KR20220033509A - 엑스선 검사 기반 프로세스 제어 방법 및 시스템 - Google Patents

엑스선 검사 기반 프로세스 제어 방법 및 시스템 Download PDF

Info

Publication number
KR20220033509A
KR20220033509A KR1020227004644A KR20227004644A KR20220033509A KR 20220033509 A KR20220033509 A KR 20220033509A KR 1020227004644 A KR1020227004644 A KR 1020227004644A KR 20227004644 A KR20227004644 A KR 20227004644A KR 20220033509 A KR20220033509 A KR 20220033509A
Authority
KR
South Korea
Prior art keywords
samples
ray
tool
interest
sample
Prior art date
Application number
KR1020227004644A
Other languages
English (en)
Inventor
데이비드 루이스 애들러
스캇 조셉 줄러
Original Assignee
브루커 나노, 아이엔씨.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 브루커 나노, 아이엔씨. filed Critical 브루커 나노, 아이엔씨.
Publication of KR20220033509A publication Critical patent/KR20220033509A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/043—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using fluoroscopic examination, with visual observation or video transmission of fluoroscopic images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/20—Measuring radiation intensity with scintillation detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G06K9/6256—
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G06T5/007—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K1/00—Printed circuits
    • H05K1/02—Details
    • H05K1/11—Printed elements for providing electric connections to or between printed circuits
    • H05K1/115—Via connections; Lands around holes or via connections
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K3/00—Apparatus or processes for manufacturing printed circuits
    • H05K3/40—Forming printed elements for providing electric connections to or between printed circuits
    • H05K3/4038—Through-connections; Vertical interconnect access [VIA] connections
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/03—Investigating materials by wave or particle radiation by transmission
    • G01N2223/04—Investigating materials by wave or particle radiation by transmission and measuring absorption
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/426—Imaging image comparing, unknown with known substance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/50—Detectors
    • G01N2223/505—Detectors scintillation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G01N2223/6466—Specific applications or type of materials flaws, defects flaws comparing to predetermined standards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2115/00—Details relating to the type of the circuit
    • G06F2115/12—Printed circuit boards [PCB] or multi-chip modules [MCM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20208—High dynamic range [HDR] image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Geometry (AREA)
  • Toxicology (AREA)
  • Power Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)

Abstract

일 실시예에서, 엑스선 검사 시스템은 제1 도구에 의해 처리된 관심 샘플들에 대한 하나 이상의 엑스선 이미지들을 캡처할 수 있다. 엑스선 검사 시스템은 제1 도구와 인라인(inline)일 수 있으며, 분당 300mm2 이상의 검사 속도를 가질 수 있다. 시스템은 엑스선 이미지들에 기초하여, 관심 샘플들과 관련된 계측 정보를 실시간으로 결정할 수 있다. 계측 정보는 관심 샘플들과 연관된 샘플 파라미터가 미리 결정된 임계 값 범위 밖에 있음을 지시할 수 있다. 시스템은 계측 정보에 기초하여, 각각의 도구들과 연관된 프로세스 파라미터들을 조정하기 위해 명령들 또는 데이터를 하나 이상의 제1 도구 또는 하나 이상의 제2 도구들에 제공할 수 있다. 조정된 프로세스 파라미터들은 미리 결정된 범위 밖에 있는 샘플 파라미터와 관련된 후속 샘플들을 처리하기 위한 각각의 도구의 처리 오류 확률을 감소시킬 수 있다.

