Obtenez un avantage concurrentiel dans la fabrication des semi-conducteurs grâce à la vision industrielle et au Deep Learning

Semiconductor Manufacturing Large

La capacité de production au niveau mondial a été mise à rude épreuve par la hausse de la demande en puces. Tout ce qui contribue à rendre le processus de fabrication des puces plus rapide, plus efficace et moins coûteux offre un avantage concurrentiel.

Les systèmes de vision sophistiqués dotés d’outils basés sur le Deep Learning montrent la voie à suivre pour augmenter considérablement la capacité de production dans des délais courts, tout en améliorant l’alignement, la traçabilité et la détection des défauts.

Alignement

Les wafers de silicium sont fabriqués en plusieurs étapes, chacune permettant d’ajouter une couche de matière aux précédentes en les alignant de façon précise.

Alignement des semi-conducteurs

Détection des encoches des wafers

L’alignement global des wafers est généralement effectué en vérifiant l’orientation de leurs encoches. Les méthodes classiques sont encombrantes, lentes et peu compatibles avec les wafers transparents qui sont pourtant devenus monnaie courante.

Le système de vision In-Sight de Cognex équipé des algorithmes PatMax tient dans les espaces restreints et détecte les encoches avec fiabilité, quelle que soit leur orientation.

Alignement des wafers et puces

Le mauvais alignement des wafers pose des problèmes lors de la photolithographie, du contrôle électrique sous pointes, du test et de la découpe, ce qui entraîne des défauts et du gaspillage.

Les algorithmes de reconnaissance géométrique PatMax de Cognex localisent et alignent les formes variables des wafers et des puces avec une précision et une répétabilité élevées, améliorant ainsi la qualité et le rendement.

Identification/traçabilité

Pour garantir l’efficacité de la production, évaluer la qualité des produits et lutter contre la contrefaçon, des codes d’identification lisibles mécaniquement et des caractères alphanumériques lisibles par l’œil humain sont apposés sur les wafers, les supports de wafers, les grilles de connexion, les puces, les circuits intégrés et les cartes de circuit imprimé à des fins de suivi.

Ces codes peuvent être difficiles à lire ou s’user lors du processus de fabrication, ce qui complique la lecture optique de caractères et laisse davantage de place à l’erreur.

Traçabilité des semi-conducteurs

Reconnaissance optique de caractères sur les wafers

Les codes alphanumériques marqués au laser ou les codes d’identification DataMatrix permettent de tracer les wafers de silicium de la fabrication à la découpe. Les surfaces des wafers sont réfléchissantes et le code peut avoir été dégradé lors des étapes de masquage, de gravure et de photolithographie.

Les lecteurs de codes pour wafers de Cognex utilisent des algorithmes de détection spécifiques pour lire les codes OCR et 2D des wafers. L’éclairage ajustable et le traitement de l’image intégrés réduisent les échecs de lecture.

Reconnaissance optique de caractères sur l’anneau de support des wafers

Étant donné que le code d’identification marqué au laser sur les wafers devient inutilisable après la découpe, un support de wafer doté d’un code d’identification transporte les wafers à partir de ce moment jusqu’à l’étape de microcâblage. Le nettoyage effectué après la découpe dégrade les codes des supports de wafers, ce qui ralentit l’automatisation lorsque les codes sont mal lus.

Les caractères alphanumériques ambigus et les variations sur la surface des supports de wafers peuvent empêcher la vision industrielle classique de reconnaître les codes. La caméra intelligente équipée de l’outil OCR de Cognex Deep Learning parvient à reconnaître même les codes fortement endommagés.

Suivi des circuits intégrés

Les puces des circuits intégrés sont reliées à un substrat métallique, appelé grille de connexion, qui sert à assurer la connectivité et à les maintenir en place. Les grilles de connexion comportent des codes DataMatrix 2D marqués au laser. La dégradation occasionnée lors de la production, ainsi que le manque de contraste et la réflectivité des grilles de connexion en elles-mêmes rendent ces codes difficiles à lire.

Les lecteurs imageurs de codes de Cognex qui intègrent un éclairage et des optiques flexibles ainsi que des algorithmes de pointe parviennent même à décoder les codes DataMatrix 2D les plus difficiles.

Reconnaissance optique de caractères sur les circuits intégrés

Une fois le module testé, un code alphanumérique est estampillé sur chaque puce à des fins de traçabilité et de vérification lors de l’assemblage des puces sur les cartes de circuit imprimé. La stratification du milieu et les surfaces hautement texturées peuvent déformer les codes, ce qui réduit leur lisibilité.

L’outil OCR de Cognex Deep Learning est préentraîné à lire des codes déformés, asymétriques et manquant de contraste sur des arrière-plans réfléchissants et texturés, et peut être rapidement réentraîné sur de nouvelles surfaces.

Inspection des défauts

Identifier de façon précoce les défauts dans le processus de production tout en ignorant ceux qui sont purement esthétiques améliore le taux de rendement par wafer en réduisant le retraitement et l’inspection manuelle.

 Inspection des défauts des semi-conducteurs

Inspection des défauts des wafers

Chaque couche d’un wafer doit être inspectée avant la dépose de la suivante. L’éventail des défauts susceptibles de survenir est vaste. Ces derniers peuvent apparaître n’importe où sur l’arrière-plan que constituent les couches précédentes.

L’outil de détection des défauts de Cognex Deep Learning s’entraîne sur un ensemble d’images de couches exemptes de défauts. Il parvient ensuite à trouver et à identifier les défauts où qu’ils se trouvent sur la couche du wafer et à rejeter les anomalies.

Marques de sonde

Les sondes utilisées pour tester les wafers avant la préparation des puces laissent des marques. La forme de ces dernières indique si une pression incorrecte est exercée sur les wafers, ce qui traduit un dysfonctionnement de la sonde.

L’outil de classification de Cognex Deep Learning fait la distinction entre les bonnes et les mauvaises marques, ce qui permet d’intervenir de façon précoce sur les sondes et ainsi d’augmenter aussi bien la durée de vie des sondes que le rendement des wafers.

Bords des puces

Les puces de wafers peuvent présenter des bavures ou des éclats le long des coupes de scie. Ces défauts sont variables et difficiles à détecter systématiquement avec la vision industrielle classique.

L’outil de classification de Cognex Deep Learning fait la distinction entre les bavures et les éclats et les nombreuses marques de coupe normales. Il détecte également l’usure progressive des lames de coupe, permettant de les remplacer avant que le taux d’erreur n’augmente.

Surface des puces

Chaque puce peut présenter de nombreux défauts de surface non négligeables, mais également des défauts esthétiques qui ne nuisent pas à son fonctionnement. La vision industrielle classique et les inspecteurs humains ont du mal à les distinguer.

L’outil de détection des défauts de Cognex Deep Learning détecte et signale les anomalies non acceptables tout en ignorant les défauts purement esthétiques.

Microcâblage

Le microcâblage permet de connecter les puces aux grilles de connexion, elles-mêmes connectées aux autres composants. Les défauts peuvent gêner la transmission de signal. L’éventail de défauts susceptibles de survenir est vaste et peut englober des défauts esthétiques qui ne nuisent pas au fonctionnement.

Combiner les outils de détection des défauts et de classification de Cognex Deep Learning permet d’extraire les zones où les anomalies sont localisées, puis de différencier les soudures de fils conformes de celles défectueuses.

Soudures de fils de semi-conducteurs

Flanc des boîtiers encapsulés sur tranche

Les boîtiers encapsulés sur tranche permettent d’encapsuler les circuits intégrés avant qu’ils soient séparés du wafer. Les fissures sur leur flanc peuvent amoindrir les performances, mais les bords des couches et les fissures peuvent être difficiles à différencier.

L’outil de détection des défauts de Cognex Deep Learning distingue précisément les fissures sur le flanc et les bords des couches.

Moulage des circuits intégrés

Les circuits intégrés sont encapsulés dans du plastique pour être protégés. Si les fissures, déformations et vides divers peuvent compromettre cette protection, le processus peut aussi provoquer des défauts esthétiques sans aucun effet sur leur fonctionnement.

L’outil de détection des défauts de Cognex Deep Learning détecte les anomalies fonctionnelles tout en ignorant les défauts purement esthétiques. L’outil de classification peut être utilisé pour identifier des types de défauts spécifiques afin de résoudre les erreurs de production.

Conducteurs des circuits intégrés

Les broches de puces manquantes ou pliées peuvent empêcher les puces de fonctionner. Les nombreux défauts et emplacements possibles des broches compliquent la tâche de la vision industrielle classique.

L’outil de détection des défauts de Cognex Deep Learning détecte rapidement les anomalies et rejette les puces dont les broches sont défectueuses.

Améliorer le rendement de production des semi-conducteurs grâce à la vision industrielle

Les systèmes de vision industrielle de Cognex, en particulier ceux équipés des outils Cognex Deep Learning, améliorent l’alignement des wafers de silicium, permettent de tracer précisément les wafers et les puces, et détectent et classent un large éventail de défauts à chaque étape de la transformation d’un wafer en carte de circuit imprimé. Ils permettent des améliorations notables à toutes les étapes de la chaîne d’approvisionnement des semi-conducteurs, le tout à un coût d’investissement minimal.

Plus d’articles sur

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

Rejoindre MyCognex