Im Zuge der Weiterentwicklung der Halbleitergehäusetechnologie in der "More than Moore"-Ära haben viele fortschrittliche Prozesse zu Herausforderungen in der Fertigung geführt. So haben beispielsweise die Herausforderungen beim präzisen Die-Bonden häufig zu Kompromissen bei der Ausbeute, dem Durchsatz und letztlich den Herstellungskosten geführt. Die Präzisionsausrichtung ist zu einer der Schlüsselfähigkeiten für verschiedene fortschrittliche Technologien zur heterogenen Integration geworden, z. B. 2,5D/3D, optische Montage usw.
Im Bereich des Advanced Packaging hat sich im Laufe der Jahre, da die Paketabstände für Designs mit hoher Packungsdichte immer kleiner werden, die Ausrichtung des Die-Bonds bei feineren Abständen, wie z. B. 10µm oder darunter, zu einer zentralen Herausforderung entwickelt. Bei Flip-Chip-Bauteilen beispielsweise besteht bei den meisten Klebeanlagen ein Kompromiss zwischen Kosten und hoher Genauigkeit - je enger der Pitch, desto langsamer ist der Prozess der Die-Bond-Ausrichtung.
Beschränkungen bei der Präzision der Chipausrichtung können die mit 3D-Stapeln erreichbare Integrationsdichte von Bauelementen einschränken.High-Density-Fan-Out istein weiteres Verfahren, das hochpräzises Chip-Bonden erfordert. Sobald die Anforderungen an die Präzision der Chipausrichtung unter 1 μm sinken, werden die Herausforderungen in Bezug auf Ertrag und Durchsatz noch größer. Beim Hybridbonden beispielsweise kann die Ausrichtungspräzision der Anlage ein begrenzender Faktor für den Verbindungsabstand sein, wodurch die Realisierung der Designanforderungen in bestimmten Situationen eingeschränkt wird. Das Aufkommenvon Chiplets stellt einenoch größere Herausforderung für die Serienfertigung dar.
Die hochpräzise Ausrichtung ist auch für Transceiver, Glasfaseroptik, MEMS, LiDAR, LED, optische Bildgebung und andere Anwendungen von entscheidender Bedeutung. Diese wichtigen Anwendungen erfordern eine hochpräzise Ausrichtung und gleichzeitig einen hohen Durchsatz, was die Kapazitätsgrenze der Geräte weiter nach oben treibt. Bei der optischen Montage sind beispielsweise die Befestigung der Linse, die Platzierung des Senders, die Position des Empfängers, die Dicke der Bondlinie (BLT) usw. allesamt kritische Parameter für die Prozessausbeute und die Produktleistung.
Maschinelles Lernen und künstliche Intelligenz (ML/AI) können sehr wirksame Instrumente sein, um diese Herausforderungen zu bewältigen.
Beim maschinellen Lernen geht es darum, Muster in Daten zu finden und diese Muster für Vorhersagen zu nutzen. ML/AI kann viele wichtige Anwendungen in der Halbleiterverpackung und der Elektronikfertigung haben. Diese reichen vom Lieferkettenmanagement, der Einführung neuer Produkte (NPI), der Produktionsplanung, der Rückverfolgbarkeit bis hin zur vorausschauenden Wartung, Produktivitätssteigerung, Prozessverbesserung, Ertragssteigerung und vielem mehr.
Ein Beispiel ist eine ML/AI-Plattform, die Echtzeit-Maschinendaten und Betriebsdaten (wie tatsächliche Bestückungspositionen, Zykluszeit usw.) nutzt, um ML-Modelle direkt an der Maschine (d. h. am "Rand") zu entwickeln. Durch die einfache Anbindung an die Datenquellen der Maschine (z. B. vorhandene Sensoren, Aktoren, SPS, Protokolldaten usw.) über geeignete Kommunikationsprotokolle wird eine große Menge an Echtzeitdaten (wie Beschleunigung, Rotation, Fördergeschwindigkeit, Greiferposition, Bewegung des Klebekopfes, Epoxidauftragsdruck und andere Echtzeitparameter verschiedener Maschinenteile) verfügbar, die für die Maschinen- und Prozessleistung wichtig sind. Die Aufnahme von Echtzeitdaten und die Verarbeitung multivariabler Daten in Kombination mit Datentransformation, Stitching und Filterung bietet eine robuste Grundlage für die Virtualisierung von Massendaten zur Erstellung von ML-Modellen (Abbildung 1).
Die Plattform sammelt Daten in Millisekunden und erstellt ML-Modelle innerhalb von Tagen und Wochen in einer realen Produktionsumgebung, ohne die Produktion zu unterbrechen. Die ML-Modelle werden durch kontinuierliche Verfeinerung in Echtzeit für die vorausschauende Wartung (durch Erkennung von Anomalien) (Abbildung 2) und, was noch wichtiger ist, für die adaptive Steuerung der Maschine selbst (Abbildung 3) verwendet. Diese Fähigkeiten wurden von mehreren großen globalen Unternehmen für Halbleiterfabriken, fortschrittliches Packaging, Glasfaseroptik für Transceiver, Präzisionsbestückung für SMT usw. genutzt. Es wurden erhebliche Verbesserungen erzielt, um die Ausrichtungsgenauigkeit und die Prozessausbeute zu erhöhen und gleichzeitig die Zykluszeit und die Maschinenstillstandszeit zu verringern (Abbildung 4).
In der Zwischenzeit können Visualisierung (Abbildung 5) und Rückverfolgbarkeit (Abbildung 6) von der Standort-/Linienebene bis hinunter zur Maschinensensorebene mit einer bisher unvorstellbaren Granularität realisiert werden, was beispiellose Einblicke und Erkenntnisse für die Optimierung und kontinuierliche Verbesserung bietet. Da die Plattform maschinenunabhängig ist, kann sie auf verschiedenen Maschinen in der gesamten Fabrik eingesetzt werden. Dies ist besonders leistungsfähig, da vor- und nachgelagerte Maschinen nun für eine umfassende synchrone Optimierung "zusammenarbeiten" können.
Anhand verschiedener Anwendungsfälle hat sich gezeigt, dass die ML/AI-Plattform am Rande der Fertigungslinie eingesetzt werden kann, um die Maschinenleistung sowie den Ertrag und den Durchsatz bei anspruchsvollen Prozessen, insbesondere bei der Präzisionsausrichtung, in der Halbleiterfertigung, beim Advanced Packaging, bei der optischen Montage und anderen Bereichen erheblich zu verbessern. Natürlich kann sie auch zur Diagnose komplexer, multivariabler Prozessprobleme sowie zur Verringerung der Prüfzeit durch Nutzung der Daten aus den verschiedenen Stationen der gesamten Produktionslinie eingesetzt werden.
