CN116540076B - 一种基于平面表征的tsv内部空洞缺陷检测方法及系统 - Google Patents
一种基于平面表征的tsv内部空洞缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116540076B CN116540076B CN202310824498.2A CN202310824498A CN116540076B CN 116540076 B CN116540076 B CN 116540076B CN 202310824498 A CN202310824498 A CN 202310824498A CN 116540076 B CN116540076 B CN 116540076B
- Authority
- CN
- China
- Prior art keywords
- defect
- tsv
- elastic modulus
- points
- characteristic parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012512 characterization method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 230000035772 mutation Effects 0.000 claims abstract description 14
- 239000011800 void material Substances 0.000 claims description 27
- 230000000149 penetrating effect Effects 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 229910052710 silicon Inorganic materials 0.000 claims description 10
- 239000010703 silicon Substances 0.000 claims description 10
- 241000724291 Tobacco streak virus Species 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004441 surface measurement Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 44
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000007373 indentation Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- ZFXYFBGIUFBOJW-UHFFFAOYSA-N theophylline Chemical compound O=C1N(C)C(=O)N(C)C2=C1NC=N2 ZFXYFBGIUFBOJW-UHFFFAOYSA-N 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/2856—Internal circuit aspects, e.g. built-in test features; Test chips; Measuring material aspects, e.g. electro migration [EM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N19/00—Investigating materials by mechanical methods
- G01N19/08—Detecting presence of flaws or irregularities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Environmental & Geological Engineering (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于平面表征的TSV内部空洞缺陷检测方法及系统,包括:确定从TSV表面测量得到的弹性模量数据;对弹性模量数据进行拟合,得到测量点位置与对应弹性模量之间的映射关系;基于映射关系提取TSV表面弹性模量数据的特征参数;特征参数包括:测量点相对距离最大值、弹性模量最大差值、映射关系对应拟合点在预设方向斜率的最大值、散点相对拟合点的突变点个数以及散点相对拟合点差值的最大值;将特征参数输入到预先训练好的缺陷分类模型,确定TSV内部空洞缺陷分布情况,以基于TSV表面测量得到的信息快速表征其内部空洞缺陷分布。本发明将TSV表面特征与内部缺陷进行映射,实现简便、无损检测。
Description
技术领域
