半導体パッケージング技術が "More than Moore "時代に進化するにつれ、多くの先進プロセスが製造上の課題となってきた。例えば、精密ダイボンディングにおける課題は、歩留まり、スループット、ひいては製造コストのトレードオフにつながってきました。精密アライメントは、2.5D/3D、光アセンブリなど、異種集積のためのいくつかの先端技術にとって重要な能力の一つとなっている。
アドバンスト・パッケージングでは、高密度設計のためにパッケージ・ピッチが縮小され続ける中、10µm以下の微細ピッチでのダイ・ボンド・アライメントが重要な課題領域となっています。例えば、フリップチップ・ダイの場合、ほとんどのボンディング装置では高精度とコストのトレードオフがあり、ピッチが狭ければ狭いほど、ダイ・ボンド・アライメント・プロセスは遅くなります。
高密度ファンアウトもまた、高精度のダイボンディングを必要とするプロセスです。ダイのアライメント精度に対する要求が1μmを下回ると、歩留まりとスループットにおける課題はさらに深刻になります。例えばハイブリッドボンディングの場合、装置のアライメント精度が配線ピッチの制限要因となるため、状況によっては設計要件の実現が制限される。チップレットの出現は、大量生産にとってさらに大きな課題となる。
高精度アライメントは、トランシーバー、光ファイバー、MEMS、LiDAR、LED、光イメージングなどにとっても重要な能力です。これらの重要なアプリケーションでは、高精度アライメントと高スループットが同時に要求されるため、装置の能力限界をさらに押し上げることになります。例えば光アセンブリーでは、レンズの取り付け、トランスミッターの配置、レシーバーの位置、ボンド線の厚さ（BLT）などは、すべてプロセスの歩留まりと製品性能にとって重要なパラメーターです。
機械学習と人工知能（ML/AI）は、こうした課題に対処するための非常に効果的なツールとなり得る。
機械学習は、データからパターンを見つけ出し、そのパターンを使って予測を行うことに焦点を当てている。ML/AIは、半導体パッケージングや電子機器製造において多くの重要なアプリケーションを持つことができる。これらは、サプライチェーン管理、新製品導入（NPI）、生産計画、トレーサビリティから、予知保全、生産性向上、プロセス改善、歩留まり改善など多岐にわたる。
その一例として、ML/AIプラットフォームがある。このプラットフォームは、リアルタイム機械データと操作データ（実際の配置位置、サイクル時間など）を活用し、機械のすぐそばで（つまり「エッジ」で）MLモデルを開発する。適切な通信プロトコルを介して機械データソース（既存のセンサー、アクチュエーター、PLC、ログデータなど）と簡単にインターフェイスすることで、機械とプロセスのパフォーマンスにとって重要なリアルタイムデータ（加速度、回転、コンベア速度、グリッパー位置、ボンディングヘッド動作、エポキシ吐出圧力、その他様々な機械部品のリアルタイムパラメーターなど）を大量に利用できるようになります。リアルタイムデータの取り込みと多変数データ処理は、データ変換、スティッチング、フィルタリングと組み合わせることで、MLモデル構築のための大量データ仮想化のための強固な基盤を提供する（図1）。
このプラットフォームは、ミリ秒単位でデータを収集し、生産を中断することなく実際の製造環境で、数日から数週間でMLモデルを構築する。MLモデルは、リアルタイムでの継続的な改良を通じて、（異常検知による）予知保全（図2）、そしてより重要なこととして、機械自体の適応制御（図3）に使用される。これらの機能は、半導体工場、高度なパッケージング、トランシーバー用光ファイバー、SMT用精密配置など、グローバルな大企業数社で活用されている。アライメント精度とプロセス歩留まりを向上させながら、サイクルタイムと機械のダウンタイムを削減することで、大幅な改善が達成されている（図4）。
一方、可視化（図5）とトレーサビリティ（図6）は、サイト／ラインレベルから機械のセンサーレベルまで、これまで想像もできなかった粒度で実現でき、最適化と継続的改善のための前例のない洞察とインテリジェンスを提供します。このソリューション（または必要に応じて「ハイブリッド」）は、データ・セキュリティと低レイテンシーも保証します。このプラットフォームは機械に依存しないため、工場全体のライン上のさまざまな機械に導入することができます。これは、上流と下流の機械が全体的な同期最適化のために「協働」できるようになるため、特に強力です。
様々なユースケースを通じて、エッジのML/AIプラットフォームは、特に半導体ファブ、高度なパッケージング、光学アセンブリなどの精密アライメントなど、難易度の高いプロセスの歩留まりやスループットだけでなく、機械性能を大幅に向上させるために活用できることが実証されている。また、生産ライン全体の様々なステーションからのデータを活用することで、テスト時間の短縮だけでなく、複雑で多変数のプロセス問題の診断にも利用できる。
