Khi công nghệ đóng gói bán dẫn phát triển trong kỷ nguyên “Hơn cả Moore”, nhiều quy trình tiên tiến đã đặt ra những thách thức trong sản xuất. Ví dụ, những thách thức trong liên kết khuôn chính xác thường dẫn đến sự đánh đổi về năng suất, thông lượng và cuối cùng là chi phí sản xuất. Căn chỉnh chính xác đã trở thành một trong những khả năng chính của một số công nghệ tiên tiến để tích hợp không đồng nhất, chẳng hạn như 2.5D/3D, lắp ráp quang học, v.v.
Đối với bao bì tiên tiến, qua nhiều năm, khi các bước đóng gói liên tục giảm đối với các thiết kế mật độ cao, việc căn chỉnh liên kết khuôn ở các bước nhỏ hơn, chẳng hạn như 10µm trở xuống, đã trở thành một lĩnh vực thách thức chính. Ví dụ, đối với khuôn lật chip, có một sự đánh đổi về chi phí với độ chính xác cao trên hầu hết các thiết bị liên kết —- bước càng chặt, quá trình căn chỉnh liên kết khuôn càng chậm.
Các hạn chế về độ chính xác căn chỉnh khuôn thường có thể áp đặt các giới hạn về mật độ tích hợp thiết bị có thể đạt được bằng cách sử dụng xếp chồng 3D. Quạt ra mật độ cao là một quy trình khác đòi hỏi liên kết khuôn có độ chính xác cao. Khi yêu cầu về độ chính xác căn chỉnh khuôn xuống dưới 1μm, những thách thức về năng suất và thông lượng trở nên nghiêm trọng hơn nữa. Ví dụ, đối với liên kết lai, độ chính xác căn chỉnh của thiết bị có thể là yếu tố hạn chế đối với bước kết nối, do đó hạn chế việc thực hiện các yêu cầu thiết kế trong một số tình huống nhất định. Sự xuất hiện của chiplet đặt ra những thách thức lớn hơn nữa đối với sản xuất hàng loạt.
Căn chỉnh độ chính xác cao cũng là một khả năng quan trọng đối với máy thu phát, sợi quang, MEMS, LiDAR, LED, hình ảnh quang học và các thiết bị khác. Các ứng dụng quan trọng này đòi hỏi phải căn chỉnh độ chính xác cao và thông lượng cao đồng thời , đẩy mạnh hơn nữa giới hạn công suất của thiết bị. Ví dụ, đối với lắp ráp quang học, gắn ống kính, vị trí máy phát, vị trí máy thu, độ dày đường liên kết (BLT), v.v. đều là các thông số quan trọng đối với năng suất quy trình và hiệu suất sản phẩm.
Học máy và trí tuệ nhân tạo (ML/AI) có thể là những công cụ rất hiệu quả giúp giải quyết những thách thức này.
Học máy tập trung vào việc tìm kiếm các mẫu trong dữ liệu và sử dụng các mẫu đó để đưa ra dự đoán. ML/AI có thể có nhiều ứng dụng quan trọng trong đóng gói bán dẫn và sản xuất thiết bị điện tử. Chúng bao gồm từ quản lý chuỗi cung ứng, giới thiệu sản phẩm mới (NPI), lập kế hoạch sản xuất, truy xuất nguồn gốc, đến bảo trì dự đoán, cải thiện năng suất và cải tiến quy trình, cải thiện năng suất, trong số những ứng dụng khác.
Một ví dụ là nền tảng ML/AI sử dụng dữ liệu máy thời gian thực và dữ liệu vận hành (chẳng hạn như vị trí đặt thực tế, thời gian chu kỳ, v.v.) để phát triển các mô hình ML ngay tại máy (tức là ở "cạnh"). Giao diện dễ dàng với các nguồn dữ liệu máy (chẳng hạn như cảm biến hiện có, bộ truyền động, PLC, dữ liệu nhật ký, v.v.) thông qua các giao thức truyền thông phù hợp, cung cấp một lượng lớn dữ liệu thời gian thực (chẳng hạn như gia tốc, vòng quay, tốc độ băng tải, vị trí kẹp, chuyển động đầu liên kết, áp suất phân phối epoxy và các thông số thời gian thực khác của nhiều bộ phận máy khác nhau),. điều này rất quan trọng đối với hiệu suất của máy và quy trình. Việc thu thập dữ liệu thời gian thực và xử lý dữ liệu đa biến, kết hợp với chuyển đổi dữ liệu, khâu và lọc, cung cấp nền tảng vững chắc cho ảo hóa dữ liệu hàng loạt để xây dựng các mô hình ML (Hình 1).
Nền tảng này thu thập dữ liệu trong vài mili giây và xây dựng các mô hình ML trong nhiều ngày và nhiều tuần, trong môi trường sản xuất thực tế mà không làm gián đoạn sản xuất. Các mô hình ML, thông qua quá trình tinh chỉnh liên tục theo thời gian thực, được sử dụng để bảo trì dự đoán (bằng cách phát hiện bất thường) (Hình 2) và quan trọng hơn là để kiểm soát thích ứng bản thân máy móc (Hình 3). Các khả năng này đã được một số doanh nghiệp toàn cầu lớn tận dụng cho các nhà máy sản xuất chất bán dẫn, đóng gói tiên tiến, sợi quang cho máy thu phát, vị trí chính xác cho SMT, v.v. Những cải tiến đáng kể đã đạt được để cải thiện độ chính xác của căn chỉnh và năng suất quy trình trong khi giảm thời gian chu kỳ và thời gian chết của máy (Hình 4).
Trong khi đó, khả năng trực quan hóa (Hình 5) và khả năng truy xuất nguồn gốc (Hình 6) có thể được thực hiện từ cấp độ trang web/dây chuyền cho đến cấp độ cảm biến máy, với độ chi tiết không thể tưởng tượng trước đây, cung cấp thông tin chi tiết và trí thông minh chưa từng có để tối ưu hóa và cải tiến liên tục. Giải pháp này (hoặc "lai" nếu cần) cũng đảm bảo tính bảo mật dữ liệu và độ trễ thấp. Vì nền tảng này không phụ thuộc vào máy, nên có thể triển khai trên nhiều máy khác nhau trên dây chuyền trong toàn bộ nhà máy. Điều này đặc biệt mạnh mẽ vì các máy thượng nguồn và hạ nguồn hiện có thể "hợp tác" để tối ưu hóa đồng bộ tổng thể.
Thông qua nhiều trường hợp sử dụng khác nhau, nền tảng ML/AI tại biên đã được chứng minh có thể được sử dụng để cải thiện đáng kể hiệu suất máy cũng như năng suất và thông lượng cho các quy trình đầy thách thức, đặc biệt là đối với căn chỉnh chính xác, đối với nhà máy sản xuất chất bán dẫn, đóng gói tiên tiến, lắp ráp quang học và các quy trình khác. Chắc chắn, nó cũng có thể được sử dụng để chẩn đoán các vấn đề quy trình phức tạp, đa biến, cũng như để giảm thời gian thử nghiệm bằng cách tận dụng dữ liệu từ các trạm khác nhau của toàn bộ dây chuyền sản xuất.
