accrétion sur le bas du TSV ainsi que sur la paroi latérale. Ici, un motif caractéristique dans l'image SAM indiquant une seule inhomogénéité dans les franges est représenté, voir Fig. 6D. Pour la classe 3, les données SEM montrent une délamination dans la paroi latérale, voir Fig. 6E. Ici, l'image SAM C-scan montre pour la classe 3 un motif avec de multiples inhomogénéités dans les franges, voir Fig. 6D. Selon les données SEM corrélées, une attribution claire des différents modèles de C-scan peut être faite.

La détection et la prédiction de la qualité de 864 TSV à partir d'images SAM C-scan de la plaquette sont illustrées dans la Fig. S8 supplémentaire.

Dans ce qui suit, nous comparons le modèle E2E-CNN développé avec les modèles ML semi-automatisés. Pour les modèles semi-automatisés, nous utilisons MLP, Decision Tree et Random Forest, comme indiqué dans le tableau 1. Pour l'analyse semi-automatisée, pour détecter les TSV, il est nécessaire d'appliquer un algorithme de reconnaissance de formes basé sur la géométrie comme la transformée circulaire de Hough38,39. L'étiquetage des données appliqué pour les étapes d'apprentissage et d'extraction des caractéristiques est le même pour le MLP, l'arbre de décision et la forêt aléatoire. Pour la formation du modèle ML semi-automatisé, nous définissons deux configurations TSV. La première configuration montre des TSV avec des franges non perturbées et la seconde des TSV avec des franges perturbées dans les images SAM C-scan, voir Fig. S9 supplémentaire.

La figure 7A illustre la localisation TSV pour l'analyse ML semi-automatisée. Des patchs d'une taille de 100 × 100 pixels montrant les motifs caractéristiques sont utilisés, suivis de la détection des TSV à l'aide de la transformée de Hough circulaire, voir la figure 7A. Pour l'extraction des caractéristiques pertinentes, nous comparons deux procédures, à savoir la Canny Edge Detection (CED)40 et développons une méthode unique de segmentation à l'aide de la Fringe Segmentation Technique (FriST), voir plus de détails dans les Figs supplémentaires. Section S10, S11 et "Méthode".

Workflow de classification binaire semi-automatisée de TSV à l'aide de modèles ML. (A) Détection des TSV via des cercles de Hough dans une image SAM C-scan. (B) Classification binaire des TSV à l'aide des caractéristiques extraites des techniques CED (approche 1) et FriST (approche 2). Ainsi que la phase de tests aboutissant à la classification des TSV en TSV non défectueux ou défectueux.

Pour la classification binaire des TSV, l'extraction des caractéristiques à l'aide de CED ou de FriST est suivie de la réduction de la dimensionnalité à l'aide de l'analyse en composantes principales (ACP), voir Fig. 7B. En appliquant l'ACP, nous sélectionnons les caractéristiques les plus importantes de la sortie du CED ou de FriST comme entrée pour former le modèle, voir Méthodes pour plus de détails. Les performances du modèle de tous les modèles étudiés sont résumées dans le tableau 1. Notez qu'en raison de la limitation de l'approche semi-automatisée par rapport à l'extraction de caractéristiques cruciales, une analyse de 10 000 TSV prend énormément de temps, voir également le tableau 1. Par conséquent, en raison des possibilités limitées des modèles semi-automatiques, nous avons réduit la quantité de TSV à 96 TSV pour la comparaison. En outre, les résultats pour le E2E-CNN avec un ROI montrant 864 TSV sont présentés dans la Fig. S8 supplémentaire.

L'utilisation de la technique FriST montre pour les trois modèles semi-automatisés une amélioration de la précision par rapport à la technique CED (voir Fig. S12 supplémentaire) en raison de l'extraction spécifique des caractéristiques souhaitées pour la formation. Cependant, un inconvénient général du modèle semi-automatisé concerne la nécessité d'une extraction de caractéristiques spécifiques pour entraîner et tester le modèle. Ici, la qualité et la résolution des images SAM C-scan sont cruciales pour l'étiquetage ultérieur du motif associé au TSV. Par conséquent, les modèles semi-automatisés ne fournissent pas une solution optimale lorsqu'il s'agit de détecter et de classer de grandes statistiques de TSV, car en augmentant le retour sur investissement, la résolution et le contraste diminueront.

Notamment, le flux de travail E2E-CNN par rapport aux modèles semi-automatisés ne repose sur aucune technique d'extraction manuelle de caractéristiques. Par conséquent, l'approche basée sur CNN surpasse les performances du modèle de prédiction semi-automatisé basé sur ML en ce qui concerne le temps de test et la précision, comme indiqué dans le tableau 1. En effet, aucun des modèles semi-automatisés n'atteint une précision supérieure à 90 % et des temps de test inférieurs à 10 min. La principale raison de la grande efficacité de l'E2E-CNN réside dans sa capacité à détecter automatiquement plusieurs couches de caractéristiques spatiales à partir de l'image d'entrée à l'aide d'un ensemble d'opérations convolutives.

Comparaison entre les modèles ML semi-automatisés (MLP, DT et RF) et le modèle E2E-CNN entièrement automatisé développé pour la classification TSV à partir de données d'image SAM C-scan avec 96 TSV à tester. Pour l'extraction nécessaire des caractéristiques du modèle semi-automatisé, nous utilisons les techniques CED et FriST.

Dans ce qui suit, nous utilisons le modèle E2E-CNN développé pour mettre en évidence les possibilités statistiques pour l'analyse des défaillances. La microscopie optique automatique (AOM) est une méthode conventionnelle et rentable utilisée dans l'inspection des plaquettes. Il aide à localiser les défauts dans le réseau TSV en fournissant des cartes de défauts bidimensionnelles, comme le montre la figure 8A, basées sur la microscopie optique. Pour la comparaison avec les mesures SAM et le modèle E2E-CNN incorporé, nous sélectionnons quatre ROI, étiquetés avec A, B, C et D à des emplacements de plaquettes distincts. Nous évaluons les statistiques concernant l'occurrence des TSV avec et sans inhomogénéités. Chaque retour sur investissement individuel sélectionné pour l'analyse sous-jacente se compose de 576 TSV, voir plus d'informations dans la section méthode. Les figures 8B et C illustrent à titre d'exemple la carte des défauts obtenue à partir des données d'image SAM ainsi que l'analyse E2E-CNN ultérieure pour le ROI D et un grossissement supplémentaire pour le ROI D-1, respectivement. Ce dernier indique l'emplacement du TSV ainsi que la classification du TSV selon la classe 1–5. Dans ce ROI, 568 TSV sur 576 sont classés correctement correspondant à une précision supérieure à 96 %. D'autres C-scan avec des résultats de prédiction basés sur le modèle E2E-CNN pour ROI A, ROI B et ROI C sont présentés dans le matériel supplémentaire Fig. S13.

Analyse statistique obtenue à partir de l'analyse entièrement automatisée des défauts basée sur E2E CNN et de l'analyse des défauts optiques. (A) Carte des défauts de microscopie optique automatique (AOM) de la plaquette de silicium avec TSV. Quatre ROI (ROI A à ROI D) sont sélectionnés pour une comparaison plus approfondie avec le modèle E2E-CNN. Ces ROI sélectionnés pour l'analyse des défauts sont marqués dans des cases rectangulaires de couleur rouge. Les défauts sont représentés par des points noirs. (B) Analyse des défauts effectuée sur l'image SAM C-scan du ROI D à l'aide du E2E-CNN entièrement automatisé. Tous les TSV inhomogènes détectés par le modèle E2E-CNN sont marqués dans des cases rectangulaires remplies de couleur jaune. La sous-région ROI D-1 est mise en surbrillance sous forme de cases rectangulaires en pointillés. (C) Image agrandie du retour sur investissement D-1. Les TSV localisés et classés présentés par E2E-CNN sont marqués en vert (Classe 1), bleu (Classe 2) et rouge (Classe 3). (D) Analyse des défauts montrant les résultats extraits des données SAM et AOM pour les ROI sélectionnés. Les statistiques évaluées pour les TSV avec et sans inhomogénéités dans le tracé sont marquées respectivement en rouge et en vert. (E) Statistiques extraites concernant les différentes classes de défaillance 1 à 5 pour les ROI A à D obtenues à partir du E2E-CNN sur la base des résultats SAM.

Notamment, selon la Fig. 8D, les statistiques extraites illustrent une tendance similaire pour les méthodes basées sur AOM et SAM. ROI C montre pour les deux approches le nombre le plus élevé avec des TSV inhomogènes et ROI D indique le plus bas. Les résultats représentés sont résumés dans le tableau 2. Cependant, l'inspection basée sur SAM utilisant le modèle E2E-CNN représente un nombre plus élevé de TSV avec des inhomogénéités que l'inspection optique.

En outre, nous fournissons à la Fig. 8E des informations statistiques concernant différentes classes prédites par le modèle E2E-CNN pour différentes ROI étiquetées de A à D. La classe 2, comme indiqué par la Fig. 6, montre un mélange de défauts de paroi latérale et de fond et affiche la classe avec le nombre de défauts le plus élevé. Habituellement, l'AOM convient pour détecter les défauts du fond et est sujet aux erreurs des défauts des parois latérales20,22. Cependant, la différence entre les données AOM et SAM-E2E-CNN, comme le montre la figure 8D, ne peut pas être entièrement expliquée par une détection inexacte de la paroi latérale puisque la classe 3, qui reflète principalement les défauts de la paroi latérale, ne contient qu'environ 10 à 20 % du total des défauts prédits par le modèle E2E-CNN.

Nous soutenons que le nombre de défauts plus élevé montré pour l'approche acoustique est principalement dû à la sensibilité de détection accrue. Autrement dit, selon les résultats, les ondes acoustiques générées dans le TSV conduisent à une forte interaction avec les inhomogénéités présentes au fond et sur les parois latérales.

En conclusion, nous avons développé un flux de travail basé sur un réseau neuronal convolutif permettant (1) la caractérisation de milliers de TSV au niveau de la tranche, (2) la localisation des TSV défectueux, (3) la classification des TSV individuels en fonction de leur degré de niveau de défaut et la génération d'informations statistiques sur les TSV classés. Nous utilisons une approche SAM unique pour générer de manière efficace en termes de coûts et de temps les données d'image des réseaux TSV pertinents pour l'industrie, comprenant jusqu'à des milliers de TSV. L'approche SAM est capable de récupérer des informations à partir du bas et également de la paroi latérale du TSV avec une sensibilité de détection plus élevée, comme indiqué pour l'AOM. Le flux de travail E2E-CNN entièrement automatisé offre une précision de localisation et de classification de 100 % et supérieure à 96 %, respectivement. De plus, nous explorons les possibilités de détection du TSV en utilisant d'autres approches d'apprentissage automatique telles que les modèles MLP, Decision Tree et Random Forest en comparaison avec le E2E-CNN. En effet, l'analyse montre que ces approches ML ne peuvent pas rivaliser avec le modèle E2E-CNN développé en termes de temps, de coût et de précision. La formation ainsi que le temps de test pour les modèles semi-automatisés prennent du temps, car des procédures d'extraction de caractéristiques spécifiques pour les images de formation et de test sont essentielles. Un inconvénient majeur est que les algorithmes de reconnaissance de formes nécessaires dépendent fortement en général de la qualité des données d'image. Par conséquent, une résolution d'image et un contraste suffisants pour détecter le TSV sont obligatoires. Le prétraitement de l'image SAM C-scan obtenue à l'aide de transformations de luminosité de pixel telles que l'égalisation d'histogramme41 ou en appliquant différentes techniques de seuillage telles que le seuillage adaptatif42, le seuillage binaire43 peut aider à améliorer la qualité de l'image pour un traitement ultérieur. Cependant, notre modèle de haute précision élimine toute exigence fastidieuse d'inspection manuelle ou de prétraitement des images C-scan. Cela rend le modèle E2E-CNN hautement applicable à l'analyse d'images C-scan plus grandes avec des modèles caractéristiques de milliers de TSV. En outre, le flux de travail E2E-CNN présenté pour l'inspection automatisée des défaillances ne se limite pas à l'analyse des données d'image SAM, mais peut également être appliqué à d'autres méthodes d'imagerie.

Through Silicon Vias (TSV) sont des composants clés pour la technologie d'intégration 3D qui joue un rôle important dans la miniaturisation et l'amélioration de la fonctionnalité des dispositifs microélectroniques12,44. Les TSV permettent une connexion électrique à travers différentes couches des piles 3D. Ces vias métallisés sont maintenus en gravant des trous dans le silicium, puis en les remplissant ou en les enduisant d'un matériau conducteur - TSV fermés et ouverts, respectivement. Même si la conception TSV fermée a une très faible résistance de contact, elle souffre d'un degré élevé de contrainte mécanique en raison de l'inadéquation du coefficient de dilatation thermique entre le silicium et le matériau de remplissage45. Par conséquent, la technologie TSV ouverte revêtue de tungstène remplace la technologie TSV fermée lorsque la dilatation thermique est particulièrement préoccupante46. Dans ce travail, nous utilisons une technologie TSV ouverte avec un diamètre de 100 µm et une profondeur de 250 µm. Un problème potentiel associé à une conception ouverte est la contrainte résiduelle élevée du tungstène après le processus de dépôt, qui peut entraîner des fissures, des délaminations ou des accrétions sur la paroi latérale ou sur le fond TSV45 selon la qualité des couches sous-jacentes. Pour cette recherche, ams-OSRAM AG, Premstaetten, Autriche, a fourni des plaquettes avec des défauts induits artificiellement dans les TSV par des modifications du processus de fabrication normal. Ces TSV avec des défauts inconnus à des emplacements inconnus sont détectés de manière non destructive à l'aide de SAM.

Le SAM utilisé pour cette étude est une configuration modifiée de PVA TePla Analytical Systems GmbH, Allemagne, avec une carte ADC de résolution 8 bits et un taux d'échantillonnage de 5 Giga échantillons/s, et une configuration de rafale de tonalité avec une longueur de rafale de 10 ns. Pour obtenir le motif caractéristique en utilisant notre approche, nous utilisons un transducteur avec une fréquence centrale de 100 MHz et une lentille avec un angle d'ouverture de 60° capable d'exciter les ondes de Rayleigh30. Les réflexions de l'échantillon sont analysées à l'aide du logiciel 'WinSAM 8.0.2293.0' fourni par PVA TePla. Le taux de balayage de SAM utilisant notre approche est d'environ 1000 TSV par 45 min avec une résolution de 2 µm/pixel.

Nous classons les modèles SAM caractéristiques du C-scan à l'aide de modèles ML semi et entièrement automatisés. Pour le modèle entièrement automatisé, un réseau neuronal convolutionnel de bout en bout (E2E-CNN) avec deux architectures CNN, indiquées par CNN1 et CNN2, est dédié à la localisation et à la classification des TSV, respectivement.

CNN1 - L'architecture du CNN1 comprend trois couches convolutives avec 32, 32, 64 filtres et deux couches de regroupement maximum disposées en séquence empilée, voir également la Fig. S7 supplémentaire en ce qui concerne le processus de sélection d'architecture. Nous avons utilisé un noyau 2D pour extraire les caractéristiques de l'image à chaque niveau du CNN. Ces noyaux effectuent une extraction de caractéristiques en prenant un produit scalaire entre les sous-régions de l'image avec lui-même. La première couche du CNN1 consiste en une couche convolutive avec une taille de noyau de 3 × 3, ce qui réduit la dimension de l'entrée à 98 × 98 × 32. La deuxième couche est une couche de mise en commun maximale avec une taille de noyau de 2 × 2 et une foulée de 2. La troisième couche est une couche convolutive avec un autre noyau 3 × 3. Cette couche réduit la dimension des entités à 47 × 47 × 32. La sortie de la troisième couche est transmise à la quatrième couche, qui est une couche de regroupement maximal. Cette couche a la même taille de noyau que la première couche de regroupement. La cinquième couche est à nouveau une autre couche convolutive avec une taille de noyau de 3 × 3 et réduit encore la dimension des caractéristiques à 21 × 21 × 64. La couche de sortie de CNN1 représente une couche convolutive avec une fonction d'activation sigmoïde47 qui prédit dans la plage de zéro à un, selon que le TSV est détecté ou non. La couche convolutive de sortie consiste en un filtre avec une taille de noyau de 21 × 21. Pour former CNN1, nous utilisons un ensemble de données avec 20 000 images au total. Nous avons divisé l'intégralité des données d'image de CNN1 avec 70 % pour la formation et 30 % pour la validation afin d'évaluer les performances du modèle. Autrement dit, le lot d'apprentissage et le lot de validation se composent respectivement de 14 000 et 6 000 images.