本发明涉及到半导体工艺缺陷检测技术领域,具体涉及一种基于平面表征的TSV内部空洞缺陷检测方法及系统。
背景技术
贯穿硅的通孔(through silicon via,TSV)技术是集成电路(IntegratedCircuit,IC)的微型化背景下实现三维集成电路(3D IC)可靠封装的重要手段之一。该技术可以在集成电路芯片上的硅衬底上制造通孔,并用金属连接形成垂直方向上的互连导线,以使上下层芯片导通。与传统的封装方式对比,TSV可以实现最短、最多的垂直方向互连,从而大幅度降低芯片功耗、减小延时、提高性能、拓展功能,为实现高性能3D IC的微型化提供可能。
尽管TSV技术具有众多的优势,但也存在许多的技术难题和挑战。TSV制造需要进行钻孔、沉积绝缘层、沉积阻挡层、沉积种子层、通孔填充的过程,在这些工艺中,稍有工艺参数选择不当,便可能出现较大的孔洞、缝隙、不完全填充等缺陷。这些缺陷的存在将导致产品可靠性降低、信号传输失真等一系列问题。
TSV缺陷大多集中于通孔内部,常规的方法是很难检测出来的。目前的检测方法主要有接触式接触式和非接触式检测两类,包含电测试、功测试、红外成像检测、扫描电子显微镜等方式,例如切片观察法或电流测试法。但是这些方式均存在后续检测流程复杂、成本较高的问题,并且无法快速、简便判断TSV内部是否存在缺陷。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于平面表征的TSV内部空洞缺陷检测方法及系统,旨在解决现有TSV缺陷检测工艺复杂、成本高且效率低等的问题。
为实现上述目的,第一方面,本发明提供了一种基于平面表征的TSV内部空洞缺陷检测方法,包括以下步骤:
确定从贯穿硅的通孔TSV表面测量得到的弹性模量数据;其中,所述弹性模量数据包括:TSV表面预设区域各个测量点在贯穿方向的弹性模量值;TSV内部空洞缺陷会造成整体贯穿方向的材质疏松,使得贯穿方向含空洞缺陷对应的弹性模量相对贯穿方向不含空洞缺陷时的弹性模量小,且弹性模量数值与对应区域含空洞缺陷的比例反相关;
对所述弹性模量数据进行拟合,得到测量点位置与对应弹性模量之间的映射关系;
基于所述映射关系提取TSV表面弹性模量数据的特征参数;所述特征参数包括:测量点相对距离最大值、弹性模量最大差值、映射关系对应拟合点在预设方向斜率的最大值、散点相对拟合点的突变点个数以及散点相对拟合点差值的最大值;其中,所述散点表示拟合前的弹性模量数据点;
将所述特征参数输入到预先训练好的缺陷分类模型,确定TSV内部空洞缺陷分布情况,以基于TSV表面测量得到的信息快速表征其内部空洞缺陷分布。
在一种可能的实施方式中,当所述各个测量点分布在TSV某条直径上时,所述映射关系为曲线关系。
在一种可能的实施方式中,当所述各个测量点分布在TSV表面各处时,所述映射关系为曲面关系。
在一种可能的实施方式中,将所述特征参数输入到缺陷分类模块,以便所述缺陷分类模型基于特征参数预测TSV内部空洞缺陷分别属于N种缺陷类型的概率,并取概率最大值对应的缺陷类型作为最终的缺陷检测结果;N为正整数。
在一种可能的实施方式中,所述缺陷分类模型包括N个子分类模型;
将所述特征参数输入到缺陷分类模块,以便各个子分类模型基于特征参数预测TSV内部空洞缺陷属于对应缺陷类型的概率;其中,一个子分类模块基于特征参数预测TSV内部空洞缺陷属于一种缺陷类型的概率;
取N个概率值中最大概率对应的缺陷类型作为最终的缺陷检测结果。
在一种可能的实施方式中,所述N种缺陷类型包括以下缺陷类型中的至少一种:无内部缺陷,第一比例区间的内部缺陷,第一比例区间的内部缺陷并存在局部缺陷,第二比例区间的内部缺陷以及第二比例区间的内部缺陷并存在局部缺陷;其中,第二比例区间的最小比例大于第一比例区间的最大比例;其中,局部缺陷指缺陷体积大于预设值的空洞缺陷。
在一种可能的实施方式中,所述拟合点在预设方向的斜率与贯穿方向上空洞缺陷的比例正相关;
当散点相对拟合点的弹性模量差值不超出阈值时,认为散点对应的贯穿方向不存在空洞缺陷,反之认为散点对应的贯穿方向存在空洞缺陷,将对应拟合点作为一个突变点;若突变点处的差值超出预设值,则认为对应贯穿方向存在局部缺陷。
在一种可能的实施方式中,所述缺陷分类模型的训练过程如下:
确定训练数据;所述训练数据包括TSV在不同缺陷类型下的特征参数;
基于所述训练数据对缺陷分类模型进行训练。
第二方面,本发明提供了一种基于平面表征的TSV内部空洞缺陷检测系统,包括:
弹性模量数据确定单元,确定从贯穿硅的通孔TSV表面测量得到的弹性模量数据;其中,所述弹性模量数据包括:TSV表面预设区域各个测量点在贯穿方向的弹性模量值;TSV内部空洞缺陷会造成整体贯穿方向的材质疏松,使得贯穿方向含空洞缺陷对应的弹性模量相对贯穿方向不含空洞缺陷时的弹性模量小,且弹性模量数值与对应区域含空洞缺陷的比例反相关;
数据拟合单元,用于对所述弹性模量数据进行拟合,得到测量点位置与对应弹性模量之间的映射关系;
特征参数提取单元,用于基于所述映射关系提取TSV表面弹性模量数据的特征参数;所述特征参数包括:测量点相对距离最大值、弹性模量最大差值、映射关系对应拟合点在预设方向斜率的最大值、散点相对拟合点的突变点个数以及散点相对拟合点差值的最大值;其中,所述散点表示拟合前的弹性模量数据点;
