- Startseite
- Blog
- Ein Blick durch das Glas: Röntgenprüfung von Through-Glass Vias für Advanced Packaging
Blick durch das Glas: Röntgenprüfung von Through-Glass Vias (TGV) für Advanced Packaging
22. Juni 2026 | Dr. Daniel Stickler
Glas gewinnt als Substratmaterial für Advanced Packaging in der Halbleiterindustrie zunehmend an Bedeutung. Seine Dimensionsstabilität und seine elektrischen Eigenschaften machen es zu einer interessanten Basis für Großflächensubstrate und hochdichte Verbindungstrukturen. Wenn jedoch elektrische Verbindungen durch das Glas geführt werden (Through-Glass Vias, TGVs), entsteht eine neue Prüfherausforderung: Viele der relevanten Defekte sind von der Oberfläche aus nicht mehr sichtbar. Auf der Photomask Japan 2026 haben wir unsere ersten Bildbeispiele für Substrate aus Glas und TGV-Strukturen vorgestellt. Die Ergebnisse zeigen, wie die Röntgentechnik einen zerstörungsfreien Einblick in Defekte in geätzten Glasdurchführungen und metallisierten TGVs ermöglicht – und warum Schrägaufnahmen, Computerlaminografie, Detektorleistung und KI-gestützte Analyse dabei entscheidend sind.
Prüfung für Advanced Packaging neu definieren. Von der Qualitätssicherung bis zur Ausbeuterisikokontrolle
In der Post-Moore-Ära spielt Advanced Packaging weiterhin eine entscheidende Rolle, um den stetig wachsenden Anforderungen der Elektronikproduktion nach höherer Leistung in kleineren und kostengünstigeren Gehäusen gerecht zu werden. Während Halbleiterhersteller in diese Schlüsseltechnologie investieren, stehen sie in einem wettbewerbsintensiven Umfeld unter Druck, denn selbst geringfügige Ausbeutesteigerungen können erhebliche Auswirkungen auf die Rentabilität und die Time-to-Market haben. Der Ausfall eines einzigen Chips im Verbund kann das gesamte Package beeinträchtigen und zu kostspieligen Produktionsanpassungen und Verzögerungen führen. Um die Nase vorn zu behalten, ist der Einsatz umfassender Prüfstrategien erforderlich, um potenzielle Defekte in diesen immer komplexeren Strukturen schnell und zuverlässig zu erkennen.
Dies gilt insbesondere für Glas-Substrat-Technologien. Aufgrund der Materialeigenschaften sind diese Paneele nicht nur größer als ein typischer Wafer, sondern auch dichter gepackt. Das bedeutet, dass nicht nur die Kosten für unentdeckte Defekte in einem Prozess exponentiell steigen, sondern auch die Komplexität der Prüfung zunimmt und anspruchsvolle Anforderungen an den Durchsatz gestellt werden. Glücklicherweise schreiten die Entwicklungen in diesem Bereich rasant voran, wie wir auf der diesjährigen Photomask Japan gezeigt haben.
TGV-Fertigungszyklus
Typische Defekte beim selektiven Nassätzen
- Fehlendes Loch
- Mikrorisse und andere Glasdefekte
- Oberflächenrauheit
- Geometrie und Abstände
- Glasreste
Typische Defekte bei der Metallisierung
- Lunker
- Einschlüsse, Lücken, unvollständige Füllung
- Delamination
- Mikrorisse
Defekte können vor und nach der Metallisierung auftreten
Der TGV-Herstellungsprozess besteht in der Regel aus drei Schritten. Er beginnt mit einer lokalen Lasermodifikation des Glaspaneels zur Markierung der Position jedes TGV, gefolgt von einem selektiven Nassätzen zur Bildung der Vias. In einem späteren Prozessschritt werden die Vias metallisiert (in der Regel mit Kupfer), um elektrische Verbindungen durch das Glas herzustellen. Genau in diesem zweiten und dritten Schritt können die häufigsten Prozessdefekte auftreten.
Vor der Metallisierung umfassen relevante Indikatoren für fehlerhafte TGVs fehlende Löcher, Glasreste, Geometrieabweichungen, Unregelmäßigkeiten an den Seitenwänden und Mikrorisse. Nach der Metallisierung verlagert sich der Fokus auf unvollständige Füllungen, porenähnliche Strukturen, Dichteschwankungen und mögliche fehlerhafte Grenzflächen. Einige dieser Merkmale lassen sich optisch prüfen, solange das Glas und die relevanten Oberflächen zugänglich bleiben. Sobald das Via jedoch metallisiert ist, können interne Informationen hinter dem undurchsichtigen Kupfer verborgen sein. Hier erweist sich die Röntgenprüfung als besonders wertvoll.
Beispiel 1: Defekte in geätzten Glasvias erkennen
Im ersten Beispiel haben wir eine Probe mit geätzten TGV-Löchern vor dem Metallisierungsprozess untersucht. Die Röntgenaufnahme mit niedriger Energie zeigte potenzielle Defektbereiche wie Restglas und rissähnliche Strukturen, und bereits im 2D-Bild war zu erkennen, dass etwas anormal war. Schwierig blieb jedoch die Bestimmung, wo genau sich der Defekt im Glas befand und wie weit er reichte.
Das rekonstruierte 3DCL-Volumen änderte diese Interpretation. Virtuelle Schnitte zeigten, dass ein anfangs als Oberflächenriss erscheinender Defekt sich tatsächlich im Glasvolumen in der Nähe der Vias-Wand ausbreitete. Die Daten legten nahe, dass bestehende rissähnliche Strukturen während des Nassätzprozesses vergrößert worden waren.
Der Nachweis von Restglas erwies sich als andere Herausforderung. Es konnte zwar visuell erkannt werden, aber der Kontrast war wesentlich schwächer als bei einem vollständig offenen Loch oder einer kupfergefüllten Struktur. Dieses Beispiel verdeutlicht, warum es bei der TGV-Prüfung nicht nur auf die räumliche Auflösung ankommt. Einige relevante Defekte lassen sich anhand sehr geringer Grauwertunterschiede erkennen, was hohe Anforderungen an die gesamte Bildgebungskette stellt und die Bedeutung von Software zur Erkennung von Defekten unterstreicht, die das menschliche Auge möglicherweise übersieht.
2D-Scan
Ausschnitt des interessierenden Bereichs (ROI)
2D-Scan von 65-µm-TGV-Löchern in Glas, einschließlich eines vergrößerten Ausschnitts mit sichtbaren Defekten. Probe zur Verfügung gestellt vom Fraunhofer IZM.
Diese in 3D CL aufgenommene Probe zeigt eine Vielzahl von Schnittansichten, die bei der Bestimmung der wahren Größe und Schwere der Risse helfen. (oben links: 3D-Rendering, oben rechts: vertikaler Schnitt, unten links: horizontaler Schnitt, unten rechts: vertikaler 90°-Schnitt)
Beispiel 2: Prüfung kleinerer metallisierter TGVs
Die Prüfaufgabe wird nach der Metallisierung noch anspruchsvoller. In kleinen TGV-Strukturen mit Durchmessern von ca. 25 µm zeigten die Röntgendaten unvollständig ausgebildete oder fehlende Vias sowie subtile Dichteschwankungen innerhalb metallisierter Strukturen.
Ein fehlendes oder abnormales Via kann in einer geneigten Durchleuchtung sichtbar werden, da die gesamte projizierte Länge der Struktur sichtbar wird. In den dazugehörigen 3DCL-Daten kann die Anzeige im Querschnitt untersucht und mit der umliegenden Via-Geometrie in Beziehung gesetzt werden.
Subtiler waren schwache Dichteschwankungen innerhalb einzelner TGVs. Diese zeigten sich nicht als kontrastreiche, klar definierte lufthaltige Poren. Stattdessen waren sie als kleine Grauwertvariationen sichtbar, die entlang der metallisierten Strukturen verteilt waren. Solche Anzeigen lassen sich allein durch Sichtprüfung nur schwer zuverlässig bewerten, insbesondere bei großen Vias-Arrays.
Ein 2D-Übersichtsscan einer Glasprobe nach der Metallisierung. Bei dieser Probe beträgt der Abstand zwischen den TGVs 1 mm und die TGVs haben einen Durchmesser von 25 µm
Erfassung von Schlüsseldefekten mit 3D CL
Im 3D-Rendering und im Querschnitt der gescannten Probe ist ein „Double-Shot“-TGV, bei dem zwei Löcher in extrem geringem Abstand zueinander gebohrt wurden, deutlich zu erkennen.
Diese Visualisierung hebt einen Bereich des Glaspanels hervor, in dem ein TGV-Loch nicht adäquat gebohrt und daher nicht mit Kupfer gefüllt wurde, wodurch eine deutlich sichtbare „Lücke“ entsteht.
Der hochauflösende Scan kann auch mögliche Poren und Dichteschwankungen oder Rauheit im Material erfassen. Die Bereiche geringer Dichte sind im Querschnitt als Abschnitte sichtbar, die dunkler sind als das umgebende Material.
Bilder in skalierbare Informationen umwandeln
Detaillierte 3D-CL-Datensätze können viele einzelne Vias und eine große Anzahl von Querschnitten umfassen. Die manuelle Überprüfung all dieser Daten ist kein skalierbarer Prüfansatz. Aus diesem Grund wurden die rekonstruierten Daten mit Dragonfly 3D World ausgewertet und durch die KI-Bildanalyse-Workflows von Comet unterstützt. Die KI-basierte Segmentierung kann Defektanzeigen wie Dichteschwankungen oder lunkerähnliche Merkmale über ein gesamtes Volumen hinweg identifizieren und visualisieren. Anstatt jedes Via nur als Bild zu betrachten, kann der Anwender mit strukturierten Objekten arbeiten, die lokalisiert, gezählt, verglichen und quantifiziert werden können.
Ein Screenshot der Software Dragonfly 3D World zeigt das Training eines Deep-Learning-Modells anhand von TGV-Scandaten.
Das Endergebnis der Segmentierung aus dem trainierten Modell, das deutliche Poren innerhalb der TGVs zeigt.
Das gleiche Prinzip ist für eine schnellere 2,5D-Prüfung relevant. Wenn die Geometrie des Röntgensystems bekannt ist – einschließlich Vergrößerung, Detektorpixelgröße und Aufnahmewinkel –, können geneigte Durchleuchtungen sowohl fehlerbezogenen Kontrast als auch praktische Dimensionsinformationen liefern. In Kombination mit einer automatisierten Fehlererkennung entsteht so ein Weg zur schnellen Prüfung großer TGV-Arrays, ohne für jeden geprüften Bereich ein vollständiges 3D-Volumen rekonstruieren zu müssen.
Das Bild rechts zeigt eine bestehende Software, die derzeit für die Prüfung von Through-Silicon-Vias (TSV) verfügbar ist: TSV Insights X 2.5D von Comet Yxlon. Da TGVs im Allgemeinen größer sind als TSVs, aber einen ähnlichen Formfaktor aufweisen, verdeutlicht diese Software unsere Ziele für die künftige automatische TGV-Prüfung und -Klassifizierung.
vor der Segmentierung
nach der Segmentierung
Screenshot aus unserer Software TSV Insights X 2.5D. Die Abbildung zeigt eine Wafer-Probe (Quelle: Fraunhofer IZM-ASSID), bei der alle TSVs so manipuliert wurden, dass sie Voids enthalten. Dargestellt sind die Segmentierung jedes einzelnen TSV (gelb) und die darin enthaltenen Voids (rot).
Zusammenfassung
Eine hybride Prüfstrategie für glasbasiertes Packaging
Glassubstrate und TGVs bringen Prüfaufgaben mit sich, die sowohl Geschwindigkeit als auch Informationstiefe erfordern. Die Röntgenprüfung kann eine wichtige Unterstützung sein, um Fehler über den gesamten Herstellungsprozess hinweg zu finden und zu analysieren. Schnelle Projektionsaufnahmen mittels 2D-Radiografie können als erster Screening-Schritt dienen, während die Computerlaminografie für tiefere Einblicke und eine vollständigere Ansicht die erforderlichen virtuellen Querschnitte liefert und KI-gestützte Analysen dabei helfen können, diese umfassenden Daten in skalierbare Prüfergebnisse umzusetzen.
Die auf der Photomask Japan präsentierten Beispiele demonstrieren, dass die Röntgenbildgebung bereits Defekte in Glas- und metallisierten TGV-Strukturen aufdecken kann, die von der Oberfläche aus allein schwer oder gar nicht zugänglich sind. Da glasbasierte Packaging-Technologien auf eine breitere industrielle Akzeptanz zusteuern, wird diese Fähigkeit, ins Innere zu blicken – zerstörungsfrei und mit zunehmender Automatisierung – einen wichtigen Beitrag zur Prozesssteuerung und Ertragssteigerung leisten.
Sie möchten mehr darüber erfahren, wie unsere CT- und Röntgensysteme die Halbleiterprüfung unterstützen können?
Klicken Sie hier: https://comet.tech/yxlon/industries/semiconductors
Danksagung: Comet bedankt sich herzlich beim Fraunhofer IZM Berlin für die Bereitstellung repräsentativer Glas- und TGV-Proben, die für diese Arbeit verwendet wurden.
Die drei neuesten News
Technologie-Spotlight: 3D-Röntgenprüfung mit Produktionsgeschwindigkeit durch kontinuierliche Rotation und KI-Rauschunterdrückung
29. Oktober 2026 | Hao-Che Chien und Chien-Yu Kuo
Wie ein kombinierter, hardware- und softwarebeschleunigter Workflow die qualitativ hochwertige TSV-Inspektion näher an die Produktionslinie bringt.
Mehr lesenNeue Entdeckungen im Duvenseer Moor in Schleswig-Holstein dank CT.
8. Juni 2026
Anfang des Jahres hatten wir die Gelegenheit, mit der Fraunhofer-Einrichtung für Individualisierte Medizintechnik IMTE (Fraunhofer IMTE) und dem Leibniz-Zentrum für Archäologie (LEIZA) an einem einzigartigen Fund in einem Auerochsenschädel zu kooperieren, der im ältesten bekannten Grab Norddeutschlands – dem Duvenseer Moor in Schleswig-Holstein – entdeckt wurde.
Mehr lesenEin Schülerpraktikum in der 9. Klasse, ein CT-Scan und eine KI, die gelernt hat, Zucker von Salz zu unterscheiden
12. Februar 2026 | Dr. Daniel Stickler
Während eines dreiwöchigen Schülerpraktikums bei Comet Yxlon hatte ich die Gelegenheit, eine neunte Klasse zu betreuen, die neugierig, motiviert und (aus guten Gründen) nicht befugt war, Röntgengeräte eigenständig zu bedienen. Daher haben wir ein Projekt entwickelt, das sich dennoch real anfühlt: praktische Daten, echte Analysen und ein klares Ergebnis. Das Ziel war es, dass sie eigenständig mit Software arbeiten und dabei die Grundlagen der Röntgendiagnostik und Computertomographie kennenlernen.
Mehr lesen