在先进半导体制造领域，检测速度是制造商寻求竞争优势的关键因素——它直接影响产品上市时间、良率和工艺控制。然而，需要检测的结构却变得越来越小、越来越密集、越来越复杂。硅通孔 (TSV) 就很好地体现了这一挑战：数百万个几乎相同的特征可能被封装在单个硅通孔上。晶圆而真正重要的关键缺陷（例如空隙）的尺寸可能只有微米级。

传统的计算机断层扫描 (CT) 甚至层析成像 (CL) 都能提供所需的三维细节，但要以足够分辨率获取体积图像，同时又不损伤元件，所需的辐射剂量往往过长，难以满足实际的在线应用需求。为了弥补这一不足，我们在台湾的应用团队测试了一种工作流程，该流程结合了连续旋转层析成像、深度学习图像去噪和自动缺陷分析。最终实现了仅需四分钟的三维检测周期，并保留了可靠检测 TSV 空隙所需的结构信息。以下将详细介绍该方法的工作原理以及这种组合的重要性。

层析成像可采用两种主要扫描策略。在走走停停式扫描中，旋转会在每个角度位置暂停，同时采集多帧图像。这提高了每次投影的信噪比，但反复的停止、稳定和重新启动增加了相当大的机械开销。

连续旋转层析成像技术使样品保持运动，同时运动和采集过程保持同步。取消启动-停止循环显著缩短了总扫描时间。但缺点是可能出现运动模糊和混叠，因此精确的运动控制和投影同步至关重要。然而，只要角度投影足够多，该系统就能精确重建TSV体积，而不会引入明显的混叠伪影。

速度更快、单帧、低剂量采集自然会产生信噪比较低的数据。第二阶段通过针对特定器件设计训练的自主研发的深度学习去噪模型来解决这一限制。对选定的芯片进行高投影、走走停停式层析成像扫描，即可获得训练的目标参考图像。

模型训练完成后，即可应用于从其他相同设计的芯片上新获取的数据集，无需额外重新训练。这种针对特定设计的跨芯片部署策略，既能保证精确的数据恢复，又能保持足够快的推理速度，满足在线环境的需求。

硬件和软件加速器可以独立运行，但协同使用时才能真正体现其价值。连续旋转首先缩短采集时间；然后，深度学习恢复因更快、更低剂量采集而损失的图像质量。这种“快速叠加”的组合，能够在极短时间内提供高质量的体积数据，而高投影的走走停停式扫描则需要更长的时间。

对比结果表明，仅靠采集速度是不够的。减少间歇扫描中的投影次数可以将扫描周期从 60 分钟缩短到 4 分钟，但相对信噪比会降至 0.43，且测得的空隙率也变得不稳定。连续旋转扫描则能提供更稳定的 4 分钟基线，相对信噪比达到 0.69，且空隙率更接近高投影次数的参考值。

加入深度学习去噪后，结果发生了更显著的变化。相对信噪比提升至 1.08，略高于高投影参考值 1.00，而测得的空隙率达到 8.72 ± 0.38%，相比之下，60 分钟参考扫描的空隙率为 9.03 ± 0.18%。因此，该方法在显著缩短采集时间的同时，保持了测量的可靠性。 

本研究分析的中介层TSV样品已完成金属填充和化学机械抛光(CMP)处理，因此可直接与微凸块和重分布层(RDL)集成。在先进封装的这一阶段，空隙会对下游可靠性产生直接影响，因此快速可靠的检测尤为重要。

通过结合连续旋转层析成像、针对特定设计的深度学习去噪和自动分割技术，该团队在四分钟周期内实现了高质量的三维体积检测。这种速度能够支持实时工艺监控、更快地提高良率并及早发现系统性工艺漂移。同样重要的是，该团队在单个芯片上训练了去噪模型，并将其应用于所有相同的芯片。晶圆 该设计最大限度地减少了设置开销。更广泛的启示是：生产级 3D 检测并非依赖于单一突破，而是依赖于采集、重建和分析等各个环节的协调加速。

致谢： 

本文谨此感谢该研究的原创作者简浩哲和郭建宇。此外，如果没有应用团队和研发同事在系统集成、实验搭建和数据采集方面提供的宝贵技术支持，这项研究将无法完成。 Comet Solutions Taiwan。特别感谢分析软件团队对深度学习去噪模型训练、验证和部署所做出的贡献。我们还要感谢工艺工程合作伙伴的合作，他们提供了TSV中介层样品和宝贵的反馈意见。在线检测 他们的支持对这项工作的顺利完成至关重要。