Description

엑스선 검사 기반 프로세스 제어 방법 및 시스템
본 발명은 엑스선 검사 결과들에 기초한 프로세스 제어에 관한 것이다.
집적 회로는 3D 또는 2.5D 구조를 포함하도록 제조될 수 있다. 실리콘 웨이퍼(wafers)를 검사하기 위한 광학 광자 또는 전자는 충분하게 패키징된 ICs 내부 뷰를 충분하게 제공하기 위한 다이 본딩(bonding)을 위하여 ICs, 인터포저(interposers) 또는 Cu-Cu 다이(die)를 통과하지 못하기 때문에 광학 광자(optical photons) 또는 전자(electrons)를 사용하여 검사 기술들은 3D 및 2.5D ICs 패키지에 사용될 수 없다. 광학 검사 방법은 또한 프로세스 제어를 위한 중요한 요구사항인 부분적으로 패키징된 컴포넌트들에 대한 검사 또는 계측을 수행할 수 없다. 엑스선은 패키징의 여러 레이어들을 통과할 수 있기 때문에, 엑스선 검사는 조립된 장치의 내부 뷰를 제공할 수 있다.
그러나 기존의 엑스선 시스템은 고해상도, 고처리량 IC 및 전자 패키징 검사에 대한 요구를 충족시키기에 충분한 해상도와 이미징 속도가 부족하다. 예를 들어, 엑스선을 사용하는 기존의 컴퓨터 단층촬영(computed tomography; CT)은 검사된 객체의 엑스선 이미지를 여러 장 촬영하고 객체의 3D 모델을 구성하기 위하여 많은 수의 슬라이스를 사용하므로 매우 느리고 집적 회로 검사에 적합하지 않다.
여기에 설명된 특정 실시예는 제조 프로세스의 다른 도구들에 의해 처리되거나 처리될 샘플들의 엑스선 검사 결과에 기초하여 상기 도구들에 피드백 및/도는 피드포워드 정보를 제공하기 위한 시스템 및 방법에 관한 것이다. 엑스선 검사 시스템은 제조 프로세스의 하나 이상의 단계들 동안 제1 도구에 의해 처리된 하나 이상의 샘플들의 엑스선 이미지들을 캡처할 수 있다. 시스템은 검사된 샘플들과 관련된 계측 정보를 생성하기 위해 엑스선 이미지들을 분석하기 위해 컴퓨터 비전 알고리즘 또는 기계 학습 모델을 사용할 수 있다. 시스템은 계측 정보에 기초하여 검사된 샘플들의 결함들 및/또는 미리 결정된 임계 값 범위들(예를 들어, 사양 요구 사항들에 의해 정의됨)로부터의 파라미터 편차들을 식별할 수 있다. 그 다음, 시스템은 피드백 정보(예를 들어, 계측 정보, 결함 정보, 샘플 파라미터 정보에 기초하여 생성된 명령들 또는 데이터)를 제1 도구에 제공하고 제1 도구가 후속 샘플들을 처리하기 위해 하나 이상의 프로세스 파라미터들을 조정하게 할 수 있다. 조정된 프로세스 파라미터들이 있는 제1 도구는 미리 결정된 임계 값 범위들에서 결함들 또는 파라미터 편차들이 있는 샘플들을 처리하거나 생성할 확률이 더 낮을 수 있다. 시스템은 제조 프로세스의 하나 이상의 후속 단계에서 사용될 제2 도구에 피드포워드 정보(예를 들어, 계측 정보, 결함 정보, 샘플 파라미터 정보에 기초하여 생성된 명령들 또는 데이터)를 제공하고 제2 도구가 하나 이상의 프로세스 매개변수를 조정하게 할 수 있습니다. 시스템은 제조 프로세스의 하나 이상의 후속 단계들에서 사용될 제2 도구에 피드포워드 정보를 제공하고 제2 도구가 하나 이상의 프로세스 파라미터들을 조정하게 할 수 있다. 조정된 프로세스 파라미터들이 있는 제2 도구는 미리 결정된 임계 값 범위들에서 결함들 또는 파라미터 편차들이 있는 샘플들을 처리하거나 생성할 확률이 낮을 수 있다. 엑스선 검사 시스템은 제조 프로세스의 하나 이상의 단계들에서 샘플들을 처리하는 데 사용되는 1 및 제2 도구와 인라인(inline) 및/또는 인시츄(in situ)에 있을 수 있다. 엑스선 검사 시스템은 샘플들을 검사하고 피드백/피드포워드 정보를 실시간으로 이러한 도구들에 제공하여 대응하는 프로세스 파라미터들을 조정할 수 있다.
여기에 개시된 실시예는 예시일 뿐이고, 본 개시의 범위는 이에 제한되지 않는다. 특정 실시예는 위에 개시된 실시예의 컴포넌트, 요소, 특징, 기능, 동작 또는 단계의 전부 또는 일부를 포함하거나, 전혀 포함하지 않을 수도 있다. 본 발명에 따른 실시예는 특히 방법, 저장 매체, 시스템 및 컴퓨터 프로그램 제품에 관한 첨부된 청구범위에 개시되어 있으며, 하나의 청구항 카테고리에서 언급된 임의의 특징(예, 방법)은 다른 청구항 카테고리(예, 시스템)에서도 청구될 수 있다. 첨부된 청구항의 종속성 또는 참조는 형식적인 이유로만 선택된다. 그러나 이전 청구항(특히 다중 종속성)에 대한 신중한(deliberate) 참조로 인하여 발생하는 어떤 주제도 청구될 수 있으므로, 청구항들 및 특징들의 임의의 조합이 개시되고, 첨부된 청구항들에서 선택된 종속성에 관계없이 청구될 수 있도록 한다. 청구될 수 있는 주제(subject matter)는 첨부된 청구항에 기재(set out)된 특징들의 조합 뿐만 아니라 청구항의 특징의 어떤 다른 조합을 포함하며, 여기서 청구항에서 언급된 각각의 특징은 청구항에서 임의의 다른 특징 또는 다른 특징의 조합과 결합될 수 있다. 더욱이 여기에 묘사(described)되거나 서술(depicted)된 임의의 실시예 및 특징은 별도의 청구항에서 청구되거나 및/또는 여기에 묘사되거나 서술된 임의의 실시예 또는 특징을 갖는 임의의 조합 또는 첨부된 청구항의 임의의 특징을 갖는 임의의 조합일 수 있다.