CNN2—Il se compose de six couches convolutives avec 32, 32, 64, 64, 64, 128 filtres et trois couches de regroupement maximum, voir également la Fig. S7 supplémentaire en ce qui concerne le processus de sélection d'architecture. La couche de sortie de CNN2 est une couche entièrement connectée avec une fonction d'activation softmax47, qui attribue des probabilités décimales à chaque classe. L'ensemble de données de CNN2 se compose de 6865 images avec 100 × 100 pixels. Il montre cinq étiquettes de classe de sortie représentant les différents modèles caractéristiques illustrés dans l'image C-scan, Fig. 5. À partir d'un ensemble de données de 6865 images, 5151 images sont utilisées pour former le modèle et 1 714 images pour valider le modèle. Comme décrit ci-dessus, l'entrée de CNN2 est un patch d'image C-scan avec des valeurs de 10 000 pixels, c'est-à-dire des patchs d'image avec le motif caractéristique de chaque TSV individuel. L'entrée est convoluée avec deux filtres 32 3 × 3. Cela réduit la dimension de l'entrée à 96 × 96 × 32. La troisième couche est une couche de mise en commun maximale avec la foulée 2. Les trois couches suivantes sont des couches convolutives qui sont empilées et apprennent 64 caractéristiques via un filtre 3 × 3. La sortie de ces couches est de taille 42 × 42 × 64 et est transmise à la prochaine couche de regroupement max. La huitième couche de CNN2 est une autre couche convolutive qui apprend 128 caractéristiques via un filtre 3 × 3. La sortie de la couche de regroupement max suivante est aplatie et fournit comme entrée à la couche dense avec cinq nœuds de sortie. Toutes les couches convolutives de CNN2 vont avec une foulée = 1 et une activation d'unité linéaire rectifiée (ReLu).

L'entrée pour les extracteurs de caractéristiques est constituée de 3044 images SAM C-scan de TSV avec 10 000 pixels, c'est-à-dire une boîte englobante avec un motif caractéristique de TSV. Cette boîte englobante est obtenue à partir du centre des TSV détectés à l'aide des cercles de Hough. Deux ensembles de caractéristiques sont extraits de ces patchs d'image en utilisant l'approche 1 (CED) et l'approche 2 (FriST). Pour la formation des modèles MLP, DT et RF, comme indiqué dans le tableau 1, nous utilisons 70 % du jeu de données total pour la formation du modèle et 30 % du jeu de données total pour valider le modèle. Pour la formation et la validation de l'arbre de décision et de la forêt aléatoire, nous avons extrait les mêmes caractéristiques que pour le MLP en utilisant les techniques CED et FriST. Le MLP modélisé se compose d'une couche d'entrée avec 1000 nœuds, de couches cachées avec 250, 125, 50 nœuds et d'un nœud de sortie. Le solveur utilisé pour l'optimisation du poids est Limited Memory Broyden Fletcher Goldfarb Shanno (LBFGS) et l'entropie croisée pour mesurer la pénalité associée aux prédictions (fonction de perte).

Canny Edge Detection (CED): Avant d'extraire toute information de bord des franges TSV, nous avons appliqué le filtre gaussien afin de supprimer tout artefact de balayage ou bruit présent sur l'image. Ensuite, nous avons détecté des bords de frange à partir de cela en appliquant un algorithme CED. Les caractéristiques de bord ainsi obtenues sont encore rétrécies en appliquant l'ACP à ces données.

Fringe Segmentation Technique (FriST): Ici, la boîte englobante contient les modèles caractéristiques prétraités à l'aide d'un seuillage adaptatif. Ensuite, un cercle de rayon unitaire est considéré au centre de l'image pré-traitée. Le rayon de ce cercle est augmenté de manière itérative jusqu'à ce qu'il atteigne la fin de la boîte englobante (voir Fig. S10 supplémentaire). A partir des images C-scan, les informations concernant les TSV se situent principalement dans les deux franges internes. A chaque étape, le nombre total de pixels noirs qui se trouvent dans la circonférence de ce cercle est tracé. Les premier et deuxième pics du tracé correspondent aux franges d'intérêt et conservent donc ces zones de segments d'image en définissant tous les pixels situés au-delà de ces deux pics sur 255 (voir les figures supplémentaires S10 et S11). Ces étapes sont itérées séquentiellement pour chaque TSV afin d'extraire les caractéristiques pertinentes des franges. Les ROI pertinentes segmentées à l'aide de la technique FriST sont également transmises à l'ACP.

