Тъй като геометрията на полупроводниците се свива до 10 nm и по-малко, прагът между „безобиден“ козметичен дефект и фатален функционален дефект практически изчезва. Незначителни драскотини или петна по повърхността на вафла някога изглеждаха незначителни. Днес те представляват сериозни рискове за надеждността при екстремен термичен стрес. Човешката инспекция вече не е статистически жизнеспособна за съвременни обеми на вафли и опаковки. Операторите просто не могат да обработят точно милиони микроскопични компоненти. Постоянната умора на очите естествено води до пропуснати аномалии.
Надграждане до автоматизиран Оборудването за проверка на козметични дефекти сега е основно изискване за високопроизводително производство. Въпреки това, изчисляването на истинската възвръщаемост на инвестицията изисква по-задълбочен поглед. Трябва да погледнете отвъд обикновените нива на улавяне на дефекти. Имате нужда от система, която балансира идеално точността, производствената производителност и проследимостта на данните. Тази статия изследва как усъвършенстваните системи за откриване защитават добива и предефинират контрола на качеството в модерни производствени съоръжения.
Защита на издръжливостта: Автоматизираното откриване на повърхностни дефекти предотвратява смесването на повърхностни аномалии (микродраскотини, петна, отчупване) в последващи повреди.
Намаляване на свръхунищожаването: Усъвършенстваните системи правят разлика между критичните дефекти и приемливото отклонение, минимизирайки фалшивите положителни резултати (прекомерното унищожаване), които губят жизнеспособен силиций.
Проследимост: Модерното оборудване за визуална инспекция се интегрира директно с MES/YMS, осигурявайки обратна връзка в затворен цикъл за анализ на първопричината.
AI срещу традиционен: Преходът от базиран на правила AOI (автоматизирана оптична инспекция) към модели за дълбоко обучение променя фундаментално начина, по който производителите оценяват решенията за инспекция.
Често се отнасяме към козметичните недостатъци като към безобидни. Това предположение е опасно днес. Границата между естетични и функционални дефекти непрекъснато се размива. Малък чип на силициевия ръб може да изглежда като обикновен естетически проблем. Въпреки това създава сериозна концентрация на напрежение. Когато компонентът претърпи термичен цикъл, тази точка се проваля. Дефектът се разширява в микроскопична пукнатина. В крайна сметка това разрушава функционалната верига. Вариациите на пасивиращия слой или леките обезцветявания често показват основни химически дисбаланси. Не можете да си позволите да игнорирате тези привидно повърхностни аномалии в приложения с висока мощност.
Фалшивите отрицания се случват, когато системата пропусне дефект. Наричаме това 'недостатъчно убийство'. Избягването на козметични дефекти носи тежки последствия. Те влизат в крайния продукт незабелязани. Неизправности на място възникват скоро след внедряването. Клиентите издават скъпи разрешения за връщане на стоки (RMA). По-важното е, че вашият статус на квалификация на доставчика получава огромен удар. Институции като Съвета за автомобилна електроника стриктно прилагат стандарти за надеждност като AEC-Q100. Те изискват нулеви дефекти. Пропускането на една драскотина уврежда изцяло репутацията ви.
Фалшивите положителни резултати са също толкова разрушителни. Ние наричаме това 'прекомерно убиване'. Традиционните инструменти за проверка често са свръхчувствителни. Те обозначават допустимите отклонения в материала като критични дефекти. Това изкуствено понижава нивата ви на добив. В крайна сметка изхвърляте напълно жизнеспособен силиций. Като алтернатива вие принуждавате операторите да извършват ръчни вторични прегледи. Това губи време и висококвалифициран труд. Това проваля цялата цел на фабричната автоматизация. Нуждаете се от интелигентни системи, за да намалите драстично това излишно количество.
Пейзажът на индустрията се променя бързо. Клиентите от ниво 1 на автомобилната и космическата индустрия изискват абсолютно съвършенство. Сега те налагат стриктна проследимост по цялата верига на доставки. Те налагат абсолютни толеранси за нулеви дефекти за всички полупроводникови компоненти. Простата визуална проверка вече не удовлетворява одитите за съответствие. Трябва да предоставите неоспоримо цифрово доказателство за целостта на компонента. Автоматизираната инспекция ви дава тази проверима следа от данни без усилие.
Вземането на партидни проби някога е било индустриален стандарт. Вече е напълно остаряла. Модерните системи за вградена обработка инспектират 100% от компонентите. Те правят това при пълни производствени скорости. Вече не се сблъсквате с тесни места в пункта за проверка. Оборудването непрекъснато обработва хиляди единици на час. Това цялостно покритие гарантира незабавно отстраняване на дефектите. Хващате аномалии, преди да преминат към скъпи етапи на опаковане.
Съвременното производство работи в наноразмер. Автоматизираните системи използват усъвършенствана оптика, за да съответстват на този мащаб. Те съчетават техники за светло поле, тъмно поле и интерферометрия. Тези методи за осветяване разкриват повърхностни аномалии до нанометрово ниво. Те могат незабавно да открият отлагане на частици от 10 nm. Здрав проверката за козметични дефекти гарантира, че нищо не остава незабелязано. Вие идентифицирате микроскопични отклонения, преди те да се превърнат в големи функционални грешки.
Инструментите за проверка правят повече от това да сортират добрите чипове от лошите. Те функционират като мощни възли за събиране на данни. Системата събира данни за местоположението на дефекти в стотици вафли. Лесно идентифицира повтарящи се модели. Например, повтарящите се драскотини по ръбовете може да показват неправилно подравнена роботизирана манипулационна ръка. Веднага забелязвате дрейфа на оборудването нагоре по течението. Поправяте първопричината, вместо просто да филтрирате симптомите непрекъснато.
Разчитането на ръчни QA инженери ограничава растежа на вашата фабрика. Визуалното сортиране е досадно и силно податливо на грешки. Модерното оборудване измества тези висококвалифицирани работници от повтарящи се задачи. Те преминават към подобряване на процесите и усъвършенстван анализ на дефекти. Вие увеличавате максимално стойността на вашия инженерен екип. Те се съсредоточават върху решаването на сложни предизвикателства, свързани с добива, вместо да се взират през микроскопи цял ден.
Строги алгоритми управляват традиционните базирани на правила AOI системи. Вие програмирате точни параметри в софтуера. Тези системи се отличават с предвидими, силно структурирани компоненти. Те се справят перфектно със строгите геометрични допуски. Въпреки това им липсва адаптивност. Те се борят с непредвидими органични форми. Разнообразният фон лесно обърква алгоритмите. Промяната на отразяващата способност по повърхността на вафлата предизвиква постоянно фалшиви аларми.
Дълбокото обучение променя изцяло парадигмата на проверката. Задвижваните от AI модели не разчитат на твърдо кодирани правила. Те се справят прекрасно със сложни повърхности и дефекти с нисък контраст. Те се отличават с минимизиране на фалшивите положителни резултати. Алгоритмите се учат от масивни набори от данни. Храниш ги с примери за 'добри' и 'лоши' компоненти. Те се адаптират естествено към приемливите вариации от партида към партида. Избягвате постоянна, досадна настройка на параметри. Те разбират контекста много като човешки оператор.
Понякога се нуждаете и от двата подхода едновременно. Хибридните системи предлагат най-доброто автоматизирано решение. Те комбинират детерминистични измервания, базирани на правила, за строга метрология. Едновременно с това те използват управлявани от AI откриване на повърхностни дефекти за козметични аномалии. Получавате перфектна геометрична проверка и интелигентно разпознаване на аномалии с едно преминаване. Тази гъвкавост ги прави много търсени в съвременните модерни фабрики за опаковане.
Категория на системата |
Най-добър сценарий за приложение |
Ключово техническо предимство |
Основно ограничение |
|---|---|---|---|
Базиран на правила AOI |
Предсказуеми, силно структурирани компоненти. |
Перфектен за строги геометрични допуски и метрология. |
Бори се с органични форми и разнообразна отразяваща способност. |
AI / машинно обучение |
Сложни повърхности и аномалии с нисък контраст. |
Адаптира се към вариациите на партидите; минимизира фалшивите положителни резултати. |
Изисква обширни, етикетирани набори от данни за дефекти за обучение. |
Хибридни системи |
Усъвършенствано опаковане и среда за стриктно съответствие. |
Комбинира прецизна метрология с интелигентно откриване на аномалии. |
По-сложни фази на софтуерна интеграция и внедряване. |
Трябва внимателно да балансирате скоростта и детайлите. Голямото оптично увеличение разкрива ясно по-малките дефекти. Въпреки това значително намалява зрителното поле на камерата. Това значително забавя процеса на проверка. Трябва да прецените дали системата поддържа необходимото UPH (единици на час) при необходимата разделителна способност. Не можете да жертвате производствената производителност за ненужни нива на увеличение.
Осветлението прави или нарушава изцяло вашия процес на проверка. Полупроводниковите материали са силно отразяващи по природа. Стандартното осветление създава остри отблясъци и скрива критичните дефекти. Трябва да оцените старателно архитектурата на осветлението на системата. Потърсете възможности за многоъгълно и многоспектърно осветление. Усъвършенстваните инструменти използват 3D изображения, за да проникнат в сложни повърхности. Отлично Оборудването за визуална проверка използва специализирани дължини на вълните, за да заобиколи изцяло проблемите с отразяващата способност. Това точно картографира точната топография на повърхностен дефект.
Хардуерът представлява само половината от уравнението. Софтуерната екосистема диктува използваемостта в реалния свят и фабричната интеграция. Оборудването трябва да се интегрира безпроблемно с вашата съществуваща инфраструктура за данни. За да осигурите оптимална оперативна съвместимост, трябва да проверите няколко ключови софтуерни изисквания преди внедряване:
Осигурете стриктно съответствие с SECS/GEM за цялата фабрична машинна комуникация.
Проверете готовността на API за активиране на персонализирано извличане на данни и отчитане.
Тествайте интеграционните протоколи с текущите си системи за изпълнение на производството (MES).
Потвърдете плавното картографиране на потока от данни във вашите съществуващи системи за управление на доходите (YMS).
Системите, базирани на AI, осигуряват невероятни резултати от проверката. Те обаче са изключително жадни за данни инструменти. Те изискват обширни, точно обозначени набори от данни, за да се обучават ефективно. Трябва да ги храните с хиляди крайни примери. Нуждаете се от ясни, категоризирани изображения на драскотини, петна и наранявания. Изграждането на тази първоначална библиотека с изображения отнема значително време и инженерни усилия.
Не очаквайте незабавно съвършенство в първия ден от внедряването. Потвърдете първоначалната фаза на настройка и калибриране. Системата се нуждае от време, за да научи вашите специфични параметри на продукта. По време на този период на калибриране нивата на прекомерно убиване може временно да скочат. Първоначално моделът за машинно обучение греши от страна на предпазливостта. Тъй като поглъща повече производствени данни, точността се подобрява драстично. Трябва да планирате производствени графици около тази крива на обучение.
Надграждането на наследените производствени линии въвежда физически предизвикателства. Съвременните системи улавят огромни количества данни с висока разделителна способност непрекъснато. Надстройките на мрежовата инфраструктура често са необходими, за да се справят с тези масивни полезни данни за изображения. Може да се нуждаете и от физически корекции на отпечатъка в завода. За по-стари роботизирани товарачи често се налага интегриране на персонализирана обработка. Задълбочено планирането на инспекция на полупроводници предотвратява скъпи забавяния на внедряването.
Купувачите трябва много внимателно да се ориентират в твърденията на продавача. Винаги изисквайте стриктно доказателство за концепцията (PoC), преди да се ангажирате с платформа. Успешният PoC изисква строги насоки, за да се гарантира точна оценка на производителността в реалния свят. Следвайте тези стъпки по време на процеса на избиране:
Осигурете вашите специфични, активни производствени вафли за фазата на тестване.
Включете целенасочено известните, много трудни дефекти на ръба на корпуса в пробната партида.
Изцяло откажете тестови проби от генерични доставчици или непокътнати демонстрационни вафли.
Измерете поотделно както процента на улавяне на дефекти, така и процента на фалшивите положителни резултати.
Проверката на козметичните дефекти вече не е само естетика. Това е критичен защитен механизъм за надеждността на полупроводниците. Той служи като основа за съвременна оптимизация на добива и съответствие. Ако не успеете да възприемете усъвършенствани възможности за откриване, вашата верига за доставки става уязвима за повреди надолу по веригата.
Оценките на системата трябва да се развият след прости хардуерни спецификации. Най-ефективната стратегия за оценка пренебрегва обявения брой мегапиксели. Вместо това, той се фокусира върху доказаната способност на системата да намалява както фалшивите положителни резултати, така и времето за ръчен преглед. Интелигентният софтуер има също толкова значение, колкото първокласната оптика.
Погледнете внимателно текущите си процеси на проверка днес. Извършете незабавен одит на текущите си нива на свръхубиване и фалшиви положителни резултати. Идентифицирайте специфичните повърхностни аномалии, причиняващи най-много ръчни преработки. Поискайте насочени демонстрации на системата, базирани изцяло на тези типове проблемни дефекти.
A: Функционалните дефекти причиняват незабавна електрическа повреда в компонента. Козметичните дефекти, като повърхностни петна или малки микродраскотини, не спират незабавно работата. Те обаче показват опасно отклонение на процеса. Те сериозно рискуват преждевременна повреда на полето при термичен стрес с течение на времето.
О: AI се справя много по-добре с производствените вариации. Разбира визуалния контекст. Това драстично намалява фалшивите положителни резултати, причинени от безобидни цветови вариации или приемливи текстури на материала. Строгите алгоритми, базирани на правила, често се спъват при тези незначителни, приемливи разлики.
О: Да, но изисква високо специализирана оптика. Имате нужда от дълбока UV или електронен лъчева инспекция, а не стандартна оптична визуална инспекция. Тези усъвършенствани методи улавят дефекти под 10nm, но идват със значителни компромиси в разходите и производителността.