缺陷分类单元,用于将所述特征参数输入到预先训练好的缺陷分类模型,确定TSV内部空洞缺陷分布情况,以基于TSV表面测量得到的信息快速表征其内部空洞缺陷分布。
在一种可能的实施方式中,所述特征参数提取单元提取的特征参数满足以下特征:所述拟合点在预设方向的斜率与贯穿方向上空洞缺陷的比例正相关;当散点相对拟合点的弹性模量差值不超出阈值时,认为散点对应的贯穿方向不存在空洞缺陷,反之认为散点对应的贯穿方向存在空洞缺陷,将对应拟合点作为一个突变点;若突变点处的差值超出预设值,则认为对应贯穿方向存在局部缺陷。
第三方面,本发明提供一种电子设备,包括:至少一个存储器,用于存储程序;至少一个处理器,用于执行存储器存储的程序,当存储器存储的程序被执行时,处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
第四方面,本发明提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,当计算机程序在处理器上运行时,使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
第五方面,本发明提供一种计算机程序产品,当计算机程序产品在处理器上运行时,使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明提供一种基于平面表征的TSV内部空洞缺陷检测方法及系统,本发明将TSV表面特征与内部缺陷进行映射,通过测量表面物理参数判断TSV内部缺陷情况,实现简便、无损检测;本发明结合神经网络和分类器对测量参数进行处理,实现TSV内部缺陷高效率、大批量的判断。本发明利用TSV的平面表征即可对TSV内部缺陷情况进行大致判断,有效解决了传统方案费时费力、效率低下等问题,使得大规模TSV缺陷情况判断成为可能,为高密度三维封装可靠性检测与维护提供了一种新的手段。
附图说明
图1是本发明实施例提供的基于平面表征的TSV内部空洞缺陷检测方法流程图;
图2是本发明实施例提供的BP神经网络模型检测TSV内部空洞缺陷流程图;
图3是本发明实施例提供的弹性模量测量示意图;
图4是本发明实施例提供的弹性模量测量数据处理图;
图5是本发明实施例提供的SVM分类器模型检测TSV内部空洞缺陷流程图;
图6是本发明实施例提供的基于平面表征的TSV内部空洞缺陷检测系统架构图;
在所有附图中,相同的附图标记用来表示相同的元件或结构,其中:1为硅;2为TSV;3为纳米压痕压头。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图1是本发明实施例提供的基于平面表征的TSV内部空洞缺陷检测方法流程图;
S101,确定从贯穿硅的通孔TSV表面测量得到的弹性模量数据;其中,所述弹性模量数据包括:TSV表面预设区域各个测量点在贯穿方向的弹性模量值;TSV内部空洞缺陷会造成整体贯穿方向的材质疏松,使得贯穿方向含空洞缺陷对应的弹性模量相对贯穿方向不含空洞缺陷时的弹性模量小,且弹性模量数值与对应区域含空洞缺陷的比例反相关;
S102,对所述弹性模量数据进行拟合,得到测量点位置与对应弹性模量之间的映射关系;
S103,基于所述映射关系提取TSV表面弹性模量数据的特征参数;所述特征参数包括:测量点相对距离最大值、弹性模量最大差值、映射关系对应拟合点在预设方向斜率的最大值、散点相对拟合点的突变点个数以及散点相对拟合点差值的最大值;其中,所述散点表示拟合前的弹性模量数据点;
S104,将所述特征参数输入到预先训练好的缺陷分类模型,确定TSV内部空洞缺陷分布情况,以基于TSV表面测量得到的信息快速表征其内部空洞缺陷分布。
具体地,本发明提供一种基于平面表征的TSV内部空洞缺陷检测方法,以解决现有技术工艺复杂、效率低等问题。该方法主要原理为:TSV内部空洞缺陷会造成整体垂直方向的材质疏松,这种内部疏松会对TSV材料属性的测试产生影响,该影响表现在TSV表面的特征为:通过纳米压痕实验测量TSV弹性模量时,垂直方向上含空洞缺陷的区域测得的弹性模量较小,垂直方向上不含缺陷的区域测得的弹性模量较大,依据此原理,可以通过TSV的平面表征对其内部缺陷情况进行快速判断。但该仍然存在不足,每个TSV样品在检测后仍需根据监测结果进行判断,该过程需要专业人士耗费大量经历,无法实现高效率、大批量的TSV缺陷情况监测,因此,可以结合计算机自主学习的方法,训练成熟的内部缺陷识别模型,实现TSV平面表征测量后数据的自动化、高效率的处理,快速、简便地完成内部缺陷情况的检测与判断。
基于上述原理,本发明本发明所采用的的方案是,一种基于平面表征的TSV内部空洞缺陷检测方法,具体包含以下步骤:
步骤1:沿TSV直径测量弹性模量;
步骤2:处理测量数据形成图表;
步骤3:依据数据图表获取特征参数;
步骤4:使用神经网络或计算机分类方法建立模型;
步骤5:利用成熟模型实现样品缺陷检测;
可选地,所述步骤1中的测量方法可使用现有的成熟纳米压痕技术,沿样品TSV直径,间隔一定距离进行测量,利用Oliver-Pharr方法,获得载荷-位移曲线,并得到对应点弹性模量。
可选地,所述步骤2中,由于TSV填充过程中,周围材料优先沉积,并具有更高的致密性,因此TSV沿直径方向中心测量的弹性模量比两端略小,数据结果整体呈凹陷曲线。根据此现象,由步骤1测量出的弹性模量数据可以处理为弹性模量-距离散点图,并可对散点图进行曲线拟合,获得平滑曲线。
可选地,所述步骤3目的在于,利用步骤2获得的散点图以及曲线获得能够表征内部空洞缺陷情况的特征参数。内部缺陷表征形式主要为:具有较大内部空洞缺陷的TSV,其弹性模量拟合曲线具有较大的凹陷程度;具有局部内部空洞缺陷的TSV,其弹性模量测量散点图会产生局部凹陷。因此,可根据所述步骤2获得的拟合曲线提取曲线宽度、最大差值、局部缺陷个数等数据,并以这些数据作为后续步骤的特征参数。
可选地,所述步骤4的模型建立方法可使用神经网络等自主学习模型,也可使用分类器建立分类模型。
一方面,所述步骤4涉及一种基于BP神经网络的模型建立方法。通过上述步骤3所获得的。
特征参数,可建立BP神经网络。神经网络设置参数包括:输入层结点数、输出层结点数、隐层结点数、期望误差、学习效率和传递函数,通过训练使神经网络达到成熟。
另一方面,所述步骤4还涉及一种基于SVM分类器的模型建立方法。利用上述步骤3中所获得的特征参数作为坐标值建立平面,按照间隔最大的原则进行分割,实现二分类模型建立。若需要进行多分类,则建立多个SVM模型,从而实现多分类。
可选地,所属步骤5中,检测方式为:将带测量样本所提取的特征参数输入相应模型中,通过输出结果,实现内部空洞缺陷的检测。
实施例1:
实施例1提供一种利用BP神经网络模型的基于平面表征的TSV内部空洞缺陷检测方法,具体流程图如图2所示,具体包含以下步骤:
步骤1:沿TSV直径测量弹性模量。
所述步骤1中获取表面弹性模量的方法有多种,本具体实施例中,采用纳米压痕法对TSV表面弹性模量进行测量,如图3所示。本实施例中,采用应用较为广泛的维氏压头,使用载荷控制加载模式,通过控制载荷的方式以及调整加载时间来控制加载速度,加、卸载速率相等。最大载荷为5 mN,最大位移不超过400 nm,保载时间为10 s,测量温度为室温。压痕曲线数据由数据处理软件进行收集并处理,根据Oliver-Pharr方法,计算获得相应弹性模量。
可选地,所述按压过程中,需沿着TSV直径方向按压,以获得沿直径方向上的弹性模量数据,用于后续步骤的分析。为减小误差,每个压痕的间隔为1μm以避免边界效应。
步骤2:处理测量数据形成图表
通过所述步骤2中获取的数据可TSV样品弹性模量-距离散点图,记作F(x),此处距离指的是测量位置距离所沿直径端点的距离。本实施例中,使用MATLAB软件中Isqnonline函数对散点进行非线性最小二乘拟合,并记为f(x)。散点图与拟合曲线所得的图表如图4所示,其中黑色散点为测量的弹性模量值,线条为根据散点拟合出的曲线。
步骤3:依据数据图表获取特征参数
通过所述步骤2所获得的拟合曲线,可获得模型建立所需特征参数。本实施例中,TSV内部空洞缺陷情况反映在表面弹性模量以及测量参数图标上具体表现为:空洞缺陷最大区域会影响垂直区域弹性模量测量出最小值,反映在图表中体现为散点的最小值以及最大差值,如图4中A区域为散点值最小区域,表示该区域为所测TSV缺陷最严重区域;局部空洞缺陷会造成垂直区域弹性模量测量出突变值,其位置以及缺陷程度反映在拟合曲线上为局部凹陷区域以及凹陷程度,如图4中B区域所示,散点值突然下降,表示该区域存在局部缺陷;空洞缺陷的程度影响弹性模量测量变化速率,影响弹性模量曲线最大斜率;TSV弹性模量拟合曲线所代表的意义也受TSV的直径影响。
根据上述描述,首先可以确定特征参数:拟合曲线宽度d、曲线最大差值X。其余特征参数我们通过一定处理方法获得。
对于最大斜率,我们测量曲线内100个点的斜率,并以斜率最大值作为曲线最大斜率估计值,记作_max,斜率计算方法如下公式,其中/>为足够小的增量,f(x)表示拟合曲线的数值,具体大小根据所测TSV样品直径大小确定:
对于曲线局部凹陷程度与数量,本实施例根据散点值与拟合曲线的偏离程度来判断。对每个测量值,我们计算散点与曲线差值,/>为散点的弹性模量值。结合实验经验设置阈值C1,对于/>的点,我们认为该点所对应的区域是没有缺陷的,对于/>的点,我们认为该点存在较大的突变值,说明存在局部空洞缺陷,并以最大差值/>作为特征参数。本实施例中,可设置C1=5 GPa。对于局部凹陷数量我们以满足/>条件的点的个数a作为特征参数。上述参数计算均由计算机辅助完成。
基于上述步骤,我们获得五个特征参数:拟合曲线宽度d,曲线最大差值X,曲线最大斜率_max,曲线突变个数a,曲线突变程度/>。
步骤4:训练BP神经网络
TSV内部缺陷检测BP神经网络的结构包括输入层、隐藏层、输出层,需要确定的参数为输入层结点数、输出层结点数、隐层结点数、期望误差、学习效率和传递函数。
