Chiplet 技术正在成为半导体行业的热点，它通过将多个小芯片拼接在一起实现性能提升和成本降低，但与此同时也带来了新的检测难题，在传统X-Ray检测中工程师只能看到较大的缺陷，而对微小裂纹或空洞则无能为力，更复杂的是不同材质的芯片之间，缺陷的表现形式差异很大这导致检测参数容易波动，漏检和误检率高，数据也无法统一管理，而X-Ray的真正价值在于提前发现工艺问题，而不是等到缺陷积累后再补救，际诺斯从工程师视角分享AI X-Ray如何解决Chiplet异构集成中的缺陷识别难题。
在实际工作中我们遇到过多种类型的缺陷，例如：
键合失效：就像胶水没粘牢
层间错位：像是积木没有对齐
微凸点空洞：就像焊点里有小气泡
最棘手的是跨芯片的缺陷，如TSV空洞和RDL裂纹，它们隐藏在芯片堆叠的深处，传统方法难以识别，有一次我们处理了一批微凸点空洞较多的芯片，按照传统方式只能一张张看X光片，猜测问题来源，后来我们发现这些空洞存在“时空关联性”——一个空洞可能引发后续层间错位，甚至导致TSV应力裂纹。
提示： 不要只关注单个缺陷，还要注意缺陷之间的关系链，AI模型如果能分析这种路径，就能帮助你提前干预。
为了应对这些问题我们引入了AI X-Ray系统，但AI并非万能它需要根据不同的情况进行调整，例如针对不同材质的Chiplet，我们采用迁移学习先让AI学会识别硅中介层的缺陷，再微调后用于有机基板的检测，大大节省时间和精力，参数波动是一个大问题，电压或曝光时间稍有变化，AI模型就可能“出错”，为此我们引入了强化学习，让AI能够根据工艺变化自动调整参数，更高效的是AI还能生成“参数敏感度热力图”，直接指出哪个参数最关键，并给出调整建议，以前调参数靠经验，现在有了数据支持，效率显著提升。
提示： AI 模型需要高质量的数据来“学习”，如果你能收集不同工艺条件下的缺陷图片，AI会越来越智能。
去年我们的客户公司(一家先进封装企业)部署了AI X-Ray系统，目标是识别20多种Chiplet特有缺陷，包括键合缺陷、微裂纹、金属线断点、微凸点空洞、TSV空洞等，实施过程并不简单，我们采集了10万张X光片，人工标注了所有缺陷类型，然后进行模型训练，部署后，效果非常显著：
漏检率下降65%
误检率降低58%
检测效率提升40%
以前一个批次需要8小时完成检测，现在只需3小时，更令人惊喜的是数据互联互通，AI系统直接连接MES和SPC系统，检测数据自动上传，有一次我们发现某批次微凸点空洞高发，AI自动关联了上游工艺参数，发现是贴片压力波动了0.5%导致的，以前查这个根因需要翻三个系统花半天时间，现在几分钟就解决了。
AI X-Ray 最让我省心的地方是“一键优化”，以前换一个工艺，我需要重新调整电压、电流、曝光时间，至少折腾半天，现在AI可以自动匹配最佳参数，并根据工艺变化实时调整，更厉害的是“自进化”机制，系统内置在线学习模块，每次检测后都会对比实际缺陷和模型预测，如果发现新缺陷类型或参数漂移，它会自动触发模型微调，完全不用我操心，这就好比一个越用越聪明的助手，让我从重复调参中解放出来，专注于工艺改进。
未来AI X-Ray 会越来越智能，从“工具”变成“伙伴”，它帮助我们应对Chiplet异构集成的复杂挑战，推动良率持续提升，如果你也在为参数波动、漏检误检发愁不妨试试AI X-Ray——它可能是你一直在寻找的神器。
留言板
返回列表