Inspection des défauts des wafers de semi-conducteurs

Analysez chaque couche de wafer pour détecter les défauts et d’autres anomalies indésirables

Le Deep Learning a distingué un bon exemple d’inspection de wafers de semi-conducteurs et deux mauvais.

Produits connexes

VisionPro ViDi Software inspecting computer mouse on monitor

VisionPro Deep Learning

Un environnement de programmation graphique pour l'analyse d'images industrielles basée sur le deep learning

In-Sight D900

In-Sight D900

Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi

Les wafers de semi-conducteurs se composent de plusieurs couches. Pour chacune d’elles, un processus complexe et précis qui consiste à déposer le matériau, appliquer l’épargne, lithographier, graver et implanter des ions est mis en œuvre, après quoi l’épargne est retirée.

Avant qu’une autre couche ne soit appliquée, celle qui a été tout juste gravée et implantée doit être inspectée pour détecter d’éventuels défauts. Les couches de wafer peuvent présenter des rayures, des défauts de rotation, des problèmes d’exposition, une contamination par des particules, des points chauds, des défauts sur les bords et un large éventail d’autres défauts qui affectent les performances finales de la puce.

S’ils ne sont pas détectés immédiatement après le dépôt de la couche, ces défauts ne seront décelés qu’au moment du test final. Des ressources précieuses sont donc gaspillées puisqu’une plus-value est apportée à un produit défectueux. Pire encore, les défauts aux niveaux les plus bas risquent de ne pas être détectés du tout. Même s’ils passent inaperçus lors du test électrique final, les défauts non détectés risquent de réduire la fiabilité d’utilisation et d’entraîner une défaillance prématurée.

L’éventail de défauts possibles est vaste et ces derniers peuvent survenir à n’importe quel endroit sur le wafer circulaire. Les défauts des revêtements peuvent se manifester par des variations de couleur imprévisibles et doivent être détectés sur l’arrière-plan complexe que constituent les couches déposées précédemment. La vision industrielle conventionnelle ne peut pas être programmée pour détecter des erreurs aussi variées et n’est pas non plus fiable pour détecter les défauts programmés sur un arrière-plan comprenant plusieurs couches.

Compte tenu de la lenteur de l’inspection manuelle, celle-ci ne peut être effectuée que sur un sous-ensemble statistique de wafers. Elle implique également davantage de manipulations des wafers, ce qui ouvre la voie à de nouvelles sources de contamination et d’endommagement. À l’inverse, le logiciel Cognex Deep Learning permet la détection automatisée des défauts sur un plus grand nombre de wafers. L’outil de détection des défauts peut détecter même les petits défauts qui surviennent n’importe où sur la couche de wafer, en ignorant complètement les couches inférieures, et rejette toute anomalie. Il peut aussi être utilisé dans un système d’inspection à deux niveaux, où il identifie les situations ambiguës et envoie les wafers concernés vers un poste d’inspection manuelle hors ligne pour un examen approfondi.

 

L’In-Sight D900 s’appuie sur le Deep Learning pour inspecter les wafers de semi-conducteurs afin de détecter les défauts et d’autres anomalies esthétiques indésirables.

 

Produits Cognex connexes

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex