基于机器学习的方法用于先进IC封装中埋藏结构的三维X射线测量、表征与优化
计算机视觉与模式识别
2021-05-21 v2
摘要
四十多年来，光刻硅缩放一直推动着半导体行业的电路集成与性能提升。随着硅缩放放缓，行业日益依赖IC封装技术来促进进一步的电路集成与性能改进。这是一种范式转变，要求IC封装行业以史无前例的规模减小内部互连尺寸并增加其密度。传统的封装表征与工艺优化依赖物理截面和逐层剥离等破坏性技术，从内部封装特征中提取数据。这些破坏性技术在当今先进封装中已不实用。本文中，我们将展示如何利用机器学习增强和优化通过三维X射线显微镜非破坏性地获取的数据，并用以测量、表征和优化先进IC封装中埋藏互连的设计与生产。我们设计制造了复现2.5D与HBM结构的测试载体，并使用三维X射线与机器学习技术从中提取数字数据。提取的数字数据用于表征和优化互连的设计与生产，并展示了一种优于破坏性物理分析的替代方案。我们报告在测试数据集上三维目标检测的mAP为0.96，三维分割的dice分数为0.92，三维计量的平均误差为2.1um。本文为多部分报告的第一部分。
引用
@article{arxiv.2103.04838,
title = {Machine-learning based methodologies for 3d x-ray measurement, characterization and optimization for buried structures in advanced ic packages},
author = {Ramanpreet S Pahwa and Soon Wee Ho and Ren Qin and Richard Chang and Oo Zaw Min and Wang Jie and Vempati Srinivasa Rao and Tin Lay Nwe and Yanjing Yang and Jens Timo Neumann and Ramani Pichumani and Thomas Gregorich},
journal= {arXiv preprint arXiv:2103.04838},
year = {2021}
}
备注
7 pages, 9 figures