À medida que a tecnologia de acondicionamento de semicondutores evolui na era "More than Moore", muitos processos avançados têm apresentado desafios no fabrico. Muitas vezes, os desafios na colagem de precisão de matrizes, por exemplo, conduziram a compromissos no rendimento, na produtividade e, em última análise, no custo de fabrico. O alinhamento de precisão tornou-se uma das principais capacidades de várias tecnologias avançadas de integração heterogénea, como 2,5D/3D, montagem ótica, etc.
Para o embalamento avançado, ao longo dos anos, à medida que os passos do pacote diminuem continuamente para designs de alta densidade, o alinhamento da ligação da matriz em passos mais finos, como 10 µm ou menos, tornou-se uma área de desafio fundamental. No caso dos chips flip, por exemplo, existe uma relação custo-benefício com a elevada precisão da maioria dos equipamentos de colagem - quanto mais apertado for o passo, mais lento será o processo de alinhamento da colagem.
As limitações na precisão do alinhamento das matrizes podem frequentemente impor limites à densidade de integração de dispositivos que pode ser alcançada utilizando o empilhamento 3D.Quando o requisito de precisão do alinhamento de matrizes for inferior a 1μm, os desafios ao nível do rendimento e da produção tornam-se ainda mais graves. Para a ligação híbrida, por exemplo, a precisão do alinhamento do equipamento pode ser um fator limitativo para o passo da interligação, limitando assim a realização dos requisitos de design em determinadas situações. O aparecimentode chiplets representadesafios ainda maiores para o fabrico em grande escala.
O alinhamento de alta precisão é também uma capacidade crítica para transceptores, fibra ótica, MEMS, LiDAR, LED, imagem ótica e outros. Estas importantes aplicações exigem um alinhamento de alta precisão e um elevado rendimento em simultâneo, aumentando ainda mais o limite de capacidade do equipamento. Na montagem ótica, por exemplo, a fixação da lente, a colocação do transmissor, a posição do recetor, a espessura da linha de ligação (BLT), etc. são parâmetros críticos para o rendimento do processo e o desempenho do produto.
A aprendizagem automática e a inteligência artificial (ML/AI) podem ser ferramentas muito eficazes para ajudar a enfrentar estes desafios.
A aprendizagem automática centra-se na procura de padrões nos dados e na utilização desses padrões para fazer previsões. O ML/AI pode ter muitas aplicações importantes no fabrico de embalagens de semicondutores e de produtos electrónicos. Estas vão desde a gestão da cadeia de fornecimento, introdução de novos produtos (NPI), planeamento da produção, rastreabilidade, até à manutenção preditiva, melhoria da produtividade e melhoria dos processos, melhoria do rendimento, entre outras.
Um exemplo é uma plataforma de AM/IA que utiliza dados da máquina em tempo real e dados operacionais (como posições de colocação reais, tempo de ciclo, etc.) para desenvolver modelos de AM diretamente na máquina (ou seja, na "extremidade"). A interface fácil com as fontes de dados da máquina (como sensores existentes, actuadores, PLC, dados de registo, etc.) através de protocolos de comunicação apropriados, disponibiliza um grande conjunto de dados em tempo real (como aceleração, rotação, velocidade do transportador, posição da pinça, movimento da cabeça de colagem, pressão de distribuição de epóxi e outros parâmetros em tempo real de várias peças da máquina), que são importantes para o desempenho da máquina e do processo. A ingestão de dados em tempo real e o processamento de dados multivariáveis, em combinação com a transformação, a união e a filtragem de dados, proporcionam uma base sólida para a virtualização de dados em massa para a criação de modelos de ML (Figura 1).
A plataforma recolhe dados em milissegundos e constrói modelos de ML em dias e semanas, num ambiente de fabrico real, sem interromper a produção. Os modelos de ML, através de um refinamento contínuo em tempo real, são utilizados para a manutenção preditiva (através da deteção de anomalias) (Figura 2) e, mais importante ainda, para o controlo adaptativo da própria máquina (Figura 3). Estas capacidades foram aproveitadas por várias grandes empresas globais para fábricas de semicondutores, embalagem avançada, fibra ótica para transceptores, colocação de precisão para SMT, etc. Foram conseguidas melhorias significativas para melhorar a precisão do alinhamento e o rendimento do processo, reduzindo simultaneamente o tempo de ciclo e o tempo de inatividade da máquina (Figura 4).
Entretanto, a visualização (Figura 5) e a rastreabilidade (Figura 6) podem ser realizadas a partir do nível do local/linha até ao nível do sensor da máquina, com granularidades inimagináveis anteriormente, oferecendo conhecimentos e inteligência sem precedentes para otimização e melhorias contínuas. Esta solução (ou "híbrida", conforme necessário) também garante a segurança dos dados e a baixa latência. Como a plataforma é agnóstica em relação às máquinas, pode ser implantada em várias máquinas na linha em toda a fábrica. Isto é particularmente poderoso, uma vez que as máquinas a montante e a jusante podem agora "colaborar" para uma otimização síncrona global.
Através de vários casos de utilização, foi demonstrado que a plataforma ML/AI na extremidade pode ser utilizada para melhorar significativamente o desempenho da máquina, bem como o rendimento e a produtividade de processos exigentes, em especial para o alinhamento de precisão, para a produção de semicondutores, embalagem avançada, montagem ótica e outros. Certamente, também pode ser utilizada para diagnosticar problemas complexos e multi-variáveis do processo, bem como para reduzir o tempo de teste, aproveitando os dados das várias estações de toda a linha de produção.
