Habang lumiliit ang semiconductor geometries sa 10nm at mas mababa, ang threshold sa pagitan ng isang 'hindi nakakapinsala' cosmetic defect at isang nakamamatay na functional flaw ay halos nawawala. Ang mga maliliit na gasgas o mantsa sa ibabaw ng wafer ay tila bale-wala. Ngayon, nagdudulot sila ng malubhang panganib sa pagiging maaasahan sa ilalim ng matinding thermal stress. Ang inspeksyon ng tao ay hindi na mabubuhay ayon sa istatistika para sa modernong dami ng wafer at packaging. Ang mga operator ay hindi maaaring maproseso nang tumpak ang milyun-milyong microscopic na bahagi. Ang patuloy na pagkapagod sa mata ay natural na humahantong sa mga napalampas na anomalya.
Pag-upgrade sa automated cosmetic defect inspection equipment ay isa na ngayong baseline requirement para sa high-yield manufacturing. Gayunpaman, ang pagkalkula ng tunay na return on investment ay nangangailangan ng mas malalim na pagtingin. Dapat kang tumingin sa kabila ng mga simpleng rate ng pagkuha ng depekto. Kailangan mo ng system na perpektong binabalanse ang katumpakan, produksyon throughput, at data traceability. Tinutuklas ng artikulong ito kung paano pinoprotektahan ng mga advanced na sistema ng pag-detect ang ani at muling tinukoy ang kontrol sa kalidad sa mga modernong pasilidad ng fabrication.
Proteksyon ng Yield: Pinipigilan ng awtomatikong pagtukoy ng depekto sa ibabaw ang mga mababaw na anomalya (mga micro-scratch, mantsa, chipping) mula sa pagsasama sa mga downstream failure.
Overkill Reduction: Ang mga advanced na system ay nag-iiba sa pagitan ng mga kritikal na depekto at katanggap-tanggap na pagkakaiba, na pinapaliit ang mga maling positibo (overkill) na nag-aaksaya ng mabubuhay na silicon.
Traceability: Ang modernong visual inspection equipment ay direktang sumasama sa MES/YMS, na nagbibigay ng closed-loop na feedback para sa root-cause analysis.
AI kumpara sa Tradisyonal: Ang paglipat mula sa nakabatay sa panuntunan na AOI (Automated Optical Inspection) patungo sa mga modelo ng malalim na pag-aaral ay pangunahing nagbabago kung paano sinusuri ng mga manufacturer ang mga solusyon sa inspeksyon.
Madalas nating itinuturing na hindi nakakapinsala ang mga cosmetic flaws. Ang palagay na ito ay mapanganib ngayon. Ang linya sa pagitan ng aesthetic at functional na mga depekto ay patuloy na lumalabo. Ang isang maliit na chip sa gilid ng silikon ay maaaring magmukhang isang simpleng isyu sa aesthetic. Gayunpaman, lumilikha ito ng matinding stress concentration point. Kapag ang bahagi ay sumasailalim sa thermal cycling, nabigo ang puntong ito. Lumalawak ang kapintasan sa isang microscopic crack. Sa kalaunan, sinisira nito ang functional circuitry. Ang mga pagkakaiba-iba ng passivation layer o bahagyang pagkawalan ng kulay ay kadalasang nagpapahiwatig ng pinagbabatayan ng mga hindi balanseng kemikal. Hindi mo kayang balewalain ang mga tila mababaw na anomalya sa mga high-power na aplikasyon.
Ang mga maling negatibo ay nangyayari kapag ang isang sistema ay nakaligtaan ng isang depekto. Tinatawag namin itong 'underkill.' Ang pagtakas sa mga cosmetic defect ay may mabibigat na kahihinatnan. Nadulas sila sa panghuling produkto nang hindi natukoy. Nangyayari ang mga pagkabigo sa field pagkatapos ng pag-deploy. Nag-isyu ang mga customer ng mahal na Return Merchandise Authorizations (RMAs). Higit sa lahat, ang iyong katayuan ng kwalipikasyon ng vendor ay tumatagal ng isang napakalaking hit. Ang mga institusyon tulad ng Automotive Electronics Council ay mahigpit na nagpapatupad ng mga pamantayan sa pagiging maaasahan tulad ng AEC-Q100. Humihingi sila ng zero defects. Ang pagkawala ng isang scratch ay ganap na nakakasira sa iyong reputasyon.
Ang mga maling positibo ay parehong mapanira. Tinatawag namin itong 'overkill.' Ang mga tradisyunal na tool sa inspeksyon ay kadalasang hyper-sensitive. Nagba-flag sila ng mga katanggap-tanggap na pagkakaiba-iba ng materyal bilang mga kritikal na depekto. Ito ay artipisyal na nagpapahina sa iyong mga rate ng ani. Nagtatapos ka sa pagtatapon ng perpektong mabubuhay na silikon. Bilang kahalili, pinipilit mo ang mga operator sa mga manu-manong pangalawang pagsusuri. Nag-aaksaya ito ng oras at mataas na kasanayang paggawa. Tinatalo nito ang buong layunin ng automation ng pabrika. Kailangan mo ng mga matalinong sistema upang mabawasan nang husto ang overkill na ito.
Mabilis na nagbabago ang landscape ng industriya. Ang mga kliyente ng Tier-1 na automotive at aerospace ay humihiling ng ganap na pagiging perpekto. Ipinag-uutos na nila ngayon ang mahigpit na traceability sa buong supply chain. Ipinapatupad nila ang ganap na zero-defect tolerances para sa lahat ng bahagi ng semiconductor. Ang isang simpleng visual na pagsusuri ay hindi na nakakatugon sa mga pag-audit sa pagsunod. Dapat kang magbigay ng hindi maikakailang digital na patunay ng integridad ng bahagi. Ang awtomatikong inspeksyon ay nagbibigay sa iyo ng nabe-verify na data trail na ito nang walang kahirap-hirap.
Ang batch-sampling ay dating pamantayan sa industriya. Ito ngayon ay ganap na hindi na ginagamit. Sinusuri ng mga modernong inline na sistema ng pagproseso ang 100% ng mga bahagi. Ginagawa nila ito sa buong bilis ng produksyon. Hindi ka na nahaharap sa mga bottleneck sa istasyon ng inspeksyon. Ang kagamitan ay patuloy na nagpoproseso ng libu-libong yunit kada oras. Ang komprehensibong saklaw na ito ay ginagarantiyahan ang agarang pagpigil sa depekto. Makahuli ka ng mga anomalya bago sila lumipat sa mga mamahaling yugto ng packaging.
Ang modernong pagmamanupaktura ay nagpapatakbo sa nanoscale. Gumagamit ang mga automated system ng mga advanced na optika upang tumugma sa sukat na ito. Pinagsasama nila ang mga diskarte sa brightfield, darkfield, at interferometry. Ang mga pamamaraan ng pag-iilaw na ito ay nagpapakita ng mga anomalya sa ibabaw hanggang sa antas ng nanometer. Maaari nilang makita agad ang isang 10nm particle deposition. Matatag cosmetic defect inspeksyon ay nagsisiguro na walang escapes hindi napapansin. Natutukoy mo ang mga microscopic deviation bago sila magsama sa mga pangunahing error sa pagganap.
Ang mga tool sa inspeksyon ay higit pa sa pag-uuri ng magagandang chips mula sa masamang chips. Gumagana ang mga ito bilang makapangyarihang mga node sa pagkolekta ng data. Pinagsasama-sama ng system ang data ng lokasyon ng depekto sa daan-daang mga wafer. Madali itong nakikilala ang mga paulit-ulit na pattern. Halimbawa, ang paulit-ulit na mga gasgas sa gilid ay maaaring magpahiwatig ng hindi pagkakatugma ng robotic handling arm. Nakita mo agad ang pag-anod ng upstream na kagamitan. Inaayos mo ang ugat sa halip na i-filter lamang ang mga sintomas nang tuloy-tuloy.
Ang pag-asa sa mga manu-manong QA engineer ay naglilimita sa iyong paglago ng pabrika. Ang visual na pag-uuri ay nakakapagod at lubhang madaling kapitan ng pagkakamali. Inililipat ng mga modernong kagamitan ang mga napakahusay na manggagawang ito mula sa mga paulit-ulit na gawain. Lumipat sila sa pagpapabuti ng proseso at advanced na pagsusuri ng depekto. I-maximize mo ang halaga ng iyong engineering team. Nakatuon sila sa paglutas ng mga kumplikadong hamon sa ani sa halip na tumitig sa mga mikroskopyo sa buong araw.
Pinamamahalaan ng mga mahigpit na algorithm ang tradisyonal na mga sistemang AOI na nakabatay sa panuntunan. Nag-program ka ng mga eksaktong parameter sa software. Ang mga system na ito ay mahusay na may predictable, mataas na structured na mga bahagi. Pinangangasiwaan nila nang perpekto ang mahigpit na geometric tolerances. Gayunpaman, wala silang kakayahang umangkop. Nagpupumilit sila sa hindi mahuhulaan na mga organikong hugis. Ang iba't ibang background ay madaling malito ang mga algorithm. Ang pag-iiba-iba ng reflectivity sa buong wafer surface ay patuloy na nagpapalitaw ng mga maling alarma.
Ang malalim na pag-aaral ay ganap na nagbabago sa paradigma ng inspeksyon. Ang mga modelong pinapagana ng AI ay hindi umaasa sa mga naka-hardcode na panuntunan. Hinahawakan nila ang mga kumplikadong ibabaw at mga depekto na mababa ang contrast nang maganda. Mahusay sila sa pagliit ng mga maling positibo. Natututo ang mga algorithm mula sa napakalaking dataset. Ipapakain mo sa kanila ang mga halimbawa ng 'mabuti' at 'masamang' mga bahagi. Ang mga ito ay natural na umaangkop sa mga katanggap-tanggap na batch-to-batch na mga variation. Iniiwasan mo ang pare-pareho, nakakapagod na pag-tune ng parameter. Nauunawaan nila ang konteksto tulad ng isang operator ng tao.
Minsan kailangan mo ng parehong diskarte nang sabay-sabay. Ang mga hybrid system ay nag-aalok ng tunay na awtomatikong solusyon. Pinagsasama nila ang mga deterministikong pagsukat na nakabatay sa panuntunan para sa mahigpit na metrology. Sabay-sabay, ginagamit nila ang AI-driven pagtuklas ng depekto sa ibabaw para sa mga cosmetic anomalya. Makakakuha ka ng perpektong geometric na pag-verify at matalinong pagkilala sa anomalya sa isang pass. Ang versatility na ito ay ginagawa silang lubos na hinahangad sa mga modernong advanced na packaging fab.
Kategorya ng System |
Pinakamahusay na Sitwasyon ng Application |
Pangunahing Kalamangan sa Teknikal |
Pangunahing Limitasyon |
|---|---|---|---|
Batay sa Panuntunan AOI |
Mahuhulaan, lubos na nakabalangkas na mga bahagi. |
Perpekto para sa mahigpit na geometric tolerances at metrology. |
Nakikibaka sa mga organikong hugis at sari-saring pagmuni-muni. |
AI / Machine Learning |
Mga kumplikadong ibabaw at mga anomalyang mababa ang contrast. |
Nakikibagay sa mga pagkakaiba-iba ng batch; binabawasan ang mga maling positibo. |
Nangangailangan ng malawak at may label na mga dataset ng depekto upang sanayin. |
Mga Sistemang Hybrid |
Advanced na packaging at mahigpit na pagsunod sa kapaligiran. |
Pinagsasama ang tumpak na metrology sa matalinong pagtuklas ng anomalya. |
Mas kumplikadong software integration at deployment phase. |
Dapat mong balansehin nang mabuti ang bilis at detalye. Ang mataas na optical magnification ay malinaw na nagpapakita ng mas maliliit na depekto. Gayunpaman, makabuluhang binabawasan nito ang field of view ng camera. Ito ay lubos na nagpapabagal sa proseso ng inspeksyon. Dapat mong tasahin kung pinapanatili ng system ang kinakailangang UPH (Mga Yunit Bawat Oras) sa kinakailangang resolusyon. Hindi mo maaaring isakripisyo ang throughput ng produksyon para sa mga hindi kinakailangang antas ng pag-magnify.
Ginagawa o sinisira ng pag-iilaw ang iyong proseso ng inspeksyon nang buo. Ang mga materyales ng semiconductor ay likas na mapanimdim. Ang karaniwang pag-iilaw ay lumilikha ng matinding liwanag na nakasisilaw at nagtatago ng mga kritikal na depekto. Dapat mong suriing mabuti ang arkitektura ng pag-iilaw ng system. Maghanap ng mga multi-angle at multi-spectral na kakayahan sa pag-iilaw. Gumagamit ang mga advanced na tool ng 3D imaging para tumagos sa mga kumplikadong surface. Magaling Ang mga kagamitan sa visual na inspeksyon ay gumagamit ng mga dalubhasang wavelength upang ganap na i-bypass ang mga isyu sa reflectivity. Ito ay nagmamapa ng eksaktong topograpiya ng isang depekto sa ibabaw nang tumpak.
Ang hardware ay kumakatawan lamang sa kalahati ng equation. Ang software ecosystem ay nagdidikta ng real-world na usability at factory integration. Ang kagamitan ay dapat na isama ng walang putol sa iyong umiiral na imprastraktura ng data. Upang matiyak ang pinakamainam na interoperability, dapat mong i-verify ang ilang pangunahing kinakailangan ng software bago i-deploy:
Tiyakin ang mahigpit na pagsunod sa SECS/GEM para sa komunikasyon ng makina sa buong pabrika.
I-verify ang pagiging handa ng API para paganahin ang custom na data extraction at pag-uulat.
Subukan ang mga integration protocol sa iyong kasalukuyang Manufacturing Execution Systems (MES).
Kumpirmahin ang maayos na pagmamapa ng daloy ng data sa iyong umiiral na Yield Management System (YMS).
Ang mga AI-based na system ay naghahatid ng hindi kapani-paniwalang mga resulta ng inspeksyon. Gayunpaman, ang mga ito ay pambihirang mga tool na gutom sa data. Nangangailangan ang mga ito ng malawak, tumpak na may label na mga dataset para mabisang magsanay. Dapat mong pakainin sila ng libu-libong mga halimbawa ng edge-case. Kailangan mo ng malinaw, nakategorya na mga larawan ng mga gasgas, mantsa, at chipping. Ang pagbuo ng paunang library ng imahe na ito ay nangangailangan ng malaking oras at pagsisikap sa engineering.
Huwag asahan ang instant na pagiging perpekto sa unang araw ng pag-deploy. Kilalanin ang unang bahagi ng pag-setup at pagkakalibrate. Ang system ay nangangailangan ng oras upang matutunan ang iyong mga partikular na parameter ng produkto. Sa panahong ito ng pagkakalibrate, maaaring pansamantalang tumaas ang mga rate ng overkill. Ang modelo ng machine learning ay nagkakamali sa panig ng pag-iingat sa simula. Habang nakakakuha ito ng mas maraming data ng produksyon, ang katumpakan ay tumataas nang husto. Dapat kang magplano ng mga iskedyul ng produksyon sa paligid ng curve ng pag-aaral na ito.
Ang pag-upgrade ng mga legacy na linya ng produksyon ay nagpapakilala ng mga pisikal na hamon. Ang mga modernong system ay patuloy na kumukuha ng napakaraming data na may mataas na resolution. Ang mga pag-upgrade sa imprastraktura ng network ay madalas na kinakailangan upang mahawakan ang napakalaking mga payload ng data ng imahe. Maaaring kailanganin mo rin ang mga pisikal na pagsasaayos ng footprint sa sahig ng pabrika. Ang custom na pagsasama ng paghawak ay madalas na kinakailangan para sa mga mas lumang robotic loader. lubusan Ang pagpaplano ng inspeksyon ng semiconductor ay humahadlang sa magastos na pagkaantala sa pag-deploy.
Dapat na maingat na i-navigate ng mga mamimili ang mga claim ng vendor. Palaging humiling ng mahigpit na Proof of Concept (PoC) bago mag-commit sa isang platform. Ang isang matagumpay na PoC ay nangangailangan ng mahigpit na mga alituntunin upang matiyak ang tumpak na real-world na pagsusuri ng pagganap. Sundin ang mga hakbang na ito sa panahon ng iyong proseso ng shortlisting:
Ibigay ang iyong partikular at aktibong production wafer para sa yugto ng pagsubok.
Isama ang kilalang, napakahirap na mga depekto sa gilid ng case sa sample na batch nang may layunin.
Tanggihan ang mga generic na sample ng pagsubok ng vendor o malinis na demonstration wafer nang buo.
Sukatin ang parehong rate ng pagkuha ng depekto at ang rate ng maling positibong independyente.
Ang pag-inspeksyon ng depekto sa kosmetiko ay hindi na lamang tungkol sa aesthetics. Ito ay isang kritikal na mekanismo ng pagtatanggol para sa pagiging maaasahan ng semiconductor. Ito ay nagsisilbing pundasyon para sa modernong yield optimization at pagsunod. Ang hindi pagtupad sa mga advanced na kakayahan sa pag-detect ay nag-iiwan sa iyong supply chain na mahina sa mga downstream na pagkabigo.
Ang mga pagsusuri ng system ay dapat magbago sa mga nakaraang simpleng pagtutukoy ng hardware. Binabalewala ng pinakamabisang diskarte sa pagsusuri ang mga na-claim na bilang ng megapixel. Sa halip, nakatutok ito sa napatunayang kakayahan ng system na bawasan ang parehong mga maling positibo at manu-manong oras ng pagsusuri. Ang matalinong software ay mahalaga tulad ng mga premium na optika.
Tingnang mabuti ang iyong kasalukuyang mga proseso ng inspeksyon ngayon. Magsagawa ng agarang pag-audit ng iyong kasalukuyang overkill rate at false positive. Tukuyin ang mga partikular na anomalya sa ibabaw na nagdudulot ng pinakamaraming manu-manong rework. Humiling ng mga naka-target na demo ng system na ganap na nakabatay sa mga may problemang uri ng depekto.
A: Ang mga functional na depekto ay nagdudulot ng agarang pagkasira ng kuryente sa bahagi. Ang mga depekto sa kosmetiko, tulad ng mga mantsa sa ibabaw o maliliit na micro-scratches, ay hindi agad na humihinto sa paggana. Gayunpaman, ipinapahiwatig nila ang mapanganib na pag-anod ng proseso. Lubhang mapanganib nila ang napaaga na pagkabigo sa field sa ilalim ng thermal stress sa paglipas ng panahon.
A: Mas mahusay na pinangangasiwaan ng AI ang pagkakaiba-iba ng pagmamanupaktura. Naiintindihan nito ang visual na konteksto. Lubos nitong binabawasan ang mga maling positibong dulot ng hindi nakakapinsalang mga pagkakaiba-iba ng kulay o katanggap-tanggap na mga texture ng materyal. Ang mga mahigpit na algorithm na nakabatay sa panuntunan ay madalas na bumabagsak sa mga maliliit at katanggap-tanggap na pagkakaibang ito.
A: Oo, ngunit nangangailangan ito ng mataas na dalubhasang optika. Kailangan mo ng malalim na UV o electron beam na inspeksyon sa halip na karaniwang optical visual inspection. Ang mga advanced na pamamaraan na ito ay nakakakuha ng mga sub-10nm na depekto ngunit may kasamang makabuluhang gastos at throughput trade-off.
