A medida que la tecnología de envasado de semiconductores evoluciona en la era "Más que Moore", muchos procesos avanzados han planteado retos en la fabricación. A menudo, los problemas de precisión en la unión de matrices, por ejemplo, han dado lugar a compensaciones en el rendimiento, la producción y, en última instancia, el coste de fabricación. La alineación de precisión se ha convertido en una de las capacidades clave de varias tecnologías avanzadas de integración heterogénea, como 2,5D/3D, ensamblaje óptico, etc.
En los envases avanzados, a lo largo de los años, a medida que los pasos de los envases disminuyen continuamente para los diseños de alta densidad, la alineación de la unión de las matrices en pasos más finos, como 10 µm o menos, se ha convertido en un reto clave. En el caso de las matrices flip-chip, por ejemplo, la mayoría de los equipos de encolado tienen que compensar los costes con una gran precisión: cuanto más estrecho es el paso, más lento es el proceso de alineación de las matrices.
Laslimitaciones en la precisión de la alineación de las matrices a menudo pueden imponer límites a la densidad de integración de dispositivos que puede lograrse mediante el apilamiento 3D. Cuando la precisión de alineación de las matrices es inferior a 1μm, los problemas de rendimiento y producción son aún mayores. En el caso de la unión híbrida, por ejemplo, la precisión de alineación del equipo puede ser un factor limitante para el paso de interconexión, limitando así la realización de los requisitos de diseño en determinadas situaciones. La apariciónde los chiplets plantearetos aún mayores para la fabricación en serie.
La alineación de alta precisión es también una capacidad crítica para transceptores, fibra óptica, MEMS, LiDAR, LED, imagen óptica y otros. Estas importantes aplicaciones exigen una alineación de alta precisión y un alto rendimiento simultáneamente, lo que amplía aún más el límite de capacidad de los equipos. En el montaje óptico, por ejemplo, la fijación de la lente, la colocación del transmisor, la posición del receptor, el grosor de la línea de unión (BLT), etc. son parámetros críticos para el rendimiento del proceso y el rendimiento del producto.
El aprendizaje automático y la inteligencia artificial (ML/AI) pueden ser herramientas muy eficaces para ayudar a afrontar estos retos.
El aprendizaje automático se centra en encontrar patrones en los datos y utilizarlos para hacer predicciones. El ML/AI puede tener muchas aplicaciones importantes en la fabricación de envases de semiconductores y productos electrónicos. Estas van desde la gestión de la cadena de suministro, la introducción de nuevos productos (NPI), la planificación de la producción, la trazabilidad, hasta el mantenimiento predictivo, la mejora de la productividad y la mejora de los procesos, la mejora del rendimiento, entre otras.
Un ejemplo es una plataforma ML/AI que utiliza datos de la máquina en tiempo real y datos operativos (como posiciones de colocación reales, tiempo de ciclo, etc.) para desarrollar modelos ML allí mismo, en la máquina (es decir, en el "borde"). La fácil interconexión con las fuentes de datos de la máquina (como sensores existentes, actuadores, PLC, datos de registro, etc.) a través de protocolos de comunicación adecuados, permite disponer de una gran cantidad de datos en tiempo real (como aceleración, rotación, velocidad del transportador, posición de la pinza, movimiento del cabezal de pegado, presión de dispensación del epoxi y otros parámetros en tiempo real de varias piezas de la máquina), que son importantes para el rendimiento de la máquina y del proceso. La ingestión de datos en tiempo real y el procesamiento de datos multivariables, en combinación con la transformación, la unión y el filtrado de datos, proporcionan una base sólida para la virtualización masiva de datos con el fin de construir modelos ML (Figura 1).
La plataforma recopila datos en milisegundos y construye modelos ML en días y semanas, en un entorno de fabricación real sin interrumpir la producción. Los modelos ML, a través de un refinamiento continuo en tiempo real, se utilizan para el mantenimiento predictivo (mediante la detección de anomalías) (Figura 2) y, lo que es más importante, para el control adaptativo de la propia máquina (Figura 3). Estas capacidades han sido aprovechadas por varias grandes empresas mundiales para fábricas de semiconductores, envasado avanzado, fibra óptica para transceptores, colocación de precisión para SMT, etc. Se han conseguido mejoras significativas en la precisión de la alineación y el rendimiento del proceso, al tiempo que se reducen el tiempo de ciclo y el tiempo de inactividad de la máquina (Figura 4).
Mientras tanto, la visualización (Figura 5) y la trazabilidad (Figura 6) pueden realizarse desde el nivel de centro/línea hasta el nivel de sensor de máquina, con una granularidad inimaginable hasta ahora, lo que ofrece información e inteligencia sin precedentes para la optimización y la mejora continua. Esta solución (o "híbrida", según sea necesario) también garantiza la seguridad de los datos y una baja latencia, y como la plataforma es independiente de la máquina, puede implantarse en varias máquinas de la línea en toda la fábrica. Como la plataforma es independiente de la máquina, puede implantarse en varias máquinas de la línea en toda la fábrica, lo que resulta especialmente útil, ya que las máquinas anteriores y posteriores pueden "colaborar" para lograr una optimización sincrónica global.
A través de varios casos de uso, se ha demostrado que la plataforma ML/AI en el borde se puede utilizar para mejorar significativamente el rendimiento de la máquina, así como el rendimiento y la producción de procesos difíciles, en particular para la alineación de precisión, para la fabricación de semiconductores, envasado avanzado, montaje óptico, y otros. Ciertamente, también puede utilizarse para diagnosticar problemas de procesos complejos y multivariables, así como para reducir el tiempo de prueba aprovechando los datos de las distintas estaciones de toda la línea de producción.
