Erzielen Sie einen Wettbewerbsvorteil im Halbleiter-Herstellungsprozess mit industrieller Bildverarbeitung und Deep Learning

Die steigende Chip-Nachfrage hat die Fertigungskapazitäten weltweit erheblich belastet. Alles, was den Chip-Herstellungsprozess schneller, effizienter und billiger macht, führt zu einem Wettbewerbsvorteil.

Moderne Bildverarbeitungssysteme mit Deep-Learning-Tools sorgen in zunehmendem Maße dafür, dass Kapazitäten innerhalb kurzer Zeiträume erhöht werden können, was die Ausrichtung, Rückverfolgbarkeit und Fehlererkennung verbessert.

Ausrichtung

Silizium-Wafer werden in einer Reihe von Schritten hergestellt, in denen jeweils eine weitere Materialschicht auf die vorherigen Schichten aufgebracht wird, wobei diese Schichten genau ausgerichtet sein müssen.

Erkennung der Wafer Notch

Die gesamte Ausrichtung von Wafern wird oft durch Überprüfung der Ausrichtung einer Notch erreicht. Herkömmliche Methoden sind sperrig und langsam, außerdem haben sie Probleme mit den immer gängigeren transparenten Wafern.

Ein Cognex In-Sight Bildverarbeitungssystem mit PatMax-Algorithmen findet benötigt nicht viel Platz und erkennt die Notch zuverlässig in jeder Ausrichtung.

Wafer- und Chipsausrichtung

Eine schlechte Ausrichtung von Wafern verursacht Probleme bei der Fotolithografie, der Inspektion und Testung sowie beim Dicing, was zu Fehlern und Ausschuss führt.

Die geometrischen PatMax-Mustererkennungsalgorithmen von Cognex können verschiedene Wafer- und Chipmuster mit hoher Präzision und Wiederholbarkeit lokalisieren und ausrichten und dadurch Qualität und Ertrag verbessern.

Identifikation/Rückverfolgbarkeit

Um eine effiziente Herstellung zu gewährleisten, die Produktqualität zu messen und Produktfälschungen zu bekämpfen, sind Wafer, Wafer-Träger, Lead-Frames, Chips, integrierte Schaltkreise und Leiterplatten mit maschinenlesbaren Identifikationscodes und alphanumerischen Zeichen in Klarschrift zur Nachverfolgung gekennzeichnet.

Diese Codes können schwer zu lesen sein oder verschleißen während des Fertigungsprozesses, was die optische Zeichenerkennung (OCR) und Dekodierung schwierig und fehleranfällig macht.

Wafer OCR

Mit Hilfe von lasermarkierten alphanumerischen oder DataMatrix-IDs können Silizium-Wafer von der Entstehung bis zum Dicing nachverfolgt werden. Wafer haben spiegelnde Oberflächen und der Code kann während der Markier-, Ätz- und Fotolithografieprozesse beschädigt werden.

Wafer-Lesegeräte von Cognex verwenden sowohl für OCR- als auch 2D-Barcodes Wafer-spezifische Erkennungsalgorithmen. Integrierte, anpassbare Beleuchtung und Bildverarbeitung minimieren Lesefehler.

OCR des Wafer-Tragrings

Da die lasermarkierte ID auf dem Wafer selbst nach dem Dicing unbrauchbar wird, werden Wafer von einem ID-markierten Tragring durch das Dicing zum Drahtbonden geführt. Die Reinigung nach dem Dicing beeinträchtigt die Codes auf den Tragringen, was zu einer Verlangsamung der Automatisierung durch Code-Lesefehler führt.

Mehrdeutige alphanumerische Zeichen und Abweichungen der Tragring-Oberflächen erschweren es der herkömmlichen industriellen Bildverarbeitung, die Codes zu erkennen. Eine Smartkamera mit dem Cognex Deep-Learning-OCR-Tool erkennt sogar stark beschädigte Codes.

Rückverfolgung von integrierten Schaltungen

Chips in integrierten Schaltungen werden zur Anschlussherstellung auf ein metallisches Träger-Substrat, den sogenannten Lead Frame, gebondet. Lead Frames sind mit 2D-DataMatrix-Barcodes mittels Laser beschrieben. Diese Codes sind durch Zustandsverschlechterung während der Produktion sowie aufgrund kontrastarmer und spiegelnder Lead Frames schwer zu lesen.

Bildbasierte Barcode-Lesegeräte von Cognex mit flexibler Beleuchtung und Optik nutzen branchenführende Algorithmen, um selbst die anspruchsvollsten 2D-DataMatrix-Barcodes zu lesen.

OCR von integrierten Schaltungen

Auf jeden Chip wird nach dem Package-Test ein alphanumerischer Code zur Rückverfolgbarkeit und Verifizierung geprägt, wenn die Chips auf Leiterplatten montiert werden. Diese Codes können durch Umgebungsbeschichtungen und stark texturierte Oberflächen verformt werden, welche die Lesbarkeit beeinträchtigen.

Das Cognex Deep-Learning-OCR-Tool lässt sich problemlos trainieren, um verformte, schiefe und kontrastarme Codes vor einem spiegelnden und texturierten Hintergrund zu lesen. Es kann schnell für neue Oberflächen neu trainiert werden.