Pour le modèle E2E-CNN, aucun pré ou post-traitement des images SAM C-scan n'est requis alors que dans la localisation et la classification TSV semi-automatisées, en fonction de la qualité de l'image SAM C-scan, nous devons préparer l'image à l'aide de diverses techniques de traitement d'image telles que l'amélioration du contraste, le filtrage, le seuillage, etc. 10 000 TSV peuvent être typiquement analysés. Un fichier image avec 2 μm/pixel affiche une taille de fichier de 600 Mo. Par conséquent, nous sélectionnons pour une analyse plus approfondie des ROI avec environ 576 TSV en tenant compte de la puissance de calcul limitée. Pour CNN 2, nous avons augmenté les TSV avec des motifs caractéristiques appartenant aux classes 4 et 5. De telles images C-scan indiquent des bulles d'eau et des artefacts de balayage et sont plutôt rares. La taille de l'ensemble de données augmentées pour la classe 4 et la classe 5 est de 537. Pour l'augmentation, nous avons principalement utilisé le retournement, la rotation, le zoom avant et le zoom arrière.

Toutes les données qui appuient les conclusions de cette étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Tous les codes qui appuient les conclusions de cette étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Raj, B., Jayakumar, T. & Thavasimuthu, M. Essais pratiques non destructifs. (Woodhead Publishing, 2002).

Kumar, S. & Mahto, DG Tendances récentes dans les applications industrielles et autres techniques des essais non destructifs : un examen. Int. J. Sci. Ing. Rés. 4, (2013).

Virkkunen, I., Koskinen, T., Jessen-Juhler, O. & Rinta-Aho, J. Augmented Ultrasonic data for machine learning. J. Non destructif. Évaluation 40, 1–11 (2021).

Article Google Scholar

Huang, Y.-J., Pan, C.-L., Lin, S.-C. & Guo, M.-H. Approche d'apprentissage automatique dans la détection et la classification des défauts dans les circuits intégrés 3D basés sur TSV. IEEE Trans. Composant. Emballage Fab. Technol. 8, 699-706 (2018).

Article CAS Google Scholar

Hsu, P.-N. et coll. Apprentissage en profondeur de l'intelligence artificielle pour la prédiction de la fiabilité des circuits intégrés 3D. Sci. Rép. 12, 1–7 (2022).

Annonces d'article Google Scholar

Liu, H., Fang, R., Miao, M., Yang, Y. & Jin, Y. Détection de défauts pour le canal de transmission TSV à l'aide d'une approche d'apprentissage automatique, en 2019 IEEE 69th Electronic Components and Technology Conference (ECTC) 2168–2172 (2019).

Wang, Z., Liu, X., He, Z., Su, L. & Lu, X. Détection intelligente de flip chip avec la microscopie acoustique à balayage et le réseau neuronal de régression général. Microélectron. Ing. 217, 111127 (2019).

Article CAS Google Scholar

Albawi, S., Mohammed, TA et Al-Zawi, S. Compréhension d'un réseau de neurones convolutifs, en 2017 Conférence internationale sur l'ingénierie et la technologie (ICET) 1–6 (2017).

Aloysius, N. & Geetha, M. Un examen des réseaux de neurones à convolution profonde. en 2017 conférence internationale sur la communication et le traitement du signal (ICCSP) 588–592 (2017).

Gu, J. et al. Progrès récents dans les réseaux de neurones convolutifs. Reconnaissance de modèle. 77, 354–377 (2018).

Annonces d'article Google Scholar

Koester, SJ et al. Technologie d'intégration 3D au niveau de la tranche. IBM J. Res. Dév. 52, 583–597 (2008).

Article CAS Google Scholar

Motoyoshi, M. Traversant le silicium via (TSV). Proc. IEEE 97, 43–48 (2009).

Article CAS Google Scholar

Shen, W.-W. & Chen, K.-N. Technologie clé des circuits intégrés tridimensionnels (3D IC) : through-silicon via (TSV). Nanoscale Res. Lett. 12, 1–9 (2017).

Annonces d'article Google Scholar

Lu, KH et al. Délamination induite par le stress thermique des vias traversants en silicium dans les interconnexions 3D, en 2010 Actes 60e Conférence sur les composants et la technologie électroniques (ECTC) 40–45 (2010).

Ranganathan, N., Prasad, K., Balasubramanian, N. & Pey, KL Une étude de la contrainte thermomécanique et de son impact sur les vias traversants en silicium. J. Micromech. Microeng. 18, 75018 (2008).

