- Startseite
- Blog
- Technologie-Spotlight: 3D-Röntgenprüfung mit Produktionsgeschwindigkeit durch kontinuierliche Rotation und KI-Rauschunterdrückung
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.
In der modernen Halbleiterfertigung ist die Inspektionsgeschwindigkeit ein entscheidender Wettbewerbsfaktor – sie beeinflusst direkt die Markteinführungszeit, die Ausbeute und die Prozesskontrolle. Gleichzeitig werden die zu inspizierenden Strukturen immer kleiner, dichter und komplexer. Durchkontaktierungen (TSVs) veranschaulichen diese Herausforderung gut: Millionen nahezu identischer Strukturen können auf einem einzigen Wafer untergebracht sein, während die kritischen Defekte (wie z. B. Hohlräume) nur wenige Mikrometer groß sein können.
Konventionelle Computertomographie (CT) oder sogar laminografie (CL) kann die erforderlichen dreidimensionalen Details liefern, jedoch kann die Erfassung eines Volumens mit ausreichender Auflösung bei einer Dosis, die das Bauteil nicht beschädigt, für den realistischen Inline-Einsatz oft zu lange dauern. Um diese Lücke zu schließen, testete unser Anwendungsteam in Taiwan einen Workflow, der kontinuierliche Rotation mit laminografie Mit Deep-Learning-basierter Bildentrauschung und automatisierter Fehleranalyse entsteht ein vier Minuten langer 3D-Inspektionszyklus, der die für die zuverlässige Erkennung von Hohlräumen in TSVs notwendigen Strukturinformationen erhält. Im Folgenden wird die Funktionsweise des Ansatzes erläutert – und warum die Kombination so wichtig ist.
2D/2,5D vs. 3D für die Inspektion von TSV-Arrays
Nach der Bearbeitung eines Wafers können Millionen von TSVs dicht beieinander liegen und nahezu identische Abmessungen aufweisen. Ein Inspektionssystem muss diese einzelnen Strukturen segmentieren, sie zuverlässig lokalisieren und kleine interne Defekte erkennen – und das alles in einer für die Fertigung sinnvollen Geschwindigkeit.
Bei der Röntgenmikroskopie besteht die zentrale Herausforderung im physikalischen Zielkonflikt zwischen Durchsatz und Bildqualität. Moderne TSV-Inspektionsverfahren erfordern eine Auflösung von unter 1 µm, was wiederum einen kleinen Röntgenfokuspunkt bedingt. Ein kleinerer Fokuspunkt begrenzt die sicher anwendbare Zielleistung und reduziert somit den Photonenfluss. Konventionelle Verfahren kompensieren dies durch längere Belichtungszeiten oder die Mittelung mehrerer Bilder, um das Signal-Rausch-Verhältnis (SNR) zu erhalten. Beide Optionen verlängern jedoch die Messzeit und erschweren die Inline-Implementierung einer vollständigen 3D-Inspektion.
Die 2,5D-Röntgenbildgebung stellt einen Kompromiss dar. Sie kombiniert die Aufnahmegeschwindigkeit der 2D-Bildgebung mit einer begrenzten Anzahl von Projektionen aus ausgewählten Winkeln und erzeugt so tiefenähnliche Informationen – eine „Pseudo-3D“-Ansicht – bei deutlich geringerem Rechenaufwand als eine vollständige Computertomographie. Allerdings können Schatten und Überlagerungen weiterhin Strukturen verdecken oder falsch-positive Befunde erzeugen. Kurz gesagt: Die Geschwindigkeit ist höher, die Zuverlässigkeit der Ergebnisse kann jedoch beeinträchtigt werden.
Abb. 1. Beispiel für eine starke Überlappung von Merkmalen bei der 2,5D-Bildgebung mit geneigtem Detektor für dichte TSV-Arrays, was zu einer verminderten Sichtbarkeit von Hohlräumen und einer uneindeutigen Defektinterpretation führt .
Zielsetzung: Kann eine präzise 3D-TSV-Hohlraumerkennung innerhalb einer mit der modernen Produktion kompatiblen Zykluszeit realisiert werden?
Stufe 1: Hardwarebasierte Beschleunigung mit kontinuierlicher Rotation laminografie
laminografie Das Scannen kann mit zwei Hauptstrategien erfolgen. Beim Stop-and-Go-Scanning wird die Rotation an jeder Winkelposition angehalten, während mehrere Bilder aufgenommen werden. Dies verbessert das Signal-Rausch-Verhältnis (SNR) jeder Projektion, jedoch verursacht das wiederholte Anhalten, Positionieren und Neustarten einen erheblichen mechanischen Aufwand.
Kontinuierliche Rotation laminografie Die Probe wird in Bewegung gehalten, während Bewegung und Datenerfassung synchronisiert bleiben. Durch den Wegfall des Start-Stopp-Zyklus wird die gesamte Scanzeit deutlich reduziert. Allerdings können Bewegungsunschärfe und Aliasing auftreten, weshalb eine präzise Bewegungssteuerung und Projektionssynchronisation unerlässlich sind. Mit genügend Winkelprojektionen kann das System TSV-Volumina jedoch genau rekonstruieren, ohne signifikante Aliasing-Artefakte zu erzeugen.
Phase 2: Softwarebasierte Beschleunigung mit Deep-Learning-Entrauschung
Schnellere Einzelbildaufnahmen mit niedriger Dosis führen naturgemäß zu Daten mit einem geringeren Signal-Rausch-Verhältnis (SNR). In einem zweiten Schritt wird diese Einschränkung durch ein eigens entwickeltes Deep-Learning-Entrauschungsmodell behoben, das speziell für das jeweilige Gerätedesign trainiert wurde. Eine Stop-and-Go-Aufnahme mit hoher Projektionsauflösung. laminografie Durch Scannen eines ausgewählten Würfels wird die Zielreferenz für das Training bereitgestellt.
Nach dem Training kann das Modell auf neu erfasste Datensätze anderer Chips mit identischem Design angewendet werden – ohne dass ein erneutes Training erforderlich ist. Diese designspezifische, chipübergreifende Einsatzstrategie ermöglicht eine präzise Datenwiederherstellung bei gleichzeitig ausreichend schneller Inferenz für den Inline-Einsatz.
Die Hardware- und Softwarebeschleuniger können unabhängig voneinander arbeiten, ihr volles Potenzial entfalten sie jedoch erst im Zusammenspiel. Die kontinuierliche Rotation verkürzt zunächst die Aufnahmezeit; anschließend stellt Deep Learning die durch die schnellere Aufnahme mit niedrigerer Dosis verlorene Bildqualität wieder her. Diese Kombination aus zwei schnellen Verfahren liefert hochwertige Volumendaten in einem Bruchteil der Zeit, die für das Stop-and-Go-Scannen mit hoher Projektion benötigt wird.
Vergleich von Geschwindigkeit, Signal und Messzuverlässigkeit
| Bildgebender Zustand | Scanzeit | Relatives SNR | Hohlraumanteil % (Mittelwert ± Standardabweichung) |
|---|---|---|---|
Stop-and-Go-Animation mit hoher Projektion laminografie | 60 Minuten | 1.00 | 9,03 ± 0,18 |
Stop-and-Go-Antrieb mit geringer Projektion laminografie | 4 Minuten | 0.43 | 7,28 ± 1,39 |
Kontinuierliche Rotation laminografie | 4 Minuten | 0.69 | 8,17 ± 0,65 |
Kontinuierliche Rotation laminografie mit Deep Learning-Entrauschung | 4 Minuten | 1.08 | 8,72 ± 0,38 |
(a) Stop-and-Go-Anflug mit hoher Projektion laminografie Scan (1 Stunde)
b) Stop-and-Go-Anflug mit geringer Projektion laminografie Scan (4 Minuten)
(c) Kontinuierliche Rotation laminografie (4 Minuten)
(d) Kontinuierliche laminografie mit Deep-Learning-Entrauschung
(4 Minuten)
Der Vergleich verdeutlicht, warum die Aufnahmegeschwindigkeit allein nicht ausreicht. Durch die Reduzierung der Projektionsanzahl bei einem Stop-and-Go-Scan verkürzt sich der Zyklus von 60 auf vier Minuten, jedoch sinkt das relative Signal-Rausch-Verhältnis (SNR) auf 0,43 und die gemessene Aussetzerquote wird weniger konsistent. Eine kontinuierliche Rotation liefert eine stabilere Vier-Minuten-Basislinie mit einem relativen SNR von 0,69 und einer Aussetzerquote, die näher am Referenzwert der Hochprojektionsmethode liegt.
Die Hinzunahme von Deep-Learning-Entrauschung verändert das Ergebnis deutlich. Das relative Signal-Rausch-Verhältnis (SNR) steigt auf 1,08 und liegt damit leicht über dem Referenzwert von 1,00 für hochauflösende Aufnahmen. Der gemessene Anteil an Bildfehlern erreicht 8,72 ± 0,38 % im Vergleich zu 9,03 ± 0,18 % beim 60-minütigen Referenzscan. Das Verfahren erhält somit die Messzuverlässigkeit und reduziert gleichzeitig die Aufnahmezeit signifikant.
Phase 3: Testen der Ergebnisse mit KI-gestützter Segmentierung
Das Signal-Rausch-Verhältnis (SNR) ist ein wichtiger Indikator, entscheidend ist jedoch, ob das rekonstruierte Volumen die beabsichtigte Prüfaufgabe weiterhin erfüllt. Querschnittsansichten der entrauschten Daten zeigen eine etwas geringere Kantenschärfe und einen geringeren Detailkontrast in der TSV-Kupferfüllung und an den Hohlraumgrenzen als der Stop-and-Go-Scan mit hoher Projektion. Dennoch bleiben die für die Hohlraumerkennung erforderlichen kritischen Strukturmerkmale ausreichend erhalten.
