高度な半導体製造において、検査速度は競争優位性を求めるメーカーにとって重要な要素であり、市場投入までの時間、歩留まり、プロセス制御に直接影響を与える。しかし、検査対象となる構造は、より小型化、高密度化、複雑化が進んでいる。シリコン貫通ビア（TSV）はこの課題をよく表している。ほぼ同一の構造が数百万個も単一のシリコン上に集積される可能性がある。ウェハー一方、重要な欠陥（例えば空隙）は、マイクロメートル単位の大きさしかない場合もある。

従来のコンピュータ断層撮影（CT）やラミノグラフィー（CL）でも必要な3次元の詳細画像を取得できますが、部品を損傷しない線量で十分な解像度のボリュームを取得するには、実際のインライン使用には時間がかかりすぎる場合がよくあります。このギャップを埋めるため、台湾のアプリケーションチームは、連続回転ラミノグラフィーと深層学習による画像ノイズ除去、自動欠陥解析を組み合わせたワークフローをテストしました。その結果、TSVボイドの確実な検出に必要な構造情報を保持した4分間の3D検査サイクルが実現しました。このアプローチの仕組みと、この組み合わせが重要な理由を以下に説明します。

ラミノグラフィーは、主に2つのスキャン方式で実施できます。ストップアンドゴー方式では、複数のフレームを取得する間、回転は各角度位置で一時停止します。これにより、各投影画像のSNRは向上しますが、停止、安定化、再開を繰り返すため、機械的な負荷がかなり大きくなります。

連続回転ラミノグラフィーでは、サンプルを常に動かしながら、動作と取得を同期させます。スタート・ストップサイクルをなくすことで、総スキャン時間を大幅に短縮できます。ただし、モーションブラーやエイリアシングが発生する可能性があるため、正確な動作制御と投影同期が不可欠です。十分な角度投影を行うことで、システムは大きなエイリアシングアーティファクトを発生させることなく、TSVボリュームを正確に再構成できます。

高速で単一フレーム、低線量での撮像では、必然的にSNRの低いデータが生成されます。第2段階では、この制限に対処するため、特定のデバイス設計に合わせてトレーニングされた社内開発の深層学習ノイズ除去モデルを使用します。選択した1つのダイの高投影ストップアンドゴーラミノグラフィースキャンが、トレーニングのターゲット参照データとなります。

一度学習させたモデルは、同一設計の他のダイから新たに取得したデータセットにも、追加の再学習なしで適用できます。この設計固有の、ダイ間展開戦略により、正確な復元が可能になると同時に、インライン環境に適した高速な推論を実現します。

ハードウェアアクセラレータとソフトウェアアクセラレータはそれぞれ独立して動作できますが、両者を連携させて使用することで真価を発揮します。連続回転によってまず取得時間を短縮し、次にディープラーニングによって、高速かつ低線量での撮影によって失われた画質を復元します。この「高速処理」の組み合わせにより、高投影ストップアンドゴースキャンに必要な時間のほんの一部で、高品質の体積データが得られます。

この比較は、取得速度だけでは不十分である理由を示しています。ストップアンドゴー方式のスキャンで投影数を減らすと、サイクルは60分から4分に短縮されますが、相対SNRは0.43に低下し、測定されたボイド比の一貫性が低下します。連続回転方式では、相対SNRが0.69となり、ボイド比が高投影基準値に近くなる、より強力な4分間のベースラインが得られます。

深層学習によるノイズ除去を加えることで、結果はより明確に変化します。相対SNRは1.08に上昇し、高投影基準値の1.00をわずかに上回ります。また、測定されたボイド率は8.72 ± 0.38%に達し、60分間の基準スキャンにおける9.03 ± 0.18%と比較して改善しています。したがって、この方法は測定の信頼性を維持しながら、取得時間を大幅に短縮します。 

本研究で分析したインターポーザーTSVサンプルは、既に金属充填と化学機械研磨（CMP）処理が施されており、マイクロバンプおよび再配線層（RDL）との統合準備が整っていた。高度なパッケージングのこの段階では、ボイドは下流工程の信頼性に直接影響を与える可能性があるため、迅速かつ確実な検査が特に重要となる。

連続回転ラミノグラフィー、設計固有の深層学習ノイズ除去、および自動セグメンテーションを組み合わせることで、チームは4分サイクルで高品質の3D体積検査を実現しました。この速度は、リアルタイムのプロセス監視、歩留まりの迅速な改善、および系統的なプロセスドリフトの早期検出をサポートします。同様に重要なのは、ノイズ除去モデルを単一のダイでトレーニングし、それを同一の複数のダイに適用したことです。ウェハー 設計により、セットアップの手間が最小限に抑えられる。より重要な教訓は明らかだ。生産速度での3D検査は、単一の画期的な技術に依存するのではなく、取得、再構成、分析の各段階における協調的な高速化に依存する。

謝辞： 

本稿では、本研究の原著者であるHao-Che Chien氏とChien-Yu Kuo氏に感謝の意を表します。また、本研究は、アプリケーションチームおよびR&Dの同僚によるシステム統合、実験設定、データ取得に関する貴重な技術サポートなしには実現不可能でした。 Comet Solutions Taiwan。深層学習ノイズ除去モデルのトレーニング、検証、展開への貢献に対して、分析ソフトウェアチームに特別な感謝を捧げます。また、TSVインターポーザーサンプルを提供し、貴重なフィードバックを提供してくれたプロセスエンジニアリングパートナーの協力にも感謝します。インライン検査 彼らの要求事項。彼らの支援は、この作業を成功裏に完了させる上で不可欠でした。