基于深度卷积神经网络的 TSV 挤出形貌分类
计算机视觉与模式识别
2020-09-23 v1 新兴技术
机器学习
摘要
在本文中，我们利用深度卷积神经网络（CNNs）对三维（3D）集成电路（ICs）中硅通孔（TSV）挤出的形貌进行分类。TSV 挤出是一个关键的可靠性问题，其可使 3D ICs 中的互连层变形并开裂，导致器件失效。在此，采用白光干涉（WLI）技术获取挤出 TSV 的表面形貌。我们开发了一个程序，利用 WLI 获得的原始数据创建 TSV 挤出形貌数据集，包含标记为三类形貌的 54x54 像素 TSV 图像。为实现 TSV 挤出形貌分类应用，我们实现并训练了四种具有不同网络复杂度的 CNN 架构。采用数据增强与 dropout 方法以在 CNN 模型中实现过拟合与欠拟合之间的平衡。所得结果表明，具有优化复杂度、dropout 与数据增强的 CNN 模型可达到与人工专家相当的分类准确率。
引用
@article{arxiv.2009.10692,
title = {TSV Extrusion Morphology Classification Using Deep Convolutional Neural Networks},
author = {Brendan Reidy and Golareh Jalilvand and Tengfei Jiang and Ramtin Zand},
journal= {arXiv preprint arXiv:2009.10692},
year = {2020}
}