Um diesen Punkt quantitativ zu überprüfen, wandte das Team ein zweites Deep-Learning-Modell an, um jedes TSV vom Hintergrund zu trennen und anschließend die darin enthaltenen Hohlräume zu segmentieren. Das Hohlraumvolumen wurde als Prozentsatz des TSV-Volumens ausgedrückt. Die Referenz mit hoher Projektion ergab einen mittleren Hohlraumanteil von 9,03 ± 0,18 %, während die kontinuierliche Rotation laminografie Die Rauschunterdrückung betrug 8,72 ± 0,38 %. Diese gute Übereinstimmung zeigt, dass der beschleunigte Arbeitsablauf die für die automatisierte Fehleranalyse notwendigen Informationen beibehält.
Deep- Learning -Segmentierungsüberlagerung auf dem TSV , die erkannte Hohlräume ( rot ) und Metalle (orange) hervorhebt.
Fazit: Integration der 3D-Inspektion in den Produktionszyklus
Die in dieser Studie analysierten TSV-Interposerproben waren bereits metallgefüllt und chemisch-mechanisch poliert (CMP) und somit bereit für die Integration mit Mikrobumps und Umverteilungsschichten (RDLs). advanced packaging Hohlräume können sich direkt auf die Zuverlässigkeit nachfolgender Systeme auswirken, weshalb eine schnelle und zuverlässige Inspektion besonders wertvoll ist.
Durch die Kombination von kontinuierlicher Rotation laminografie Durch designspezifisches Deep Learning zur Rauschunterdrückung und automatisierte Segmentierung erreichte das Team eine hochwertige 3D-Volumeninspektion innerhalb eines vierminütigen Zyklus. Diese Geschwindigkeit ermöglicht die Echtzeit-Prozessüberwachung, eine schnellere Ertragssteigerung und die frühzeitige Erkennung systematischer Prozessabweichungen. Ebenso wichtig ist, dass das Training des Rauschunterdrückungsmodells auf einem einzelnen Chip und dessen Anwendung auf ein identisches Wafer-Design den Einrichtungsaufwand minimiert. Die übergeordnete Erkenntnis ist eindeutig: 3D-Inspektion in Produktionsgeschwindigkeit hängt nicht von einem einzelnen Durchbruch ab, sondern von einer koordinierten Beschleunigung bei Datenerfassung, Rekonstruktion und Analyse.
Danksagungen:
Dieser Artikel möchte den ursprünglichen Autoren dieser Studie, Hao-Che Chien und Chien-Yu Kuo, unseren Dank aussprechen. Darüber hinaus wäre diese Studie ohne die wertvolle technische Unterstützung des Anwendungsteams und der Kollegen aus der Forschungs- und Entwicklungsabteilung bei der Systemintegration, dem Versuchsaufbau und der Datenerfassung nicht möglich gewesen. Comet Solutions Taiwan. Besonderer Dank gilt dem Team der Analysesoftware für die Beiträge zum Training, zur Validierung und zum Einsatz des Deep-Learning-Entrauschungsmodells. Wir danken außerdem den Partnern aus der Verfahrenstechnik für die Bereitstellung der TSV-Interposer-Muster und das wertvolle Feedback zu den Anforderungen an die Inline-Inspektion. Ihre Unterstützung war für den erfolgreichen Abschluss dieser Arbeit unerlässlich.
Die drei neuesten News
Blick durch das Glas: Röntgenprüfung von Through-Glass Vias (TGV) für Advanced Packaging
22. Juni 2026 | Dr. Daniel Stickler
Glas gewinnt als Substratmaterial für fortschrittliche Halbleitergehäuse zunehmend an Bedeutung. Seine Dimensionsstabilität und elektrischen Eigenschaften machen es zu einer interessanten Basis für großflächige Panels und hochdichte Verbindungsstrukturen. Werden elektrische Verbindungen jedoch mittels Through-Glass-Vias (TGVs) durch das Glas geführt, entsteht eine neue Herausforderung bei der Inspektion: Viele der relevanten Defekte sind von der Oberfläche aus nicht mehr sichtbar. Auf der Photomask Japan 2026 präsentierten wir unsere ersten Bildgebungsbeispiele für Glassubstrate und TGV-Strukturen. Die Ergebnisse zeigen, wie Röntgenbildgebung einen zerstörungsfreien Zugang zu Defekten in geätzten Glas-Vias und metallisierten TGVs ermöglicht – und warum geneigte Radiographie, computergestützte Bildgebung und Röntgenbeugung so wichtig sind. laminografie Detektorleistung und KI-gestützte Analyse spielen alle eine Rolle.
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