Fehlerprüfung

Eine frühe Erkennung von Fehlern im Produktionsprozess bei gleichzeitiger Weiterleitung rein kosmetischer Mängel erhöht die Ertragsrate pro Wafer und minimiert damit die Nacharbeit und manuelle Prüfung.

Fehlerprüfung von Wafern

Jede Waferschicht muss geprüft werden, bevor die nächste aufgebracht wird. Die Bandbreite der Fehler ist groß. Fehler können überall vor dem Hintergrund vorheriger Schichten auftreten.

Das Cognex Deep-Learning-Defekterkennungstool wird anhand eines Bildsatzes von fehlerfreien Schichten trainiert. Später ist es dann in der Lage, überall auf der Waferschicht Mängel zu identifizieren und Abweichungen auszusortieren.

Kontaktspuren

Die bei der Waferprüfung vor der Chip-Vorbereitung verwendeten Prüfkontakte hinterlassen Spuren, deren Formen sichtbar machen, ob der Prüfkontakt einen falschen Druck auf die Wafer ausübt, was ein erstes Anzeichen für einen Prüfkontaktfehler ist.

Das Cognex Deep-Learning-Klassifizierungstool kann zwischen den großen Abweichungen guter und schlechter Kontaktspuren unterscheiden. Dies ermöglicht frühzeitige Korrekturen an Prüfkontakten und erhöht sowohl deren Lebensdauer als auch die Wafer-Erträge.

Chiprand

Wafer-Chips können beschädigt sein oder Grate entlang ihrer Sägeschnitte aufweisen. Solche Mängel sind sehr unterschiedlich und mit herkömmlicher Bildverarbeitung nur schwer konstant zu erkennen.

Das Cognex Deep-Learning-Klassifizierungstool kann Fehler wie Ausbrüche und Graten von einer ganzen Reihe normaler Dicing-Spuren unterscheiden. Es erkennt auch allmählichen Verschleiß an der Schneideklinge. So kann diese ausgetauscht werden, bevor die Fehlerraten steigen.

Chipoberfläche

Jeder Chip kann viele erhebliche Oberflächenfehler aufweisen, aber auch kosmetische Mängel, welche die Funktion nicht beeinträchtigen. Sowohl für herkömmliche Bildverarbeitung als auch für menschliche Prüfer ist es schwierig, diese zu unterscheiden.

Das Cognex Deep-Learning-Defekterkennungstool erkennt und markiert zulässige Anomalien, während es rein kosmetische Mängel weiterleitet.

Drahtbonden

Chips werden durch Drahtbonden mit den Lead Frames verbunden, die dann wiederum mit anderen Komponenten verbunden werden. Mängel können die Signalübertragung unterbrechen. Die Bandbreite der Fehler ist groß und kann sich mit kosmetischen Mängeln überschneiden, welche die Funktion nicht beeinträchtigen.

Eine Kombination aus Cognex Deep-Learning-Defekterkennungs- und Klassifizierungstools kann Regionen der Anomalien extrahieren und später zwischen guten und schlechten Drahtbonds unterscheiden.

Seitenwand des WLCSP (Wafer Level Chip Scale Package)

Wafer Level Chip Scale Packages sind eine Möglichkeit der Montage von integrierten Schaltungen, während sie immer noch Teil des Wafers sind. Risse in der Seitenwand können die Leistung verschlechtern, jedoch lassen sich manchmal Schichtgrenzen und Risse nur schwer voneinander unterscheiden.

Das Cognex Deep-Learning-Defekterkennungstool unterscheidet präzise zwischen Rissen in der Seitenwand und Schichtgrenzen.

IC-Spritzguss

Integrierte Schaltungen sind zu ihrem Schutz in Kunststoff eingegossen. Verschiedene Risse, Verformungen und Hohlstellen können den Schutz beeinträchtigen, jedoch kann der Prozess auch kosmetische Mängel hinterlassen, welche die Funktion nicht beeinträchtigen.

Das Cognex Deep-Learning-Defekterkennungstool erkennt Funktionsstörungen, während es rein kosmetische Mängel weiterleitet. Das Klassifizierungstool kann verwendet werden, um spezifische Fehlertypen zu erkennen und Produktionsprobleme zu beheben.

Leitungen von integrierten Schaltungen

Fehlende oder verbogene Kontaktstifte an Chips können diese funktionsuntüchtig machen. Die vielen unterschiedlichen Fehler und Stellen von Stiften sind eine Herausforderung für herkömmliche Bildverarbeitung.

Das Cognex Deep-Learning-Defekterkennungstool erkennt Anomalien schnell und sortiert Chips mit fehlerhaften Kontaktstiften aus.

Verbessern Sie den Durchsatz in der Halbleiterfertigung mit industrieller Bildverarbeitung

Cognex Bildverarbeitungssysteme verbessern die Silizium-Waferausrichtung, besonders wenn sie mit Cognex Deep-Learning-Tools ausgestattet sind. Darüber hinaus ermöglichen sie eine präzise Verfolgung von Wafern und Chips sowie das Erkennen und Klassifizieren vieler Fehler in jeder Herstellungsphase, vom Wafer bis zur Leiterplatte. Mit minimalen Kapitalkosten lassen sich in jeder Phase der Halbleiter-Lieferkette Verbesserungen verzeichnen.