Obtenga una ventaja competitiva en la fabricación de semiconductores con el uso de visión artificial y Deep Learning

Semiconductor Manufacturing Large

El repunte de la demanda de chips ha puesto a prueba la capacidad de fabricación en todo el mundo. Cualquier cosa que torne el proceso de fabricación de chips más rápido, eficiente y económico proporciona una ventaja competitiva.

Cada vez más, los sistemas de visión sofisticados que cuentan con herramientas de Deep Learning lideran el camino de mejoras significantes en la capacidad dentro de plazos cortos, al mejorar la alineación, la trazabilidad y la detección de defectos.

Alineación

Los wafers de silicio se fabrican en varios pasos, donde cada uno coloca una capa de material sobre las capas previas, y todas deben alinearse con precisión.

Alineación de semiconductores

Detección de marcas en wafer

La alineación general de wafer se suele lograr mediante la orientación de una marca. Los métodos tradicionales ocupan mucho espacio, son lentos y tienen problemas con los wafers transparentes que son cada vez más comunes.

Un sistema de visión In-Sight de Cognex con algoritmos PatMax se puede adaptar en espacios reducidos y detecta de manera confiable la marca en cualquier dirección.

Wafer y alineación de troqueles

Una mala alineación de un wafer causa problemas durante la fotolitografía, el montaje, la prueba y el corte, lo que causa defectos y desperdicios.

Los algoritmos de detección de patrones geométricos PatMax de Cognex ubican y alinean patrones de wafer y cortes variables con alta precisión y repetibilidad, lo que aumenta la calidad y el rendimiento.

Identificación/trazabilidad

Para garantizar la eficiencia en la fabricación, medir la calidad del producto y luchar contra las falsificaciones, los wafer, los portadores de wafer, los marcos de conexión, los cortes, los circuitos integrados (CI) y las placas de circuitos impresos (PCB) cuentan con códigos de identificación legibles por máquina y caracteres alfanuméricos legibles por el hombre para su seguimiento.

Estos códigos pueden ser difíciles de leer o desgastarse durante el proceso de fabricación, lo que torna el reconocimiento óptico de caracteres (OCR) y la decodificación difíciles y propensas a errores.

Trazabilidad de semiconductor

OCR del wafer

Identificaciones alfanuméricas o DataMatrix grabadas con láser dan seguimiento a los wafers de silicio desde su creación hasta el corte. Las superficies de los wafers son reflejantes y el código se puede degradar durante los procesos de enmascaramiento, grabado y fotolitografía.

Los lectores de wafer de Cognex utilizan algoritmos específicos para la detección de wafers para OCR y códigos de barras 2D. La iluminación adaptable integrada y el procesamiento de imágenes minimizan los errores de lectura.

OCR del anillo portador de wafer

Desde que la ID grabada por láser sobre el wafer en sí se vuelve inutilizable luego del corte en cubos, los wafer se trasladan desde el corte en cubos a la unión de los cables en un anillo portador marcado con una ID. La limpieza después del corte en cubos degrada los códigos en los anillos portadores, lo que causa retrasos en la automatización cuando hay errores de lectura de estos códigos.

Los caracteres alfanuméricos ambiguos y las variaciones en la superficie del anillo portador hacen que sea difícil para la visión artificial tradicional reconocer los códigos. Una cámara inteligente con la herramienta de OCR de Cognex Deep Learning reconoce hasta los códigos muy dañados.

Seguimiento de circuitos integrados (CI)

Los chips en los CI se unen a un sustrato metálico, llamado marco de conexiones, para conectividad y soporte. A los marcos de conexiones se les graban códigos de barras DataMatrix 2D con láser. La degradación durante la producción y el bajo contraste y la reflectancia de los marcos de conexión en sí hacen que estos códigos sean difíciles de leer.

Los lectores de códigos de barras basados en imágenes con iluminación y óptica flexibles de Cognex, utilizan algoritmos líderes de la industria para decodificar incluso códigos de barras DataMatrix 2D desafiantes.

OCR de CI

Luego de evaluar el empaque, se le coloca un código alfanumérico a cada chip para la trazabilidad y verificación a medida que se colocan los chips en PCB. Estos códigos se pueden deformar por el laminado ambiente y superficies con mucha textura, lo que disminuye su facilidad de lectura.

La herramienta de OCR de Cognex Deep Learning viene entrenada para leer códigos deformados, torcidos y con bajo contraste contra fondos reflejantes y texturizados, y se puede volver a entrenar para nuevas superficies.

Inspección de defectos

Identificar defectos en los primeros pasos del proceso de producción y aprobar las fallas estéticas aumentan la tasa de rendimiento por wafer, lo que disminuye el reprocesamiento y la inspección manual.

 Inspección de defectos de semiconductores

Inspección de defectos de wafer

Es necesario inspeccionar cada capa del wafer antes de colocar la siguiente. La variedad de defectos es grande y pueden aparecer en cualquier lugar contra el fondo de las capas previas.

La herramienta de detección de defectos de Cognex Deep Learning se entrena con un conjunto de imágenes de capas sin defectos y, luego, puede encontrar e identificar defectos en cualquier lugar de la capa del wafer y rechazar las anomalías.

Marcas de sonda

Las sondas utilizadas para probar el wafer antes de la preparación del corte deja marcas cuyas formas pueden mostrar si la sonda está aplicando una presión incorrecta sobre los wafers —un signo temprano de fallo de la sonda—.

La herramienta de clasificación de Cognex Deep Learning: puede distinguir entre una amplia variedad de marcas buenas y malas, lo que permite realizar correcciones a las sondas en forma temprana, aumentando así su vida útil y el rendimiento de wafers.

Borde del troquel

Los troqueles de los wafer se pueden astillar o tener rebabas en los cortes. Estos defectos son variables y difíciles de detectar en forma consistentes con la visión artificial tradicional.

La herramienta de clasificación de Cognex Deep Learning distingue entre defectos de astillas y rebabas de la amplia variedad de marcas de cortes normales. También detecta el desgaste gradual de la cuchilla de corte, lo que permite su reemplazo antes de que aumente la tasa de error.

Superficie del troquel

Cada troquel o chip puede presentar una amplia variedad de defectos significativos en la superficie, pero también fallas estéticas que no afectan la función. Tanto para la visión artificial tradicional como para los inspectores humanos es difícil distinguir entre ambos.

La herramienta de detección de defectos de Cognex Deep Learning detecta y etiqueta anomalías inaceptables, mientras que aprueba los defectos estéticos.

Unión por cable

La unión por cable conecta los chips a los marcos de conexiones, que luego se conectan a otros componentes. Los defectos pueden interrumpir la transmisión de señal. La variedad de defectos es amplia y puede superponerse con defectos estéticos que no afectan la funcionalidad.

Combinar las herramientas de detección de defectos y clasificación de Cognex Deep Learning puede extraer regiones de anomalías y, luego, distinguir uniones por cable buenas y malas.

Uniones por cable de semiconductores

Pared lateral de paquete a escala de chip a nivel del wafer (WLCSP)

Los paquetes a escala de chip a nivel del wafer son un método de empacar un circuito integrado mientras sigue siendo parte del wafer. Grietas en la pared lateral puede disminuir el rendimiento, pero es difícil distinguir entre los límites de las capas y grietas.

La herramienta de detección de defectos de Cognex Deep Learning distingue con precisión entre grietas de paredes laterales y límites de las capas.

Moldeo de circuitos integrados (CI)

Los circuitos integrados se encapsulan en plástico para protegerlos. Distintas grietas, deformaciones y vacíos pueden afectar la protección, pero el proceso puede causar defectos estéticos que no afectan la funcionalidad.

La herramienta de detección de defectos de Cognex Deep Learning detecta anomalías funcionales, mientras que aprueba las fallas estéticas. La herramienta de clasificación se puede utilizar para identificar tipos específicos de defectos para atender problemas de producción.

Cables de circuitos integrados (CI)

Clavijas de chips faltantes o dobladas pueden hacer que los chips no funcionen. La amplia variedad de defectos y ubicaciones de las clavijas son desafiantes para la visión artificial tradicional.

La herramienta de detección de defectos de Cognex Deep Learning detecta rápidamente anomalías y rechaza chips con defectos en las clavijas.

Mejore el rendimiento de la fabricación de semiconductores gracias a la visión artificial

Los sistemas de visión artificial de Cognex, en especial cuando cuentan con las herramientas de Cognex Deep Learning, mejora la alineación de los wafers de silicio, permite un seguimiento preciso de wafers y chips, y detecta y clasifica una amplia variedad de defectos en cada paso desde el wafer a la PCB (tarjeta de circuitos impresos). Con un costo de capital mínimo, se pueden observar mejoras en cada paso de la cadena de suministro de semiconductores.

Más publicaciones en

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex