Un final

Scientific Reports volumen 13, Número de artículo: 9376 (2023) Citar este artículo

Detalles de métricas

El avance en el campo de la tecnología de circuitos de integración 3D genera nuevos desafíos para la evaluación de la calidad de las interconexiones, como a través de vías de silicio (TSV), en términos de análisis automatizado y eficiente en el tiempo. En este documento, desarrollamos un modelo de red neuronal convolucional (CNN) de extremo a extremo totalmente automatizado y de alta eficiencia, utilizando dos arquitecturas de CNN vinculadas secuencialmente, adecuadas para clasificar y ubicar miles de TSV, así como para proporcionar información estadística. En particular, generamos patrones de interferencia de los TSV mediante la realización de un concepto único de imágenes de microscopía acústica de barrido (SAM). La microscopía electrónica de barrido (SEM) se utiliza para validar y también revelar el patrón característico en las imágenes SAM C-scan. Al comparar el modelo con enfoques de aprendizaje automático semiautomático, se ilustra su excelente rendimiento, lo que indica una precisión de localización y clasificación del 100 % y superior al 96 %, respectivamente. El enfoque no se limita a los datos de imagen SAM y presenta un paso importante hacia las estrategias de cero defectos.

Las técnicas basadas en imágenes son muy importantes para el análisis moderno de fallas no destructivas1 en varios campos que van desde la industria aeroespacial, la inspección de vías férreas, la ingeniería civil, la industria automotriz, la generación de energía hasta la microelectrónica2. Los algoritmos de Machine Learning (ML) brindan oportunidades novedosas para un análisis eficiente de fallas de los conjuntos de datos complejos generados que anteriormente dependían principalmente de la experiencia humana3. Recientemente, se han realizado investigaciones4,5,6,7 mediante la aplicación de varios modelos ML en componentes de integración 3D que gozan de gran interés en la industria microelectrónica. Esencial para la aplicación dentro de un entorno industrial son los modelos completamente automatizados, que no necesariamente se basan en funciones de capacitación específicas. Recientemente, se ha realizado un primer esfuerzo para la aplicación de pruebas basadas en ML, como se muestra en 4,6,7. Aquí, hasta ahora se han demostrado principalmente enfoques semiautomáticos. Sin embargo, tales enfoques carecen de su aplicación para un análisis generalizado debido a la definición de características específicas necesarias para el entrenamiento. Los modelos ML semiautomáticos supervisados ​​como K—Nearest Neighbors (KNN) y un clasificador Random Forest se utilizan, por ejemplo, para detectar vacíos en las vías de silicio (TSV) procesadas en componentes de circuitos integrados 3D4. Como se muestra, por ejemplo en 4, dichos modelos utilizan la extracción de características específicas para el entrenamiento, como los datos del Simulador estructural de alta frecuencia (HFSS) para el vacío "TSV con" y "TSV sin". In6 se utiliza un enfoque semiautomático similar para identificar fallas funcionales, incluidos circuitos abiertos y cortocircuitos para TSV. Además, en este contexto, las redes neuronales de regresión general se analizan en 7 para detectar defectos en las soldaduras que utilizan SAM.

La red neuronal convolucional (CNN) es una arquitectura de ML de aprendizaje profundo muy conocida capaz de extraer características de varios niveles de una imagen8. La principal ventaja de CNN radica en su capacidad para reconocer patrones o características relevantes directamente de los píxeles sin procesar mediante la exploración de la correlación temporal y espacial en los datos sin ningún procesamiento previo complejo9,10. Es decir, no es necesaria una definición previa de características específicas para los enfoques basados ​​en CNN. Recientemente, en5, se utilizó un modelo basado en CNN para predecir la condición de un solo microprotuberancia después del proceso de reflujo basado en datos de imagen tomados antes del proceso de reflujo por tomografía de rayos X 3D.

La inspección de fallas moderna de los TSV exige una caracterización rentable y eficiente en el tiempo de cientos o incluso miles de TSV11,12, incluida la información estadística concomitante, la localización y el estado del TSV individual que cubre toda la geometría con su parte inferior y pared lateral, así como la clasificación de la falla TSV. Hay varios tipos de defectos relacionados con los TSV, incluidos los vacíos resultantes de la galvanoplastia13, las delaminaciones que surgen debido al desajuste de la expansión térmica14, las grietas resultantes de la tensión global en la deformación del troquel15 y así sucesivamente16,17. Para detectar dichos defectos, se utilizan técnicas de laboratorios no automatizados como Microscopía Electrónica de Barrido (SEM), Tomografía Computarizada de Rayos X (XCT), Microscopía de Emisión (EMMI) o técnicas automatizadas18,19 como Mediciones Eléctricas (EM), Microscopía Óptica Automática (AOM )20 y microscopía acústica de barrido (SAM) se utilizan principalmente20. Todas estas técnicas tienen ventajas respectivas así como desventajas que restringen sus aplicaciones. Por ejemplo, EM muestra un método común y rápido, sin embargo, no logra localizar la falla dentro de los TSV20,21. El AOM es principalmente adecuado para detectar defectos en el fondo20,22, pero falla en los defectos en la pared lateral. SEM proporciona datos de imagen de alta resolución para la pared lateral y la parte inferior de los TSV. Sin embargo, este último es inadecuado para la inspección de alto rendimiento y no es elegible para proporcionar información estadística, debido a que la adquisición de datos consume mucho tiempo23,24. μ-XCT o ​​microscopía de rayos X (XRM) muestran limitaciones con respecto a los largos tiempos de escaneo necesarios para obtener suficiente resolución y rendimiento estadístico5,15,25,26. EMMI solo puede detectar defectos con una firma eléctrica y falla al detectar defectos sin ninguna firma eléctrica27. La microscopía acústica de barrido (SAM) muestra una técnica no destructiva28 capaz de caracterizar grandes áreas de forma rentable y en tiempo en el campo de la microelectrónica29. Sin embargo, el principal desafío de este método radica en la resolución y el contraste limitados, así como en el posprocesamiento del conjunto de datos de imagen generado, es decir, para extraer de manera eficiente el conocimiento sobre la ubicación de la falla individual, pero también sobre la distribución estadística de la fallas dentro de la matriz, incluido el tipo de clase de defecto. Esto requiere, en general, una cuidadosa inspección manual de los datos de imagen recopilados. Una inspección manual de este tipo depende en gran medida de la experiencia del usuario humano, por lo que es subjetiva y además propensa a errores.

En este documento, llevamos a cabo un enfoque exclusivo de microscopía acústica de barrido (SAM) y desarrollamos un flujo de trabajo de red neuronal convolucional de extremo a extremo (E2E-CNN) para (1) caracterizar de manera eficiente hasta miles de TSV a nivel de oblea, incluida la información estadística concomitante , (2) localizar TSV con fallas y sin fallas, y (3) clasificar los TSV individuales de acuerdo con su grado de nivel de falla. Al comparar los datos SAM obtenidos con la microscopía electrónica de barrido correlacionada (SEM), revelamos que la técnica SAM es adecuada para proporcionar información desde la parte inferior y desde la pared lateral del TSV. La red E2E-CNN totalmente automatizada, que utiliza dos arquitecturas CNN enlazadas secuencialmente, asegura una precisión para la detección y clasificación de los TSV del 100 % y superior al 96 %, respectivamente. Además, discutimos el algoritmo E2E-CNN desarrollado con clasificación TSV binaria semiautomática utilizando Perceptrón multicapa (MLP), Árbol de decisión y Bosque aleatorio y mostramos su superioridad con respecto a la eficiencia y precisión del tiempo. En particular, el enfoque novedoso presentado no se limita a los datos de imagen basados ​​en SAM, sino que muestra un enfoque general aplicable a otros métodos de imagen, por ejemplo, μ-XCT, SEM, microscopía óptica, etc.

Aplicamos microscopía acústica de barrido para escanear las matrices TSV. Aquí, caracterizamos una tecnología TSV abierta46, consulte también la sección de métodos para obtener más detalles de la muestra y el esquema en la Fig. 1A. La principal dificultad para la detección de defectos en tales TSV radica en la gran profundidad de penetración necesaria y la resolución en el régimen de μm bajo. Realizamos una técnica única que utiliza lentes acústicas especiales con una frecuencia nominal de 100 MHz y un ángulo de apertura de 60°, adecuada para cumplir con las exigencias de la inspección y el análisis de TSV modernos. El ángulo de apertura de la lente en nuestros experimentos se elige de manera que sea mayor que el ángulo crítico de Rayleigh del Si, que es de 17°. El transductor piezoeléctrico está operando en el modo pulso-eco capaz de generar y recibir señales de ultrasonido. Las figuras 1B y C muestran un esquema de dos posiciones de lentes diferentes con una posición enfocada (Z0) y otra desenfocada (Zn) en la superficie de la oblea. Las Figuras 1D y E muestran la imagen C-scan de un solo TSV con franjas homogéneas y no homogéneas, obtenidas respectivamente en Z = Z0 y diferentes posiciones desenfocadas con Z < Z0. La lente en la posición desenfocada proporciona en la imagen C-scan patrones o franjas que se pueden correlacionar con la calidad TSV. Una falta de homogeneidad ejemplar observada en el TSV está marcada como en la Fig. 1E.

Configuración de TSV y enfoque de caracterización de SAM. (A) Esquema de un TSV abierto con un diámetro de 100 μm y una profundidad de 250 μm. (B) Esquema de un campo de sonido enfocado utilizando un microscopio acústico de barrido (SAM) en Z0. (C) Esquema que ilustra un campo de sonido desenfocado en Zn. (D) Imágenes SAM C-scan para diferentes posiciones Z a partir de Z0 para un TSV "bueno" sin falta de homogeneidad. (E) Imágenes de exploración C SAM para diferentes posiciones Z a partir de Z0 para un TSV "defecto" que indica una falta de homogeneidad en Z2 a Zn. La falta de homogeneidad observada se marca con un círculo rojo.

La metodología en la Fig. 1C representa un enfoque extremadamente rentable y de tiempo con la capacidad de recopilar una cantidad estadísticamente relevante de TSV con resolución suficiente para el procesamiento posterior de imágenes y la cuantificación de imágenes. El tamaño de paso entre las dos posiciones del transductor para las imágenes C-scan representadas en la Fig. 1D y E es de 20 µm. En la figura complementaria S1 se muestra una serie Z completa de la imagen SAM C-scan para un solo TSV que muestra una falta de homogeneidad. Para el análisis, se utilizan imágenes C-scan en y por encima de Z = − 120 µm, consulte la Fig. S1 complementaria.

La figura 2A muestra a modo de ejemplo la proyección de los datos de ultrasonido en el plano x-y para crear la llamada imagen C-scan de una pieza de un cuarto de oblea. La región de interés (ROI) del C-scan contiene aproximadamente 10 000 TSV. Cada TSV se puede asociar con un patrón característico generado al desenfocar la lente como se muestra en la Fig. 1D y E. Para una mejor visualización de los patrones característicos, la región se divide en un parche de imagen C-scan que ilustra alrededor de 800 TSV (ROI- 1), como se muestra en la Fig. 2B. Se puede subdividir en un ROI (ROI-2) con seis TSV (Fig. 2C). En la Fig. 2D presentamos a modo de ejemplo dos patrones generados al desenfocar la lente acústica y excitar las ondas de Rayleigh30. Los dos patrones indican un TSV sin y con falta de homogeneidad, marcados con un rectángulo verde 'chartreuse' y rojo, respectivamente.

Datos de imagen C-scan de microscopía acústica de barrido utilizados para realizar pruebas a nivel de oblea. (A) Imagen general de exploración C de una pieza de un cuarto de oblea al desenfocar la lente acústica con una frecuencia nominal de 100 MHz y un ángulo de apertura de 60° con aproximadamente 10 000 TSV. (B) ROI-1 contiene patrones generados dentro del C-scan de aproximadamente 800 TSV al desenfocar la lente acústica. (C) Imagen C-scan ampliada de ROI-2 con 6 TSV. (D) Patrones característicos de C-scan que indican un TSV con franjas no perturbadas (rectangular verde 'chartreuse') y perturbadas (rectangular rojo) que pueden estar asociadas con un buen TSV y un TSV que implica una falta de homogeneidad (círculo rojo discontinuo), respectivamente .

La figura 3 ilustra el flujo de trabajo de análisis de fallas de TSV automatizado con respecto al entrenamiento y las pruebas, según los datos extraídos de C-Scan SAM. El flujo de trabajo consta de dos arquitecturas CNN vinculadas secuencialmente, que designamos como red neuronal convolucional de extremo a extremo (E2E-CNN). La primera CNN (CNN1) está dedicada a localizar los TSV, mientras que la segunda CNN (CNN2) es capaz de clasificar miles de TSV; consulte más detalles en la sección de métodos.

Flujo de trabajo de localización y clasificación automatizada de TSV utilizando la red neuronal convolucional de extremo a extremo (E2E-CNN). Flujo de trabajo para entrenamiento y pruebas, incluidas las arquitecturas de CNN1 y CNN2. Los datos de imagen de SAM-C-scan se utilizan como entrada en CNN1 para la localización de TSV utilizando un detector de TSV de ventana deslizante. Para el entrenamiento se utilizan dos conjuntos de datos etiquetados indicados por "con" y "sin" TSV (imágenes de 100 × 100 píxeles). CNN2, dedicado a la clasificación, utiliza la salida de CNN1 como entrada. CNN2 está entrenado con cinco clases definidas de acuerdo con cinco patrones diferentes que se encuentran en la imagen C-scan. Las clases se indican con diferentes colores. La imagen de prueba ilustrada para la predicción de calidad muestra a modo de ejemplo 36 TSV. Las predicciones intermedias y finales de E2E-CNN en un área rectangular seleccionada se marcan como OUTPUT—CNN1 y OUTPUT—CNN2, respectivamente. Los TSV localizados en OUTPUT: CNN1 están marcados en color 'chartreuse'. Las clases previstas de TSV en OUTPUT—CNN2 se indican mediante los colores representados por verde (clase 1), azul (clase 2) y rojo (clase 3).

Como entrada para CNN1, se utilizan datos de imagen SAM C-scan que no están limitados por el tamaño de la imagen. La salida proporciona parches de imagen con patrones TSV característicos. CNN2 clasifica los TSV según su calidad y utiliza la salida de CNN1 como entrada. Para entrenar CNN1, usamos dos conjuntos de datos etiquetados que incorporan parches de imagen C-scan con y sin TSV, respectivamente. La salida de CNN1 detecta todos los patrones característicos que están marcados en color 'chartreuse' para el ROI ejemplar con 36 TSV. Mientras que la salida de CNN2 está codificada por colores, según la calidad de los TSV. Entrenamos CNN2 con cinco clases diferentes indicadas por clase 1 a 5. Las diferentes clases se asignan de acuerdo con los patrones encontrados en los datos de C-scan. Dentro de la salida ejemplar de CNN2, que se muestra aquí, se asignan 33 TSV a la clase 1, dos a la clase 2 y un TSV a la clase 3. Las clases 4 y 5 no se encuentran en el ROI ejemplar.

Ha habido varios avances en el campo de la visión artificial para la detección de objetos31. Muchos autores propusieron técnicas de localización de objetos como la segmentación basada en CNN, el enfoque de ventana deslizante, etc.32,33,34. La Figura 4A muestra una ilustración del procesamiento del detector de ventana deslizante utilizado para la localización de TSV. Se elige una ventana con un tamaño de 100 × 100 píxeles para que se deslice sobre la imagen C-scan con pasos Sx y Sy en las direcciones x e y, respectivamente. Este tamaño de ventana específico encaja bien para cubrir los patrones característicos de cada TSV. Para el entrenamiento de CNN1, cada una de estas ventanas se alimenta individualmente para ubicar los TSV en las imágenes de SAM C-scan. Para las imágenes de prueba se generan dos conjuntos. El primer conjunto contiene las imágenes C-scan de los TSV en el centro del cuadro delimitador. Para el segundo conjunto, se utiliza la imagen con fondo y/o cualquier imagen con TSV no centrados (consulte la Fig. S2 complementaria). Dado que solo hay dos características categóricas en el conjunto de datos para CNN1, mediante el uso de codificación en caliente35,36, asignamos un código binario '1' al primer conjunto y un código binario '0' al segundo conjunto durante el entrenamiento.

Detector de ventana deslizante no secuencial para una localización eficiente de TSV. (A) Esquema del procedimiento de ventana deslizante en CNN1. Tamaño de imagen de 100 × 100 píxeles en las direcciones x e y con pasos Sx y Sy respectivamente. (B) Detalles con respecto al detector de ventana corrediza. El método implementa una capa convolucional en el nodo final, lo que hace posible las predicciones de una manera no secuencial.

Realizamos un enfoque de detector de ventana deslizante no secuencial como se ilustra en la Fig. 4B, consulte la sección Método para obtener más detalles. Una desventaja importante de un enfoque secuencial34, consulte también Materiales complementarios, Fig. S5, es el costo computacional, así como el consumo de tiempo para el resultado de la capacitación y la prueba. Mostramos que al usar una capa convolucional en el nodo final34, el tiempo de entrenamiento se puede reducir de horas a minutos. Mientras se lleva a cabo el procedimiento de prueba, el modelo predice múltiples cuadros delimitadores37 en función de si las características extraídas de la ventana pertenecen al primer conjunto o al segundo conjunto, es decir, 1 o 0, respectivamente. Se aplica supresión no máxima (NMS) (consulte la figura complementaria S3) para encontrar las predicciones con la puntuación de confianza más alta y proporciona el mejor cuadro delimitador con un tamaño de 100 × 100 píxeles, definiendo el TSV como un objeto. La predicción de CNN1 en un ejemplo de imagen C-scan con tres TSV se muestra en la Fig. 4B. Los TSV detectados se representan en cuadros delimitadores de color 'chartreuse'. Las predicciones de CNN1 en una imagen C-scan más grande con 864 TSV se muestran en la Fig. S4.

La segunda CNN (CNN2) clasifica los TSV ubicados en la imagen SAM C-scan. Por lo tanto, las entradas de CNN2 son las predicciones de CNN1. De acuerdo con los datos de C-scan obtenidos de la caracterización SAM, definimos cinco clases para los conjuntos de datos de entrenamiento, vea la Fig. 5. La primera clase TSV exhibe franjas circulares concéntricas o no perturbadas en la ubicación TSV dentro de la imagen C-SAM , Figura 5A. La segunda clase TSV indica una sola falta de homogeneidad dentro de las franjas circulares en varias posiciones a lo largo de la circunferencia de las franjas, Fig. 5B. La tercera clase TSV representa patrones con múltiples faltas de homogeneidad a lo largo de la circunferencia de la franja, Fig. 5C. Las clases 4 y 5, que se muestran en la Fig. 5D y E, representan patrones que se originan a partir de burbujas de agua y otros artefactos de exploración, por ejemplo, que se originan a partir de un error de activación o una alta velocidad de exploración. Más detalles con respecto a la arquitectura de CNN2 y los parámetros de capa correspondientes se detallan en el material complementario Fig. S6 y la sección "Método".

Conjunto de datos de entrenamiento para la clasificación TSV con cinco clases diferentes. Definimos cinco clases de acuerdo con los datos de C-scan. (A) Clase 1 que indica una franja homogénea circular en la posición del TSV. (B) La clase 2 representa un TSV con una sola falta de homogeneidad dentro de la franja circular. (C) La clase 3 muestra ejemplarmente TSV con múltiples faltas de homogeneidad dentro de la franja circular. (D) La clase 4 muestra una imagen C-scan con un artefacto resultante de una burbuja de agua. (E) Clase 5 ilustra un artefacto de exploración.

Las figuras 6A y B ilustran la precisión del entrenamiento y la validación de los dos modelos de CNN. Para la localización de TSV (CNN1), logramos una precisión del 100 % para la validación y el entrenamiento, es decir, podemos detectar cada TSV de la imagen SAM C-scan, consulte la Fig. 6A. La figura 6B proporciona una precisión para CNN2 de más del 96 % dedicada solo a la clasificación TSV con respecto al entrenamiento y la validación. Además, para mostrar el rendimiento del modelo E2E-CNN, representamos la pérdida de entrenamiento y validación en función de las épocas para CNN1 y CNN2 en la figura complementaria S7.

Comparación entre la imagen SAM C-scan y los datos SEM. (A) Gráfico de precisión para la localización de TSV (CNN1) que incluye el entrenamiento (rojo) y la validación (azul). (B) Gráfico de precisión para la clasificación TSV (CNN2) que incluye el entrenamiento (rojo) y la validación (azul). (C) TSV localizados y clasificados en la imagen SAM C-scan utilizando la predicción E2E-CNN. Los recuadros de colores indican los TSV localizados y las clases asignadas correspondientes. (D) Imágenes ampliadas para TSV que indican clase 1 (verde), 2 (azul) y 3 (rojo). (E) Imágenes SEM correlacionadas representativas con diferentes vistas y ampliaciones para obtener una visión completa desde la pared lateral de la TSV, así como desde la parte inferior para la clase 1 (sin falta de homogeneidad), 2 (falta de homogeneidad en la pared lateral y la parte inferior) y 3 (falta de homogeneidad en la pared lateral).

En la Fig. 6C, una imagen representativa de SAM C-scan muestra la localización y clasificación totalmente automatizadas de los TSV, a modo de ejemplo para las clases 1, 2 y 3. En la Fig. 6D se muestran imágenes para las clases 1–3 con mayor aumento, lo que indica los diferentes patrones también se muestra en la Fig. 5. Para una mayor validación, comparamos las imágenes SAM C-scan para las clases 1, 2 y 3 con los resultados de caracterización SEM correlacionados. Como indican los datos SEM de clase 1 en la Fig. 6E, no se detecta falta de homogeneidad en la pared lateral del TSV ni en la parte inferior. Esto coincide con la observación realizada para la imagen C-scan SAM donde no se exhibe falta de homogeneidad en las franjas. Los datos SEM para la clase 2 muestran una gran acumulación en la parte inferior del TSV, así como en la pared lateral. Aquí, se muestra un patrón característico en la imagen SAM que indica una sola falta de homogeneidad dentro de las franjas, consulte la Fig. 6D. Para la clase 3, los datos SEM muestran una delaminación dentro de la pared lateral, consulte la Fig. 6E. Aquí, la imagen SAM de C-scan muestra para la clase 3 un patrón con múltiples faltas de homogeneidad en las franjas, vea la Fig. 6D. De acuerdo con los datos SEM correlacionados, se puede realizar una asignación clara de los diferentes patrones de C-scan.

La detección y la predicción de calidad de 864 TSV a partir de imágenes SAM C-scan de la oblea se muestran en la Fig. S8 complementaria.

A continuación, comparamos el modelo E2E-CNN desarrollado con los modelos ML semiautomáticos. Para los modelos semiautomáticos, utilizamos MLP, Decision Tree y Random Forest, como se muestra en la Tabla 1. Para el análisis semiautomático, para detectar los TSV, es necesario aplicar un algoritmo de reconocimiento de patrones basado en geometría como el Hough circular. transformar38,39. El etiquetado de datos aplicado para los pasos de entrenamiento y extracción de características es el mismo para MLP, Árbol de decisión y Bosque aleatorio. Para el entrenamiento del modelo ML semiautomático, definimos dos configuraciones TSV. La primera configuración muestra TSV con franjas no alteradas y la segunda TSV con franjas alteradas en las imágenes de escaneo C de SAM, consulte la figura complementaria S9.

La Figura 7A ilustra la localización de TSV para el análisis ML semiautomatizado. Se utilizan parches con un tamaño de 100 × 100 píxeles que muestran los patrones característicos, seguidos de la detección de TSV utilizando la transformada circular de Hough, véase la Fig. 7A. Para la extracción de características relevantes, comparamos dos procedimientos, a saber, Canny Edge Detection (CED) 40 y desarrollamos aún más una forma única de segmentación utilizando la técnica de segmentación marginal (FriST), consulte más detalles en las Figs. Sección S10, S11 y "Método".

Flujo de trabajo de clasificación binaria semiautomatizada de TSV usando modelos ML. (A) Detección de TSV a través de círculos de Hough en una imagen SAM C-scan. (B) Clasificación binaria de TSV utilizando características extraídas de técnicas CED (enfoque 1) y FriST (enfoque 2). Así como la fase de prueba que conduce a la clasificación de los TSV como TSV no defectuosos o defectuosos.

Para la clasificación binaria de TSV, la extracción de características usando CED o FriST es seguida por la reducción de dimensionalidad usando Análisis de Componentes Principales (PCA), ver Fig. 7B. Al aplicar PCA, seleccionamos las características más importantes de la salida del CED o FriST como entrada para entrenar el modelo; consulte Métodos para obtener más detalles. El rendimiento del modelo de todos los modelos investigados se resume en la Tabla 1. Tenga en cuenta que, debido a la limitación del enfoque semiautomático con respecto a la extracción de características cruciales, un análisis de 10.000 TSV consume mucho tiempo, consulte también la Tabla 1. Por lo tanto , debido a las posibilidades limitadas de los modelos semiautomáticos, redujimos la cantidad de TSV a 96 TSV para la comparación. Además, los resultados para E2E-CNN con un ROI que muestra 864 TSV se presentan en la Fig. S8 complementaria.

El uso de la técnica FriST muestra para los tres modelos semiautomáticos una mejora en la precisión con respecto a la técnica CED (consulte la Fig. S12 complementaria) debido a la extracción específica de las características deseadas para el entrenamiento. Sin embargo, una desventaja general del modelo semiautomatizado se refiere al requisito de una extracción de características específicas para entrenar y probar el modelo. Aquí, la calidad y la resolución de las imágenes SAM C-scan son cruciales para el posterior etiquetado del patrón asociado con el TSV. Por lo tanto, los modelos semiautomáticos no brindan una solución óptima a la hora de detectar y clasificar grandes estadísticas de TSV, ya que al aumentar el ROI, la resolución y el contraste disminuirán.

En particular, el flujo de trabajo de E2E-CNN, en comparación con los modelos semiautomáticos, no se basa en ninguna técnica de extracción de características manual. Por lo tanto, el enfoque basado en CNN supera el rendimiento del modelo de predicción basado en ML semiautomático con respecto al tiempo de prueba y la precisión, como se muestra en la Tabla 1. De hecho, ninguno de los modelos semiautomáticos alcanza una precisión superior al 90% y tiempos de prueba por debajo de 10 min. La razón clave de la alta eficiencia de E2E-CNN radica en su capacidad de detectar automáticamente múltiples capas de características espaciales de la imagen de entrada mediante un conjunto de operaciones convolucionales.

Comparación entre los modelos ML semiautomáticos (MLP, DT y RF) y el modelo E2E-CNN completamente automatizado desarrollado para la clasificación de TSV a partir de datos de imágenes de escaneo C de SAM con 96 TSV para pruebas. Para la extracción de características necesarias del modelo semiautomático, utilizamos las técnicas CED y FriST.

A continuación, utilizamos el modelo E2E-CNN desarrollado para resaltar las posibilidades estadísticas para el análisis de fallas. La microscopía óptica automática (AOM) es un método convencional y rentable utilizado en la inspección de obleas. Ayuda a localizar defectos dentro de la matriz TSV al proporcionar mapas de defectos bidimensionales, como se muestra en la Fig. 8A, basados ​​en microscopía óptica. Para comparar con las mediciones de SAM y el modelo E2E-CNN incorporado, seleccionamos cuatro ROI, etiquetadas con A, B, C y D en distintas ubicaciones de obleas. Evaluamos las estadísticas con respecto a la ocurrencia de TSV con y sin heterogeneidades. Cada ROI individual seleccionado para el análisis subyacente consta de 576 TSV; consulte más información en la sección de métodos. Las Figuras 8B y C ilustran a modo de ejemplo el mapa de defectos obtenido a partir de los datos de la imagen SAM, así como el posterior análisis E2E-CNN para el ROI D y un aumento adicional para el ROI D-1, respectivamente. Este último indica la ubicación de TSV, así como la clasificación de TSV según la clase 1–5. En este ROI, 568 de 576 TSV se clasifican correctamente, lo que corresponde a una precisión superior al 96 %. En el Material complementario, Fig. S13, se muestran más C-scan con resultados de predicción basados ​​en el modelo E2E-CNN para ROI A, ROI B y ROI C.

Análisis estadístico obtenido del análisis de defectos basado en CNN E2E completamente automatizado y el análisis de defectos ópticos. (A) Mapa de defectos de microscopía óptica automática (AOM) de la oblea de silicio con TSV. Se seleccionan cuatro ROI (ROI A a ROI D) para una mayor comparación con el modelo E2E-CNN. Estos ROI seleccionados para el análisis de defectos están marcados en cuadros rectangulares de color rojo. Los defectos se muestran como puntos negros. (B) Análisis de defectos realizado en la imagen SAM C-scan de ROI D utilizando el E2E-CNN completamente automatizado. Todos los TSV no homogéneos detectados por el modelo E2E-CNN están marcados en cuadros rectangulares llenos de color amarillo. La subregión ROI D-1 se resalta como cuadros rectangulares discontinuos. (C) Imagen ampliada de ROI D-1. Los TSV localizados y clasificados exhibidos por E2E-CNN están marcados en verde (Clase 1), azul (Clase 2) y rojo (Clase 3). (D) Análisis de defectos que muestra los resultados extraídos de los datos SAM y AOM para los ROI seleccionados. Las estadísticas evaluadas para TSV con y sin heterogeneidades en el gráfico están marcadas en color rojo y verde, respectivamente. (E) Estadísticas extraídas con respecto a las diferentes clases de fallas 1 a 5 para el ROI A a D obtenidas de E2E-CNN en función de los resultados de SAM.

En particular, según la Fig. 8D, las estadísticas extraídas ilustran una tendencia similar para el método basado en AOM y SAM. ROI C muestra para ambos enfoques el conteo más alto con TSV no homogéneos y ROI D indica el más bajo. Los resultados representados se resumen en la Tabla 2. Sin embargo, la inspección basada en SAM que utiliza el modelo E2E-CNN muestra una mayor cantidad de TSV con falta de homogeneidad que la inspección óptica.

Además, en la Fig. 8E proporcionamos información estadística con respecto a las diferentes clases predichas por el modelo E2E-CNN para diferentes ROI etiquetadas con A a D. La clase 2, como se indica en la Fig. 6, muestra una mezcla de defectos en la pared lateral y en el fondo y muestra la clase con el mayor número de defectos. Por lo general, AOM es adecuado para detectar defectos en el fondo y es propenso a errores en los defectos de las paredes laterales20,22. Sin embargo, la diferencia entre los datos de AOM y SAM-E2E-CNN, como se muestra en la Fig. 8D, no puede explicarse completamente por una detección inexacta de la pared lateral, ya que la clase 3, que refleja principalmente defectos en la pared lateral, contiene solo entre el 10 y el 20 % de los defectos totales predichos por el modelo E2E-CNN.

Argumentamos que el recuento de defectos más alto que se muestra para el enfoque acústico se debe principalmente a la mayor sensibilidad de detección. Es decir, según los hallazgos, las ondas acústicas generadas dentro del TSV conducen a una fuerte interacción con las faltas de homogeneidad presentes en el fondo y las paredes laterales.

En conclusión, hemos desarrollado un flujo de trabajo basado en una red neuronal convolucional que permite (1) la caracterización de miles de TSV a nivel de oblea, (2) la localización de TSV defectuosos, (3) la clasificación de los TSV individuales según su grado de nivel de defecto y generación de información estadística sobre los TSV clasificados. Utilizamos un enfoque SAM único para generar de manera eficiente en términos de costo y tiempo los datos de imagen de los conjuntos de TSV relevantes para la industria que consisten en hasta miles de TSV. El enfoque SAM es capaz de recuperar información desde la parte inferior y también desde la pared lateral del TSV con una mayor sensibilidad de detección, como se muestra para AOM. El flujo de trabajo totalmente automatizado de E2E-CNN proporciona una precisión para la localización y clasificación del 100 % y superior al 96 %, respectivamente. Además, exploramos las posibilidades de detección de TSV utilizando otros enfoques de aprendizaje automático como los modelos MLP, Decision Tree y Random Forest en comparación con E2E-CNN. De hecho, el análisis muestra que esos enfoques de ML no pueden competir con el modelo E2E-CNN desarrollado en términos de tiempo, costo y precisión. El tiempo de entrenamiento y prueba para los modelos semiautomáticos consume mucho tiempo, porque los procedimientos específicos de extracción de características para las imágenes de entrenamiento y prueba son esenciales. Una desventaja importante es que los algoritmos de reconocimiento de patrones necesarios dependen en gran medida en general de la calidad de los datos de la imagen. Por lo tanto, es obligatorio contar con una resolución de imagen y un contraste suficientes para detectar el TSV. El preprocesamiento de la imagen SAM C-scan obtenida utilizando transformaciones de brillo de píxeles como la ecualización de histogramas41 o mediante la aplicación de diferentes técnicas de umbralización como la umbralización adaptativa42, la umbralización binaria43 puede ayudar a mejorar la calidad de la imagen para un procesamiento posterior. Sin embargo, nuestro modelo de alta precisión elimina cualquier requisito que requiera mucho tiempo para la inspección manual o el preprocesamiento de las imágenes C-scan. Esto hace que el modelo E2E-CNN sea muy aplicable para analizar imágenes C-scan más grandes con patrones característicos de miles de TSV. Además, el flujo de trabajo E2E-CNN presentado para la inspección automatizada de fallas no se limita al análisis de datos de imágenes SAM, sino que también se puede aplicar a otros métodos de generación de imágenes.

Through Silicon Vias (TSV) son componentes clave para la tecnología de integración 3D que juega un papel importante en la miniaturización y mejora de la funcionalidad de los dispositivos microelectrónicos12,44. Los TSV permiten una conexión eléctrica a través de diferentes capas de las pilas 3D. Estas vías metalizadas se mantienen grabando agujeros en el silicio y, posteriormente, rellenándolos o recubriéndolos con un material conductor: TSV cerrados y abiertos, respectivamente. Aunque el diseño de TSV cerrado tiene una resistencia de contacto muy baja, sufren un alto grado de estrés mecánico debido a la falta de coincidencia del coeficiente de expansión térmica entre el silicio y el material de relleno45. Por lo tanto, la tecnología TSV abierta revestida de tungsteno reemplaza a la TSV cerrada cuando la expansión térmica es de especial preocupación46. En este trabajo, utilizamos una tecnología TSV abierta con un diámetro de 100 µm y una profundidad de 250 µm. Un problema potencial asociado con un diseño abierto es la alta tensión residual del tungsteno después del proceso de deposición, que puede provocar grietas, delaminaciones o acreciones en la pared lateral o en el fondo TSV45 dependiendo de la calidad de las capas subyacentes. Para esta investigación, ams-OSRAM AG, Premstaetten, Austria, proporcionó obleas con defectos inducidos artificialmente en TSV por alteraciones en el proceso de fabricación normal. Estos TSV con defectos desconocidos en ubicaciones desconocidas se detectan de forma no destructiva mediante SAM.

El SAM utilizado para este estudio es una configuración modificada de PVA TePla Analytical Systems GmbH, Alemania, con una tarjeta ADC de resolución de 8 bits y una frecuencia de muestreo de 5 Giga muestras/s, y una configuración de ráfaga de tonos con una longitud de ráfaga de 10 ns. Para obtener el patrón característico utilizando nuestro enfoque, utilizamos un transductor con una frecuencia central de 100 MHz y una lente con un ángulo de apertura de 60° que es capaz de excitar las ondas de Rayleigh30. Los reflejos de la muestra se analizan utilizando el software 'WinSAM 8.0.2293.0' proporcionado por PVA TePla. La velocidad de exploración de SAM utilizando nuestro enfoque es de aproximadamente 1000 TSV por 45 min con una resolución de 2 µm/píxel.

Clasificamos los patrones SAM característicos de C-scan utilizando modelos ML semiautomáticos y totalmente automatizados. Para el modelo totalmente automatizado, se dedica una red neuronal convolucional de extremo a extremo (E2E-CNN) con dos arquitecturas CNN, indicadas por CNN1 y CNN2, para localizar y clasificar los TSV, respectivamente.

CNN1: la arquitectura de CNN1 consta de tres capas convolucionales con 32, 32, 64 filtros y dos capas de agrupación máxima dispuestas en una secuencia apilada; consulte también la Fig. S7 complementaria con respecto al proceso de selección de arquitectura. Usamos un núcleo 2D para extraer características de la imagen en cada nivel de la CNN. Esos Kernels realizan la extracción de características al tomar un producto de puntos entre subregiones en la imagen consigo mismo. La primera capa de CNN1 consta de una capa convolucional con un tamaño de núcleo de 3 × 3, lo que reduce la dimensión de la entrada a 98 × 98 × 32. La segunda capa es una capa de agrupación máxima con un tamaño de núcleo de 2 × 2 y zancada 2. La tercera capa es una capa convolucional con otro núcleo de 3 × 3. Esta capa reduce la dimensión de las características a 47 × 47 × 32. La salida de la tercera capa se envía a la cuarta capa, que es una capa de agrupación máxima. Esta capa tiene el mismo tamaño de núcleo que la primera capa de agrupación. La quinta capa es nuevamente otra capa convolucional con un tamaño de kernel de 3 × 3 y reduce aún más la dimensión de las características a 21 × 21 × 64. La capa de salida de CNN1 representa una capa convolucional con función de activación sigmoidea47 que predice en el rango de cero a uno, dependiendo de si se detecta o no el TSV. La capa convolucional de salida consta de un filtro con un tamaño de kernel de 21 × 21. Para entrenar CNN1, usamos un conjunto de datos con un total de 20 000 imágenes. Dividimos todos los datos de la imagen de CNN1 con un 70 % para el entrenamiento y un 30 % para la validación para evaluar el rendimiento del modelo. Es decir, el lote de entrenamiento y el lote de validación consta de 14 000 y 6000 imágenes, respectivamente.

CNN2: consta de seis capas convolucionales con 32, 32, 64, 64, 64, 128 filtros y tres capas de agrupación máxima; consulte también la figura complementaria S7 con respecto al proceso de selección de arquitectura. La capa de salida de CNN2 es una capa totalmente conectada con una función de activación softmax47, que asigna probabilidades decimales a cada clase. El conjunto de datos completo de CNN2 consta de 6865 imágenes con 100 × 100 píxeles. Muestra cinco etiquetas de clase de salida que representan los diferentes patrones característicos ilustrados en la imagen C-scan, Fig. 5. De un conjunto de datos de 6865 imágenes, 5151 imágenes se utilizan para entrenar el modelo y 1714 imágenes para validar el modelo. Como se describió anteriormente, la entrada a CNN2 es un parche de imagen C-scan con valores de 10.000 píxeles, es decir, parches de imagen con el patrón característico de cada TSV individual. La entrada está convolucionada con dos filtros 32 3 × 3. Esto reduce la dimensión de la entrada a 96 × 96 × 32. La tercera capa es una capa de agrupación máxima con paso 2. Las siguientes tres capas son capas convolucionales que se apilan y aprenden 64 características a través de un filtro de 3 × 3. La salida de estas capas tiene un tamaño de 42 × 42 × 64 y se envía a la siguiente capa de agrupación máxima. La octava capa de CNN2 es otra capa convolucional que aprende 128 características a través de un filtro de 3 × 3. La salida de la siguiente capa de agrupación máxima se aplana y se proporciona como entrada a la capa densa con cinco nodos de salida. Todas las capas convolucionales de CNN2 van con un paso = 1 y una activación de unidad lineal rectificada (ReLu).

La entrada para los extractores de características son imágenes 3044 SAM C-scan de TSV con 10.000 píxeles, es decir, un cuadro delimitador con un patrón característico de TSV. Este cuadro delimitador se obtiene del centro de los TSV detectados mediante círculos de Hough. Se extraen dos conjuntos de características de estos parches de imagen utilizando el enfoque 1 (CED) y el enfoque 2 (FriST). Para el entrenamiento de los modelos MLP, DT y RF, como se muestra en la Tabla 1, usamos el 70 % del conjunto de datos total para entrenar el modelo y el 30 % del conjunto de datos total para validar el modelo. Para el entrenamiento y validación de Decision Tree y Random Forest, extrajimos las mismas características que para MLP usando técnicas CED y FriST. El MLP modelado consta de una capa de entrada con 1000 nodos, capas ocultas con 250, 125, 50 nodos y un nodo de salida. El solver utilizado para la optimización del peso es Limited Memory Broyden Fletcher Goldfarb Shanno (LBFGS) y cross-entropy para medir la penalización asociada a las predicciones (función de pérdida).

Canny Edge Detection (CED): antes de extraer cualquier información de borde de las franjas TSV, aplicamos el filtro gaussiano para eliminar cualquier ruido o artefacto de escaneo presente en la imagen. Luego detectamos bordes marginales a partir de esto aplicando un algoritmo CED. Las características de borde así obtenidas se reducen aún más aplicando PCA a estos datos.

Técnica de segmentación marginal (FriST): aquí, el cuadro delimitador contiene los patrones característicos preprocesados ​​mediante umbralización adaptativa. Luego se considera un círculo con radio unitario en el centro de la imagen preprocesada. El radio de este círculo aumenta iterativamente hasta que alcanza el final del cuadro delimitador (consulte la Fig. S10 complementaria). A partir de las imágenes de C-scan, la información relativa a los TSV se encuentra principalmente en las dos franjas internas. En cada paso, se traza el número total de píxeles negros que se encuentran en la circunferencia de este círculo. Los picos primero y segundo en el gráfico corresponden a las franjas de interés y, por lo tanto, retienen esas áreas de los segmentos de la imagen configurando todos los píxeles que se encuentran más allá de estos dos picos en 255 (consulte las Figs. S10 y S11 complementarias). Estos pasos se repiten secuencialmente para que cada TSV extraiga las características relevantes de las franjas. Los ROI relevantes segmentados utilizando la técnica FriST también se envían a PCA.

Para el modelo E2E-CNN, no se requiere procesamiento previo o posterior de las imágenes SAM C-scan, mientras que en la localización y clasificación semiautomática de TSV, según la calidad de la imagen SAM C-scan, necesitamos preparar la imagen utilizando varias técnicas de procesamiento de imágenes. como mejora del contraste, filtrado, umbralización, etc. Normalmente se pueden analizar 10.000 TSV. Un archivo de imagen con 2 μm/píxel muestra un tamaño de archivo de 600 MB. Por lo tanto, seleccionamos para un análisis más detallado ROI con alrededor de 576 TSV teniendo en cuenta el poder computacional limitado. Para CNN 2, aumentamos los TSV con patrones característicos pertenecientes a la clase 4 y clase 5. Tales imágenes de escaneo C indican burbujas de agua y artefactos de escaneo y son bastante raras. El tamaño del conjunto de datos aumentados juntos para la clase 4 y la clase 5 es 537. Para el aumento usamos principalmente voltear, rotar, acercar y alejar.

Todos los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente a pedido razonable.

Todo el código que respalda los hallazgos de este estudio está disponible del autor correspondiente a pedido razonable.

Raj, B., Jayakumar, T. y Thavasimuthu, M. Ensayos prácticos no destructivos. (Editorial Woodhead, 2002).

Kumar, S. & Mahto, DG Tendencias recientes en aplicaciones de ingeniería industrial y de otro tipo de pruebas no destructivas: una revisión. En t. J. Ciencia. Ing. Res. 4, (2013).

Virkkunen, I., Koskinen, T., Jessen-Juhler, O. y Rinta-Aho, J. Datos ultrasónicos aumentados para el aprendizaje automático. J. No destruir. Evaluación 40, 1–11 (2021).

Artículo Google Académico

Huang, Y.-J., Pan, C.-L., Lin, S.-C. y Guo, M.-H. Enfoque de aprendizaje automático en la detección y clasificación de defectos en 3-D IC basado en TSV. Trans. IEEE. componente Paquete Fabricación Tecnología 8, 699–706 (2018).

Artículo CAS Google Académico

Hsu, P.-N. et al. Aprendizaje profundo de inteligencia artificial para la predicción de confiabilidad de IC 3D. ciencia Rep. 12, 1–7 (2022).

Artículo ANUNCIOS Google Académico

Liu, H., Fang, R., Miao, M., Yang, Y. & Jin, Y. Detección de defectos para el canal de transmisión TSV utilizando el enfoque de aprendizaje automático, en 2019 IEEE 69th Electronic Components and Technology Conference (ECTC) 2168– 2172 (2019).

Wang, Z., Liu, X., He, Z., Su, L. y Lu, X. Detección inteligente de flip chip con microscopía acústica de barrido y la red neuronal de regresión general. Microelectrón. Ing. 217, 111127 (2019).

Artículo CAS Google Académico

Albawi, S., Mohammed, TA y Al-Zawi, S. Comprensión de una red neuronal convolucional, en la Conferencia Internacional de Ingeniería y Tecnología (ICET) 2017 1–6 ​​(2017).

Aloysius, N. & Geetha, M. Una revisión sobre redes neuronales convolucionales profundas. en la conferencia internacional de 2017 sobre comunicación y procesamiento de señales (ICCSP) 588–592 (2017).

Gu, J. et al. Avances recientes en redes neuronales convolucionales. Reconocimiento de patrones. 77, 354–377 (2018).

Artículo ANUNCIOS Google Académico

Koester, SJ et al. Tecnología de integración 3D a nivel de oblea. IBM J.Res. desarrollo 52, 583–597 (2008).

Artículo CAS Google Académico

Motoyoshi, M. A través de la vía de silicio (TSV). proc. IEEE 97, 43–48 (2009).

Artículo CAS Google Académico

Shen, W.-W. y Chen, K.-N. Tecnología clave de circuito integrado tridimensional (3D IC): a través de silicio vía (TSV). Resolución a nanoescala Letón. 12, 1–9 (2017).

Artículo ANUNCIOS Google Académico

Lu, KH et al. Delaminación inducida por estrés térmico de vías de silicio en interconexiones 3-D, en 2010 Proceedings 60th Electronic Components and Technology Conference (ECTC) 40–45 (2010).

Ranganathan, N., Prasad, K., Balasubramanian, N. y Pey, KL Un estudio de la tensión termomecánica y su impacto en las vías de silicio. J. Micromech. Microing. 18, 75018 (2008).

Artículo Google Académico

Tsai, M., Klooz, A., Leonard, A., Appel, J. y Franzon, P. A través del circuito de autocomprobación de defecto/agujero de alfiler de vía de silicio (TSV) para 3D-IC, en la Conferencia internacional IEEE de 2009 sobre integración de sistemas 3D 1–8 (2009).

Chakrabarty, K., Deutsch, S., Thapliyal, H. & Ye, F. Defectos de TSV y fallas de circuito inducidas por TSV: la tercera dimensión en prueba y diseño para prueba, en el Simposio internacional de física de confiabilidad de IEEE (IRPS) de 2012 5F–1 (2012).

Dom, BE & Brecher, V. Avances recientes en la inspección automática de circuitos integrados para detectar defectos de patrón. Mach. Vis. aplicación 8, 5–19 (1995).

Artículo Google Académico

Bazu, M. & Bajenescu, T. Análisis de fallas: una guía práctica para fabricantes de componentes y sistemas electrónicos. vol. 4 (John Wiley & Sons, 2011).

Kozic, E. et al. Detección de defectos de metalización en componentes integrados 3D mediante microscopía acústica de barrido y simulaciones acústicas. Microelectrón. confiable 88, 262–266 (2018).

Artículo Google Académico

Chen, Q., Huang, C., Wu, D., Tan, Z. y Wang, Z. Vías de silicio pasante de capacitancia ultrabaja con capas de aislamiento de espacio de aire anular. Trans. IEEE. Dispositivos electrónicos 60, 1421–1426 (2013).

Artículo ADS CAS Google Académico

Abd Al Rahman, M. & Mousavi, A. Una revisión y análisis de la inspección óptica automática y los métodos de control de calidad en la industria electrónica. Acceso IEEE 8, 183192–183271 (2020).

Artículo Google Académico

Reimer, L. Microscopía electrónica de barrido: física de la formación de imágenes y microanálisis. medida ciencia Tecnología 11(12), 1826–1826 (2000).

Artículo ANUNCIOS Google Académico

Zhou, W., Apkarian, R., Wang, ZL y Joy, D. Fundamentos de la microscopía electrónica de barrido (SEM), en Microscopía de barrido para nanotecnología 1–40 (Springer, 2006).

Pacheco, M. & Goyal, D. Tomografía computarizada de rayos X para el análisis de fallas no destructivas en microelectrónica, en 2010 IEEE International Reliability Physics Symposium 252–258 (2010).

Zschech, E. et al. Tomografía computarizada de rayos X de laboratorio: una técnica no destructiva para el análisis de microestructura 3D de materiales. Practica metalogr. 55, 539–555 (2018).

Artículo ANUNCIOS Google Académico

Cassidy, C., Teva, J., Kraft, J. & Schrank, F. A través de investigaciones de defectos de Silicon Via (TSV) utilizando microscopía de emisión lateral. Microelectrón. confiable 50, 1413–1416 (2010).

Artículo CAS Google Académico

da Fonseca, RJM et al. Microscopía acústica de barrido: aplicaciones recientes en ciencia de materiales. Adv. Mate. 5, 508–519 (1993).

Artículo Google Académico

Zhang, G.-M., Harvey, DM y Braden, DR Caracterización de paquetes microelectrónicos mediante microscopía acústica de barrido. END E Int. 40, 609–617 (2007).

Artículo CAS Google Académico

Briggs, A., Briggs, GAD y Kolosov, O. Microscopía acústica. vol. 67 (Prensa de la Universidad de Oxford, 2010).

Zou, Z., Shi, Z., Guo, Y. y Ye, J. Detección de objetos en 20 años: una encuesta. arXiv Prepr. arXiv:1905.05055 (2019).

LeCun, Y., Huang, FJ & Bottou, L. Métodos de aprendizaje para el reconocimiento de objetos genéricos con invariancia a la pose y la iluminación, en Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition de 2004, 2004. CVPR 2004. vol. 2 II--104 (2004).

Delakis, M. & Garcia, C. Detección de texto con redes neuronales convolucionales. VISAPP 2, 290–294 (2008).

Google Académico

Sermanet, P. et al. Overfeat: Reconocimiento, localización y detección integrados mediante redes convolucionales. arXiv Prepr. arXiv1312.6229 (2013).

Lu, H. Codificación cuasi-ortonormal para aplicaciones de aprendizaje automático. arXiv Prepr. arXiv2006.00038 (2020).

Chen, T., Min, MR & Sun, Y. Aprendizaje de códigos discretos d-dimensionales k-way para representaciones de incrustación compactas, en Conferencia internacional sobre aprendizaje automático 854–863 (2018).

Redmon, J., Divvala, S., Girshick, R. & Farhadi, A. Solo miras una vez: detección unificada de objetos en tiempo real, en Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones 779–788 (2016) .

Shih, FY Procesamiento de imágenes y reconocimiento de patrones: fundamentos y técnicas. (John Wiley & Sons, 2010).

Grünwald, E. et al. Análisis automatizado de fallas de TSV recubiertos de tungsteno mediante microscopía acústica de barrido. Microelectrón. confiable 64, 370–374 (2016).

Artículo Google Académico

Rong, W., Li, Z., Zhang, W. y Sun, L. Un algoritmo de detección de bordes CANNY mejorado, en la Conferencia internacional IEEE sobre mecatrónica y automatización de 2014 577–582 (2014).

Petrou, MMP & Petrou, C. Procesamiento de Imágenes: Los Fundamentos. (John Wiley & Sons, 2010).

Bradley, D. & Roth, G. Umbral adaptativo utilizando la imagen integral. J. Gráfico. herramientas 12, 13–21 (2007).

Artículo Google Académico

Kohler, R. Un sistema de segmentación basado en el umbral. computar Grafico. Proceso de imagen. 15, 319–338 (1981).

Artículo Google Académico

Puech, M. et al. Fabricación de TSV de empaque 3D usando DRIE, en 2008 Simposio sobre Diseño, Prueba, Integración y Empaquetado de MEMS/MOEMS 109–114 (2008).

Singulani, AP, Ceric, H. y Langer, E. Evolución de la tensión en la película delgada de tungsteno de una tecnología abierta a través de la vía del silicio, en Actas del 20.° Simposio internacional de IEEE sobre análisis físico y de fallas de circuitos integrados (IPFA) 212– 216 (2013).

Filipovic, L., Singulani, A., Roger, F., Carniello, S. y Selberherr, S. Análisis de tensión intrínseca de TSV abiertos revestidos de tungsteno. Microelectrón. confiable 55, 1843–1848 (2015).

Artículo CAS Google Académico

Sharma, S., Sharma, S. & Athaiya, A. Funciones de activación en redes neuronales. Towar. ciencia de datos 6, 310–316 (2017).

Google Académico

Descargar referencias

Reconocemos el apoyo financiero de Die Österreichische Forschungsförderungsgesellschaft (FFG) bajo Bridge Young Scientist, Proj. No. 872629, "REFORM" y en parte bajo el alcance del programa COMET dentro del Centro K2 "Ingeniería Computacional Integrada de Materiales, Procesos y Productos (IC-MPPE) (Proy. No 886385, P2.22). Este programa es apoyado por los Ministerios federales austriacos de Acción por el Clima, Medio Ambiente, Energía, Movilidad, Innovación y Tecnología (BMK) y de Trabajo y Economía (BMAW), representados por la Agencia Austriaca de Promoción de la Investigación (FFG), y los estados federales de Estiria, Alta Austria y Tirol Agradecemos el apoyo de M. Gritzner, ams-OSRAM AG para las mediciones SEM.

Centro de Materiales Leoben Research GmbH, Leoben, Austria

Priya Paulachan y Roland Brunner

ams-OSRAM AG, Premstaetten, Austria

Joerg Siegert

PVA TePla Analytical Systems GmbH, Westhausen, Alemania

Ingo Wiesler

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

RB, PP planificaron y realizaron el flujo de trabajo de ML. PP desarrolló la arquitectura CNN bajo la supervisión de RB; JS proporcionó las muestras. RB planeó las mediciones de SAM. PP realizó las mediciones SAM. IW apoyó la modificación del SAM. PP realizó el análisis bajo la supervisión de RB. RB y PP escribieron el artículo. Todos los autores discutieron los resultados y comentaron el artículo.

Correspondencia a Roland Brunner.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Paulachan, P., Siegert, J., Wiesler, I. et al. Una red neuronal convolucional de extremo a extremo para la localización automática de fallas y la caracterización de interconexiones 3D. Informe científico 13, 9376 (2023). https://doi.org/10.1038/s41598-023-35048-0

Descargar cita

Recibido: 19 enero 2023

Aceptado: 11 de mayo de 2023

Publicado: 09 junio 2023

DOI: https://doi.org/10.1038/s41598-023-35048-0

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.