Article Google Scholar

Tsai, M., Klooz, A., Leonard, A., Appel, J. & Franzon, P. Through silicon via (TSV) default/pinhole self test circuit for 3D-IC, in 2009 IEEE International Conference on 3D System Integration 1–8 (2009).

Chakrabarty, K., Deutsch, S., Thapliyal, H. & Ye, F. Défauts TSV et défaillances de circuits induites par TSV : La troisième dimension dans les tests et la conception pour test, en 2012 IEEE International Reliability Physics Symposium (IRPS) 5F–1 (2012).

Dom, BE & Brecher, V. Progrès récents dans l'inspection automatique des circuits intégrés pour les défauts de modèle. Mach. Vis. Appl. 8, 5–19 (1995).

Article Google Scholar

Bazu, M. & Bajenescu, T. Analyse des défaillances : un guide pratique pour les fabricants de composants et de systèmes électroniques. vol. 4 (John Wiley & Fils, 2011).

Kozic, E. et al. Détection de défauts de métallisation dans des composants intégrés 3D par microscopie acoustique à balayage et simulations acoustiques. Microélectron. Fiab. 88, 262-266 (2018).

Article Google Scholar

Chen, Q., Huang, C., Wu, D., Tan, Z. et Wang, Z. Vias traversants en silicium à très faible capacité avec couches d'isolation à entrefer annulaire. IEEE Trans. Appareils électroniques 60, 1421–1426 (2013).

Article ADS CAS Google Scholar

Abd Al Rahman, M. & Mousavi, A. Examen et analyse des méthodes d'inspection optique automatique et de contrôle de la qualité dans l'industrie électronique. Accès IEEE 8, 183192–183271 (2020).

Article Google Scholar

Reimer, L. Microscopie électronique à balayage : physique de la formation d'images et de la microanalyse. Mes. Sci. Technol. 11(12), 1826–1826 (2000).

Annonces d'article Google Scholar

Zhou, W., Apkarian, R., Wang, ZL & Joy, D. Fundamentals of scanning electron microscopy (SEM), dans Scanning Microscopy for Nanotechnology 1–40 (Springer, 2006).

Pacheco, M. & Goyal, D. X-ray computer tomography for non-destructive failure analysis in microelectronics, en 2010 IEEE International Reliability Physics Symposium 252–258 (2010).

Zschech, E. et al. Tomographie à rayons X informatisée en laboratoire - Une technique non destructive pour l'analyse de la microstructure 3D des matériaux. Pratique. Métallologue. 55, 539-555 (2018).

Annonces d'article Google Scholar

Cassidy, C., Teva, J., Kraft, J. & Schrank, F. Enquêtes sur les défauts à travers le silicium via (TSV) à l'aide de la microscopie à émission latérale. Microélectron. Fiab. 50, 1413–1416 (2010).

Article CAS Google Scholar

da Fonseca, RJM et al. Microscopie acoustique à balayage - applications récentes en science des matériaux. Adv. Mater. 5, 508-519 (1993).

Article Google Scholar

Zhang, G.-M., Harvey, DM et Braden, DR Caractérisation de boîtiers microélectroniques à l'aide de la microscopie acoustique à balayage. CND E Int. 40, 609–617 (2007).

Article CAS Google Scholar

Briggs, A., Briggs, GAD et Kolosov, O. Microscopie acoustique. vol. 67 (Oxford University Press, 2010).

Zou, Z., Shi, Z., Guo, Y. & Ye, J. Détection d'objets en 20 ans : Une enquête. arXiv Prépr. arXiv:1905.05055 (2019).

LeCun, Y., Huang, FJ et Bottou, L. Méthodes d'apprentissage pour la reconnaissance d'objets génériques avec invariance à la pose et à l'éclairage, dans Actes de la conférence 2004 de l'IEEE Computer Society sur la vision par ordinateur et la reconnaissance de formes, 2004. CVPR 2004. vol. 2 II-104 (2004).

Delakis, M. & Garcia, C. détection de texte avec les réseaux de neurones convolutifs. VISAPP 2, 290–294 (2008).

Google Scholar

Sermanet, P. et al. Overfeat : Reconnaissance, localisation et détection intégrées à l'aide de réseaux convolutifs. arXiv Prépr. arXiv1312.6229 (2013).

Lu, H. Codage quasi-orthonormal pour les applications d'apprentissage automatique. arXiv Prépr. arXiv2006.00038 (2020).