在本实施例中,输入量为TSV凹陷特征,输出量为TSV内部缺陷情况。以步骤3中所述五个特征参数拟合曲线宽度d,曲线最大差值X,曲线最大斜率_max,曲线突变个数a,曲线突变程度/>作为输入,将无内部缺陷,10%~15%内部缺陷,10%~15%内部缺陷并存在局部缺陷,15%~30%内部缺陷和15%~30%内部缺陷并存在局部缺陷5个特征作为输出量,此处缺陷情况百分比为空洞缺陷占所在界面的百分比。因此输入层节点数m=5,输出层节点数为n=5。根据如下隐层节点数经验公式,其中C为调整常数,可确定初始隐藏层节点个数h=6。
+C
首先,由于每个TSV压痕中所获得的五个参数大于1,所以对其进行归一化处理,将数据归一到[1,-1]的区间内,并根据每个特征参数所代表的含义对其赋予权值,分别对曲线宽度,曲线最大差值,曲线突变点个数,曲线最大斜率赋予0.2,0.2,0.2,0.4的权值。
根据该BP神经网络的要求和所要达到的网络输出的目的,本实施例利用函数newff( )创建含有输入层、隐含层、输出层的BP神经网络。在输入层与隐层之间采用S型传递函数,即;在隐层到输出层的传递函数采用tansig激活函数,设置学习效率值为0.1,设置期望误差为0.00001。
选取一定数量的已知缺陷情况样本,根据步骤1、2、3获得特征参数,利用样本数据对神经网络进行训练,具体训练过程采用莱文贝格-马夸特算法:通过训练得到实际输出,得到期望值与实际值的误差,根据误差调节各隐含层之间连接权值,重复以上步骤,直到对整体样本数据来说,误差收敛到控制范围内为止。经过训练使得网络模型达到成熟,将成熟后的BP神经网络各层的权值阈值进行保存。
步骤5:完成样品缺陷预测
将待测的TSV处理得到的五个特征参数输入到步骤4得到的成熟的神经网络中,得到五个输出神经元,输出范围为0~1,分别对应属于该类输出类型的概率,通过五个输出值可预测TSV内部缺陷情况,并对样品进行基础分类,即完成TSV内部缺陷情况预测。
实施例2:
提供一种利用SVM分类器模型的基于平面表征的TSV内部空洞缺陷检测方法,具体流程图如图5所示,具体包含以下步骤:
步骤1:具体内容与实施例1相同;
步骤2:具体内容与实施例1相同;
步骤3:具体内容与实施例1相同;
步骤4:建立SVM模型。
本实施例,需要将最终预测结果分为五类,为简化计算量,我们使用one-versus-rest(一对多法)建立SVM模型。
我们以所述步骤3中获取的五个特征参数建立含有5个元素的列向量Xi,其中i代表的是不同的TSV样品。我们将结果类型无内部缺陷,10%~15%内部缺陷,10%~15%内部缺陷并存在局部缺陷,15%~30%内部缺陷和15%~30%内部缺陷并存在局部缺陷分为5类,分别简述为A,B,C,D,E,则按照one-versus-rest方法可建立以下五个训练集:
(1)A所对应的向量作为正集,B,C,D,E所对应的向量作为负集;
(2)B所对应的向量作为正集,A,C,D,E所对应的向量作为负集;
(3)C所对应的向量作为正集,A,B,D,E所对应的向量作为负集;
(4)D所对应的向量作为正集,A,B,C,E所对应的向量作为负集;
(5)E所对应的向量作为正集,A,B,C,D所对应的向量作为负集;
需要说明的是,训练样本的缺陷类别可以通过传统检测方式确定,例如:切片观察法或电流测试法。
使用这五个训练集分别进行分类,然后得到五个分类结果文件。
步骤5:完成样品缺陷预测
将待测的TSV处理得到的五个特征参数分别输入到步骤4得到的五个分类模型中进行测试,每个测试模型分别获得一个结果,记作f1(x),f2(x),f3(x),f4(x),f5(x)。以结果较大值作为检测结果。
本发明涉及TSV内部空洞缺陷检测领域,具体涉及一种基于平面表征的TSV内部空洞缺陷检测方法。该方法基本原理为:TSV内部空洞缺陷会造成整体垂直方向的材质疏松,这种内部疏松会对TSV材料属性的测试产生影响,具体体现为垂直方向上含空洞缺陷的区域测得的弹性模量较小,垂直方向上不含缺陷的区域测得的弹性模量较大。基于此原理,利用纳米压痕沿TSV直径方向测量弹性模量,将所测数据处理拟合后提取特征参数,利用神经网络或分类器建立成熟模型后,可对TSV内部缺陷情况进行快速判断。本发明利用TSV平面表征可以快速、简便地对TSV内部缺陷水平进行有效的评估,识别率高,后续工艺简单,将神经网络模型、智能分类利用与检测中,提高了检测效率。
图6是本发明实施例提供的基于平面表征的TSV内部空洞缺陷检测系统架构图;如图6所示,包括:
弹性模量数据确定单元610,用于确定从贯穿硅的通孔TSV表面测量得到的弹性模量数据;其中,所述弹性模量数据包括:TSV表面预设区域各个测量点在贯穿方向的弹性模量值;TSV内部空洞缺陷会造成整体贯穿方向的材质疏松,使得贯穿方向含空洞缺陷对应的弹性模量相对贯穿方向不含空洞缺陷时的弹性模量小,且弹性模量数值与对应区域含空洞缺陷的比例反相关;
数据拟合单元620,用于对所述弹性模量数据进行拟合,得到测量点位置与对应弹性模量之间的映射关系;
特征参数提取单元630,用于基于所述映射关系提取TSV表面弹性模量数据的特征参数;所述特征参数包括:测量点相对距离最大值、弹性模量最大差值、映射关系对应拟合点在预设方向斜率的最大值、散点相对拟合点的突变点个数以及散点相对拟合点差值的最大值;其中,所述散点表示拟合前的弹性模量数据点;
缺陷分类单元640,用于将所述特征参数输入到预先训练好的缺陷分类模型,确定TSV内部空洞缺陷分布情况,以基于TSV表面测量得到的信息快速表征其内部空洞缺陷分布。
应当理解的是,上述系统用于执行上述实施例中的方法,系统中相应的程序单元,其实现原理和技术效果与上述方法中的描述类似,该系统的工作过程可参考上述方法中的对应过程,此处不再赘述。
基于上述实施例中的方法,本发明实施例提供了一种电子设备。该设备可以包括:至少一个用于存储程序的存储器和至少一个用于执行存储器存储的程序的处理器。其中,当存储器存储的程序被执行时,处理器用于执行上述实施例中所描述的方法。
基于上述实施例中的方法,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,当计算机程序在处理器上运行时,使得处理器执行上述实施例中的方法。
基于上述实施例中的方法,本发明实施例提供了一种计算机程序产品,当计算机程序产品在处理器上运行时,使得处理器执行上述实施例中的方法。
可以理解的是,本发明的实施例中的处理器可以是中央处理单元(centralprocessing unit,CPU),还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件,硬件部件或者其任意组合。通用处理器可以是微处理器,也可以是任何常规的处理器。
本发明的实施例中的方法步骤可以通过硬件的方式来实现,也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于随机存取存储器(random access memory,RAM)、闪存、只读存储器(read-only memory,ROM)、可编程只读存储器(programmable rom,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
可以理解的是,在本发明的实施例中涉及的各种数字编号仅为描述方便进行的区分,并不用来限制本发明的实施例的范围。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于平面表征的TSV内部空洞缺陷检测方法,其特征在于,包括以下步骤:
确定从贯穿硅的通孔TSV表面测量得到的弹性模量数据;其中,所述弹性模量数据包括:TSV表面预设区域各个测量点在贯穿方向的弹性模量值;
对所述弹性模量数据进行拟合,得到测量点位置与对应弹性模量之间的映射关系;
基于所述映射关系提取TSV表面弹性模量数据的特征参数;所述特征参数包括:测量点相对距离最大值、弹性模量最大差值、映射关系对应拟合点在预设方向斜率的最大值、散点相对拟合点的突变点个数以及散点相对拟合点差值的最大值;其中,所述散点表示拟合前的弹性模量数据点;
将所述特征参数输入到预先训练好的缺陷分类模型,确定TSV内部空洞缺陷分布情况,以基于TSV表面测量得到的信息快速表征其内部空洞缺陷分布。
2.根据权利要求1所述的方法,其特征在于,当所述各个测量点分布在TSV某条直径上时,所述映射关系为曲线关系。
3.根据权利要求1所述的方法,其特征在于,当所述各个测量点分布在TSV表面各处时,所述映射关系为曲面关系。
4.根据权利要求1所述的方法,其特征在于,将所述特征参数输入到缺陷分类模型,以便所述缺陷分类模型基于特征参数预测TSV内部空洞缺陷分别属于N种缺陷类型的概率,并取概率最大值对应的缺陷类型作为最终的缺陷检测结果;N为正整数。
5.根据权利要求1所述的方法,其特征在于,所述缺陷分类模型包括N个子分类模型;
将所述特征参数输入到缺陷分类模型,以便各个子分类模型基于特征参数预测TSV内部空洞缺陷属于对应缺陷类型的概率;其中,一个子分类模型基于特征参数预测TSV内部空洞缺陷属于一种缺陷类型的概率;
取N个概率值中最大概率对应的缺陷类型作为最终的缺陷检测结果。
6.根据权利要求4或5所述的方法,其特征在于,N种缺陷类型包括以下缺陷类型中的至少一种:无内部缺陷,第一比例区间的内部缺陷,第一比例区间的内部缺陷并存在局部缺陷,第二比例区间的内部缺陷以及第二比例区间的内部缺陷并存在局部缺陷;其中,第二比例区间的最小比例大于第一比例区间的最大比例;其中,局部缺陷指缺陷体积大于预设值的空洞缺陷。
7.根据权利要求6所述的方法,其特征在于,所述缺陷分类模型的训练过程如下:
确定训练数据;所述训练数据包括TSV在不同缺陷类型下的特征参数;
基于所述训练数据对缺陷分类模型进行训练。
8.一种基于平面表征的TSV内部空洞缺陷检测系统,其特征在于,包括:
弹性模量数据确定单元,用于确定从贯穿硅的通孔TSV表面测量得到的弹性模量数据;其中,所述弹性模量数据包括:TSV表面预设区域各个测量点在贯穿方向的弹性模量值;
数据拟合单元,用于对所述弹性模量数据进行拟合,得到测量点位置与对应弹性模量之间的映射关系;
特征参数提取单元,用于基于所述映射关系提取TSV表面弹性模量数据的特征参数;所述特征参数包括:测量点相对距离最大值、弹性模量最大差值、映射关系对应拟合点在预设方向斜率的最大值、散点相对拟合点的突变点个数以及散点相对拟合点差值的最大值;其中,所述散点表示拟合前的弹性模量数据点;
缺陷分类单元,用于将所述特征参数输入到预先训练好的缺陷分类模型,确定TSV内部空洞缺陷分布情况,以基于TSV表面测量得到的信息快速表征其内部空洞缺陷分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310824498.2A CN116540076B (zh) | 2023-07-06 | 2023-07-06 | 一种基于平面表征的tsv内部空洞缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310824498.2A CN116540076B (zh) | 2023-07-06 | 2023-07-06 | 一种基于平面表征的tsv内部空洞缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116540076A CN116540076A (zh) | 2023-08-04 |
CN116540076B true CN116540076B (zh) | 2023-09-12 |
Family
ID=87454587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310824498.2A Active CN116540076B (zh) | 2023-07-06 | 2023-07-06 | 一种基于平面表征的tsv内部空洞缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116540076B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117438330B (zh) * | 2023-12-19 | 2024-04-02 | 武创芯研科技(武汉)有限公司 | 一种基于平面压痕的晶圆级封装rdl再布线层缺陷检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103196724A (zh) * | 2013-03-22 | 2013-07-10 | 江苏物联网研究发展中心 | 用于tsv铜互连材料力学性能测试的原位拉伸样品制备方法 |
JP2016046312A (ja) * | 2014-08-20 | 2016-04-04 | ニッタ株式会社 | Tsvウエハの製造方法 |
CN105538310A (zh) * | 2016-01-11 | 2016-05-04 | 电子科技大学 | 一种基于衰减记忆滤波的电液伺服控制方法及2-dof机械臂 |
CN109614721A (zh) * | 2018-12-14 | 2019-04-12 | 中国航空综合技术研究所 | 疲劳载荷作用下的机械零部件缺陷验收分级方法 |
CN114861117A (zh) * | 2022-04-28 | 2022-08-05 | 南通华烨塑料工业有限公司 | 一种防水薄膜胶带耐热强度缺陷检测方法及系统 |
CN115144712A (zh) * | 2022-08-11 | 2022-10-04 | 南京航空航天大学 | 一种局部放电光学超声检测系统 |
CN115409824A (zh) * | 2022-09-06 | 2022-11-29 | 长沙理工大学 | 一种基于深度卷积神经网络的硅晶圆表面缺陷检测方法 |
CN116165279A (zh) * | 2023-04-26 | 2023-05-26 | 广东电网有限责任公司揭阳供电局 | 复合绝缘子缺陷检测方法、装置、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101142475A (zh) * | 2005-03-14 | 2008-03-12 | Qc塞路斯公司 | 半导体晶片测量装置和方法 |
CN109037193B (zh) * | 2018-09-05 | 2023-09-29 | 长鑫存储技术有限公司 | 硅通孔检测电路及方法、集成电路芯片 |
-
2023
- 2023-07-06 CN CN202310824498.2A patent/CN116540076B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103196724A (zh) * | 2013-03-22 | 2013-07-10 | 江苏物联网研究发展中心 | 用于tsv铜互连材料力学性能测试的原位拉伸样品制备方法 |
JP2016046312A (ja) * | 2014-08-20 | 2016-04-04 | ニッタ株式会社 | Tsvウエハの製造方法 |
CN105538310A (zh) * | 2016-01-11 | 2016-05-04 | 电子科技大学 | 一种基于衰减记忆滤波的电液伺服控制方法及2-dof机械臂 |
CN109614721A (zh) * | 2018-12-14 | 2019-04-12 | 中国航空综合技术研究所 | 疲劳载荷作用下的机械零部件缺陷验收分级方法 |
CN114861117A (zh) * | 2022-04-28 | 2022-08-05 | 南通华烨塑料工业有限公司 | 一种防水薄膜胶带耐热强度缺陷检测方法及系统 |
CN115144712A (zh) * | 2022-08-11 | 2022-10-04 | 南京航空航天大学 | 一种局部放电光学超声检测系统 |
CN115409824A (zh) * | 2022-09-06 | 2022-11-29 | 长沙理工大学 | 一种基于深度卷积神经网络的硅晶圆表面缺陷检测方法 |
CN116165279A (zh) * | 2023-04-26 | 2023-05-26 | 广东电网有限责任公司揭阳供电局 | 复合绝缘子缺陷检测方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
跨项目软件缺陷预测方法研究综述;陈翔;王莉萍;顾庆;王赞;倪超;刘望舒;王秋萍;;计算机学报(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116540076A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116540076B (zh) | 一种基于平面表征的tsv内部空洞缺陷检测方法及系统 | |
TWI451336B (zh) | 預測模型之建模樣本的篩選方法及其電腦程式產品 | |
US8190383B2 (en) | Methods of inverse determination of material properties of an electrochemical system | |
CN111598170B (zh) | 考虑模型选择不确定性的裂纹检出概率评估方法 | |
CN105488352B (zh) | 基于长期挠度监测数据的混凝土桥梁刚度可靠度评估方法 | |
Mohanty et al. | Modelling soil water contents at field capacity and permanent wilting point using artificial neural network for Indian soils | |
CN114282709A (zh) | 基于数字孪生的结构件疲劳裂纹扩展预测方法 | |
Shin et al. | Digital vision based concrete compressive strength evaluating model using deep convolutional neural network | |
CN113125440A (zh) | 物件的瑕疵判断方法及装置 | |
CN110188399B (zh) | 一种基于多相关序列的大坝安全监测单测点评价方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN117594164A (zh) | 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统 | |
CN112731161A (zh) | 基于少量数据混插的非线性数据特征提取和分类预测方法 | |
CN116760017A (zh) | 一种光伏发电的预测方法 | |
CN115438312A (zh) | 一种新能源出力的概率分布模型建立、应用方法及介质 | |
KR101802096B1 (ko) | 반도체 공정에서 불량을 분류 및 진단하는 장치 및 방법 | |
CN114818886A (zh) | 一种基于PCA和CatBoost回归融合预测土壤渗透率的方法 | |
CN111272795B (zh) | 支撑剂嵌入程度的确定方法、装置、设备及存储介质 | |
US10546243B1 (en) | Predicting particle size distribution and particle morphology | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
CN110807511A (zh) | 粗糙集理论-循环神经网络模型结构 | |
CN117194963B (zh) | 工业fdc质量根因分析方法、设备及存储介质 | |
CN117438330B (zh) | 一种基于平面压痕的晶圆级封装rdl再布线层缺陷检测方法 | |
CN117746166B (zh) | 一种硅通孔芯片的缺陷检测方法 | |
CN117269456B (zh) | 一种公路土况检测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |