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 auch Laminographie (CL) liefern zwar die erforderlichen dreidimensionalen Details, doch die Erfassung eines ausreichend hochauflösenden Volumens bei einer die Komponente nicht beschädigenden Dosis ist für den praktischen Einsatz in der Produktion oft zu zeitaufwendig. Um diese Lücke zu schließen, testete unser Anwendungsteam in Taiwan einen Workflow, der kontinuierliche Rotationslaminographie mit Deep-Learning-basierter Bildentrauschung und automatisierter Fehleranalyse kombiniert. Das Ergebnis ist ein vier Minuten dauernder 3D-Inspektionszyklus, der die für die zuverlässige Erkennung von Hohlräumen in TSV-Systemen notwendigen Strukturinformationen erhält. Im Folgenden wird die Funktionsweise des Ansatzes erläutert – und warum diese Kombination so wichtig ist.

Die Laminografie kann mit zwei Hauptabtaststrategien durchgeführt werden. 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.

Die kontinuierliche Rotationslaminografie hält die Probe in Bewegung, während Bewegung und Datenerfassung synchronisiert bleiben. Durch den Wegfall des Start-Stopp-Zyklus wird die 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 präzise rekonstruieren, ohne signifikante Aliasing-Artefakte zu erzeugen.

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. Ein hochauflösender Stop-and-Go-Laminographie-Scan eines ausgewählten Chips dient als Zielreferenz für das Training.

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.

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. 

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 Rotationslaminografie, designspezifischem Deep Learning zur Rauschunterdrückung und automatisierter 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 an 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 der 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.