Chen, T., Min, MR & Sun, Y. Apprentissage de codes discrets d-dimensionnels k-way pour des représentations d'intégration compactes, dans Conférence internationale sur l'apprentissage automatique 854–863 (2018).

Redmon, J., Divvala, S., Girshick, R. & Farhadi, A. Vous ne regardez qu'une seule fois : détection d'objets unifiée en temps réel, dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes 779–788 (2016).

Shih, FY Traitement d'image et reconnaissance de formes : fondamentaux et techniques. (John Wiley & Fils, 2010).

Grünwald, E. et al. Analyse automatisée des défaillances des TSV revêtus de tungstène par microscopie acoustique à balayage. Microélectron. Fiab. 64, 370-374 (2016).

Article Google Scholar

Rong, W., Li, Z., Zhang, W. et Sun, L. Un algorithme de détection de bord CANNY amélioré, en 2014 Conférence internationale IEEE sur la mécatronique et l'automatisation 577–582 (2014).

Petrou, MMP & Petrou, C. Traitement d'image : les fondamentaux. (John Wiley & Fils, 2010).

Bradley, D. & Roth, G. Seuil adaptatif utilisant l'image intégrale. J. Graphique. outils 12, 13–21 (2007).

Article Google Scholar

Kohler, R. Un système de segmentation basé sur le seuillage. Calcul. Graphique. Processus d'image. 15, 319-338 (1981).

Article Google Scholar

Puech, M. et al. Fabrication d'emballages 3D TSV à l'aide de DRIE, en 2008 Symposium sur la conception, le test, l'intégration et l'emballage de MEMS/MOEMS 109–114 (2008).

Singulani, AP, Ceric, H. & Langer, E. Stress evolution on tungsten thin-film of an open through silicon via technology, dans Actes du 20e Symposium international IEEE sur l'analyse physique et des défaillances des circuits intégrés (IPFA) 212–216 (2013).

Filipovic, L., Singulani, A., Roger, F., Carniello, S. & Selberherr, S. Analyse des contraintes intrinsèques des TSV ouverts revêtus de tungstène. Microélectron. Fiab. 55, 1843–1848 (2015).

Article CAS Google Scholar

Sharma, S., Sharma, S. & Athaiya, A. Fonctions d'activation dans les réseaux de neurones. Towar. Data Sci. 6, 310–316 (2017).

Google Scholar

Télécharger les références

Nous reconnaissons le soutien financier de Die Österreichische Forschungsförderungsgesellschaft (FFG) sous Bridge Young Scientist, Proj. No. 872629, "REFORM" et en partie dans le cadre du programme COMET au sein du K2 Center "Integrated Computational Material, Process and Product Engineering (IC-MPPE) (Proj. No 886385, P2.22). Ce programme est soutenu par les ministères fédéraux autrichiens pour l'action climatique, l'environnement, l'énergie, la mobilité, l'innovation et la technologie (BMK) et pour le travail et l'économie (BMAW), représentés par l'Agence autrichienne pour la promotion de la recherche (FFG), et les États fédéraux de Sty ria, Haute-Autriche et Tyrol Nous reconnaissons le soutien de M. Gritzner, ams-OSRAM AG pour les mesures SEM.

Centre des matériaux Leoben Research GmbH, Leoben, Autriche

Priya Paulachan et Roland Brunner

ams-OSRAM AG, Premstaetten, Autriche

Jorg Siegert

PVA TePla Analytical Systems GmbH, Westhausen, Allemagne

Ingo Wiesler

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

RB, PP a planifié et exécuté le flux de travail ML. PP a développé l'architecture CNN sous la supervision de RB ; JS a fourni les échantillons. RB a planifié les mesures SAM. PP a effectué les mesures SAM. IW a soutenu la modification du SAM. PP a effectué l'analyse sous la supervision de RB. RB et PP ont rédigé l'article. Tous les auteurs ont discuté des résultats et commenté l'article.

Correspondance à Roland Brunner.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Paulachan, P., Siegert, J., Wiesler, I. et al. Un réseau neuronal convolutif de bout en bout pour la localisation automatisée des pannes et la caractérisation des interconnexions 3D. Sci Rep 13, 9376 (2023). https://doi.org/10.1038/s41598-023-35048-0

Télécharger la citation

Reçu : 19 janvier 2023

Accepté : 11 mai 2023

Publié: 09 juin 2023

DOI : https://doi.org/10.1038/s41598-023-35048-0

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.