À mesure que la technologie de conditionnement des semi-conducteurs évolue dans l'ère "More than Moore", de nombreux processus avancés ont posé des problèmes de fabrication. Souvent, les difficultés liées à la précision du collage des matrices, par exemple, ont conduit à des compromis en termes de rendement, de production et, en fin de compte, de coût de fabrication. L'alignement de précision est devenu l'une des capacités clés de plusieurs technologies avancées d'intégration hétérogène, telles que 2,5D/3D, l'assemblage optique, etc.
Pour les emballages avancés, au fil des ans, alors que le pas des boîtiers ne cesse de diminuer pour les conceptions à haute densité, l'alignement du collage des puces à des pas plus fins, tels que 10 µm ou moins, est devenu un défi majeur. Pour les puces retournées, par exemple, la plupart des équipements de collage doivent faire un compromis entre le coût et la précision : plus le pas est serré, plus le processus d'alignement des puces est lent.
Les limites de la précision de l'alignement des matrices peuvent souvent imposer des limites à la densité d'intégration des dispositifs qui peut être atteinte en utilisant l'empilage 3D.Une fois que la précision de l'alignement des matrices est inférieure à 1μm, les défis en matière de rendement et de débit deviennent encore plus importants. Pour le collage hybride, par exemple, la précision d'alignement de l'équipement peut être un facteur limitant pour le pas d'interconnexion, ce qui limite la réalisation des exigences de conception dans certaines situations. L'apparitiondes chiplets pose desproblèmes encore plus importants pour la fabrication en série.
L'alignement de haute précision est également une capacité critique pour les émetteurs-récepteurs, les fibres optiques, les MEMS, les LiDAR, les LED, l'imagerie optique, etc. Ces applications importantes exigent à la fois un alignement de haute précision et un débit élevé, ce qui repousse encore les limites de capacité de l'équipement. Pour l'assemblage optique, par exemple, la fixation de la lentille, le placement de l'émetteur, la position du récepteur, l'épaisseur de la ligne de liaison (BLT), etc. sont autant de paramètres critiques pour le rendement du processus et la performance du produit.
L'apprentissage automatique et l'intelligence artificielle (ML/AI) peuvent être des outils très efficaces pour relever ces défis.
L'apprentissage automatique se concentre sur la recherche de modèles dans les données et l'utilisation de ces modèles pour faire des prédictions. La ML/AI peut avoir de nombreuses applications importantes dans l'emballage des semi-conducteurs et la fabrication électronique. Ces applications vont de la gestion de la chaîne d'approvisionnement à l'introduction de nouveaux produits, en passant par la planification de la production, la traçabilité, la maintenance prédictive, l'amélioration de la productivité, l'amélioration des processus et l'amélioration du rendement, entre autres.
Un exemple est une plate-forme de ML/AI qui utilise des données machine en temps réel et des données opérationnelles (telles que les positions de placement réelles, le temps de cycle, etc. L'interfaçage aisé avec les sources de données de la machine (capteurs existants, actionneurs, automates programmables, données d'enregistrement, etc.) via des protocoles de communication appropriés, permet de disposer d'un grand nombre de données en temps réel (accélération, rotation, vitesse du convoyeur, position du préhenseur, mouvement de la tête de collage, pression de dépose de l'époxy et autres paramètres en temps réel de diverses parties de la machine), qui sont importantes pour les performances de la machine et du processus. L'ingestion de données en temps réel et le traitement de données multi-variables, combinés à la transformation, à l'assemblage et au filtrage des données, constituent une base solide pour la virtualisation des données de masse en vue de l'élaboration de modèles ML (figure 1).
La plateforme collecte des données en quelques millisecondes et construit des modèles de ML en quelques jours ou semaines, dans un environnement de fabrication réel, sans interrompre la production. Les modèles de ML, grâce à un affinement continu en temps réel, sont utilisés pour la maintenance prédictive (par la détection d'anomalies) (figure 2) et, plus important encore, pour le contrôle adaptatif de la machine elle-même (figure 3). Ces capacités ont été exploitées par plusieurs grandes entreprises mondiales pour les fabriques de semi-conducteurs, l'emballage avancé, les fibres optiques pour les émetteurs-récepteurs, le placement de précision pour le SMT, etc. Des améliorations significatives ont été réalisées pour améliorer la précision de l'alignement et le rendement du processus tout en réduisant le temps de cycle et les temps d'arrêt de la machine (figure 4).
Entre-temps, la visualisation (figure 5) et la traçabilité (figure 6) peuvent être réalisées depuis le niveau du site/de la ligne jusqu'au niveau du capteur de la machine, avec des granularités inimaginables auparavant, offrant des perspectives et une intelligence sans précédent pour l'optimisation et l'amélioration continue. Cette solution (ou "hybride" selon les besoins) garantit également la sécurité des données et une faible latence. La plateforme étant agnostique, elle peut être déployée sur différentes machines sur la ligne dans l'ensemble de l'usine. Cette solution est particulièrement puissante car les machines en amont et en aval peuvent désormais "collaborer" en vue d'une optimisation globale et synchrone.
Grâce à divers cas d'utilisation, il a été démontré que la plateforme ML/AI à la périphérie peut être utilisée pour améliorer de manière significative les performances des machines ainsi que le rendement et le débit pour les processus difficiles, en particulier pour l'alignement de précision, pour la fabrication de semi-conducteurs, l'emballage avancé, l'assemblage optique et d'autres encore. Elle peut certainement aussi être utilisée pour diagnostiquer des problèmes de processus complexes et multi-variables, ainsi que pour réduire le temps de test en exploitant les données des différentes stations de l'ensemble de la chaîne de production.
