Con l'evoluzione della tecnologia di confezionamento dei semiconduttori nell'era "More than Moore", molti processi avanzati hanno presentato sfide nella produzione. Spesso, ad esempio, le sfide legate all'incollaggio di precisione delle matrici hanno portato a compromessi nella resa, nella produttività e, in ultima analisi, nei costi di produzione. L'allineamento di precisione è diventato una delle capacità chiave per diverse tecnologie avanzate di integrazione eterogenea, come l'assemblaggio 2,5D/3D, ottico, ecc.
Nel settore del packaging avanzato, nel corso degli anni, con la continua riduzione dei passi delle confezioni per i progetti ad alta densità, l'allineamento dell'incollaggio delle matrici a passi più sottili, come 10µm o meno, è diventato un'area di sfida fondamentale. Per le fustelle flip-chip, ad esempio, la maggior parte delle apparecchiature di incollaggio presenta un compromesso tra costi e precisione: più stretto è il passo, più lento è il processo di allineamento delle fustelle.
Le limitazioni sulla precisione di allineamento delle matrici possono spesso imporre limiti alla densità di integrazione dei dispositivi che può essere raggiunta utilizzando l'impilamento 3D. Il fan-out ad alta densità è unaltro processo che richiede un incollaggio delle matrici ad alta precisione. Una volta che il requisito della precisione di allineamento delle matrici scende al di sotto di 1μm, le sfide in termini di resa e produttività diventano ancora più difficili. Per l'incollaggio ibrido, ad esempio, la precisione di allineamento dell'apparecchiatura può essere un fattore limitante per il passo dell'interconnessione, limitando così la realizzazione dei requisiti di progetto in alcune situazioni. L'emergeredei chiplet rappresenta unasfida ancora maggiore per la produzione in volumi.
L'allineamento ad alta precisione è anche una capacità critica per ricetrasmettitori, fibre ottiche, MEMS, LiDAR, LED, imaging ottico e altri. Queste importanti applicazioni richiedono contemporaneamente un allineamento di alta precisione e un'elevata produttività, spingendo ulteriormente il limite di capacità delle apparecchiature. Per l'assemblaggio ottico, ad esempio, il fissaggio delle lenti, il posizionamento del trasmettitore, la posizione del ricevitore, lo spessore della linea di giunzione (BLT), ecc. sono tutti parametri critici per la resa del processo e le prestazioni del prodotto.
L'apprendimento automatico e l'intelligenza artificiale (ML/AI) possono essere strumenti molto efficaci per affrontare queste sfide.
L'apprendimento automatico si concentra sulla ricerca di modelli nei dati e sull'utilizzo di tali modelli per fare previsioni. Il ML/AI può avere molte applicazioni importanti nella produzione di semiconduttori e di elettronica. Si va dalla gestione della catena di fornitura, all'introduzione di nuovi prodotti (NPI), alla pianificazione della produzione, alla tracciabilità, alla manutenzione predittiva, al miglioramento della produttività, al miglioramento dei processi, al miglioramento della resa, ecc.
Un esempio è una piattaforma ML/AI che utilizza i dati della macchina in tempo reale e i dati operativi (come le posizioni di posizionamento effettive, il tempo di ciclo, ecc.) per sviluppare modelli ML direttamente sulla macchina (cioè sul "bordo"). La facilità di interfacciamento con le sorgenti di dati della macchina (come sensori, attuatori, PLC, dati di log, ecc.) tramite protocolli di comunicazione appropriati, rende disponibile un'ampia gamma di dati in tempo reale (come accelerazione, rotazione, velocità del trasportatore, posizione della pinza, movimento della testa di incollaggio, pressione di erogazione dell'epossidica e altri parametri in tempo reale di varie parti della macchina), che sono importanti per le prestazioni della macchina e del processo. L'acquisizione dei dati in tempo reale e l'elaborazione dei dati multivariabili, in combinazione con la trasformazione, la cucitura e il filtraggio dei dati, forniscono una solida base per la virtualizzazione dei dati di massa per la creazione di modelli ML (Figura 1).
La piattaforma raccoglie dati in millisecondi e costruisce modelli di ML in giorni e settimane, in un ambiente di produzione reale senza interrompere la produzione. I modelli di ML, grazie a un continuo affinamento in tempo reale, vengono utilizzati per la manutenzione predittiva (attraverso il rilevamento delle anomalie) (Figura 2) e, cosa più importante, per il controllo adattivo della macchina stessa (Figura 3). Queste capacità sono state sfruttate da diverse grandi aziende globali per le fabbriche di semiconduttori, il packaging avanzato, le fibre ottiche per i ricetrasmettitori, il posizionamento di precisione per l'SMT, ecc. Sono stati ottenuti miglioramenti significativi per migliorare l'accuratezza dell'allineamento e la resa del processo, riducendo al contempo il tempo di ciclo e i tempi di fermo macchina (Figura 4).
Nel frattempo, la visualizzazione (Figura 5) e la tracciabilità (Figura 6) possono essere realizzate dal livello di sito/linea fino al livello del sensore della macchina, con granularità inimmaginabili prima d'ora, offrendo approfondimenti e intelligenza senza precedenti per l'ottimizzazione e il miglioramento continuo. Questa soluzione (o "ibrida", a seconda delle esigenze) garantisce anche la sicurezza dei dati e una bassa latenza. Poiché la piattaforma è agnostica rispetto alle macchine, può essere implementata su diverse macchine in linea all'interno dello stabilimento. Si tratta di una soluzione particolarmente potente, in quanto le macchine a monte e a valle possono ora "collaborare" per un'ottimizzazione sincrona complessiva.
Attraverso vari casi d'uso, è stato dimostrato che la piattaforma di ML/AI ai margini può essere utilizzata per migliorare in modo significativo le prestazioni della macchina, nonché la resa e la produttività per processi impegnativi, in particolare per l'allineamento di precisione, per le fabbriche di semiconduttori, il packaging avanzato, l'assemblaggio ottico e altri. Inoltre, può essere utilizzata per diagnosticare problemi di processo complessi e multivariabili, nonché per ridurre i tempi di collaudo sfruttando i dati provenienti dalle varie stazioni dell'intera linea di produzione.