도 1a는 자동 고속 엑스선 검사 시스템의 예시를 설명한다.
도 1b는 다른 방향들에서의 엑스선 이미지들을 생성하기 위하여 검사된 객체에 관하여 이동가능한 엑스선 소스를 갖는 엑스선 검사 시스템의 예시를 설명한다.
도 2a는 제1 특징 세트에 기초하여 검사된 샘플들을 인라이어 샘플들 및 아웃라이어 샘플들로 분류하는 프로세스의 예시를 설명한다.
도 2b는 제2 특징 세트에 기초하여 검사된 샘플들을 다른 서브 카테고리들로 분류하는 도식(scheme)의 예시를 설명한다.
도 3은 엑스선 검사로부터의 피드백 및 피드포워드 정보에 기초하여 제조 프로세스 파라미터들을 조정하기 위한 프레임워크의 예시를 설명한다.
도 4는 검사된 샘플을 다른 제조 프로세스 파라미터들에 대응하는 다른 샘플 카테고리들로 분류하기 위한 프로세스의 예시를 설명한다.
도 5는 도구에 의해 처리된 샘플들의 엑스선 검사 결과들에 기초하여 도구에 피드백 정보를 제공하기 위한 방법의 예시를 설명한다.
참고: 도면에 표시된 요소는 본 발명의 기능을 설명하기 위한 것이며, 일정 비율로 그려지지 않았다.
자동화된 고속 엑스선 검사 시스템
엑스선 시스템 프레임워크(Framework)
여기에 개시된 시스템 및 방법은 조사될 혹은 엑스선으로 검사될 객체를 조명하고, 엑스선을 가시(visible)(또는 근접-가시(near-visible)) 광자(photons)로 변환하고, 가시(또는 근접-가시) 광자의 이미지를 형성하며, 그리고 이미지를 전자적 형태로 변환하는 시스템 또는 시스템의 사용과 관련될 수 있다. 이와 같이, 엑스선 이미지 형성 시스템의 다양한 실시예가 먼저 제시되고, 엑스선 이미징 시스템을 활용하는 방법 및 시스템의 다양한 실시예가 뒤따른다.
비록 여기에 개시된 장치(apparatus)를 사용하여 많은 종류들의 객체들은 조사되거나 검사될 수 있으나, 집적 회로 웨이퍼 및 패키징 어셈블리(packaging assemblies)의 조사(examination) 및 검사(inspection)에 특히 적절할 것으로 예상된다. 이들 중 하나의 예는 다중 TSV를 갖는 실리콘을 포함하는 실리콘 인터포저(silicon interposer)이나, 본 발명은 집적 회로(IC) 자체, 실리콘 인터포저, 실리콘 이산화물(dioxide) 인터포저, IC가 이미 설치되어 있거나 설치되어 있지 않은 인쇄된 회로 기판(printed circuit board, PCB), 3D IC 패키지 또는 어셈블리, 2.5D IC 패키지 또는 어셈블리, 다중칩 모듈(multi-chip module, MCM), 시스템 인 패키지(system-in-package, SIP) 및 다른 전자 마이크로 장치들 또는 미세 구조를 포함하는 그들의 일부의 검사에서도 사용될 수 있다. 이들은 계측, 프로세스 제어, 검사 또는 수율 관리를 위하여 입고 재료, 완성된 제품 또는 제조의 임의의 단계에서 부분적으로 제조된 객체가 조사될 수 있다.
자기 기록 매체, 광자 구조 및 광자 결정, 메타 물질 등과 같은 마이크로 또는 나노 구조를 갖는 비전자적 장치도 본 발명을 사용하여 조사 및 검사를 할 수 있다지문 센서와 같은 정전 용량 센서도 조사할 수 있다. 이 장치(apparatus)의 특히 매력적인 특징은 기존의 계측 및 검사 도구에서 사용되는 것처럼 전자 또는 광학 광자를 사용하여 달리 볼 수 없는 객체 내의 특징을 비파괴, 고해상도 관찰 및 측정할 수 있다는 것이다.
일반적으로, 본 발명에 사용하기에 적절한 객체는 적어도 하나의 평평한 면을 포함할 것이다. 예는: 반도체 웨이퍼의 전자 회로, 웨이퍼의 부분 또는 웨이퍼의 선택된 영역; 집적 회로 칩, 다이스(dice), 어셈블리, 패키지 또는 이들의 부분; 미세 유체 장치; 가속도계(accelerometers), 자이로(gyros), 자기(magnetic) 및 정전 용량(capacitive) 센서 등을 포함하는 미세 전자 기계 시스템(micro-electro-mechanical systems, MEMS); 광자 소자, 특히 평면 도파로(planar waveguides)를 사용하여 제작된 소자; 얼룩진 샘플(stained samples)을 포함한 생물학적 조직; 위에 언급된 모든 장치를 인쇄하거나 제작하기 위한 포토마스크(photomasks) 또는 템플릿(templates); 및 태양 전지, 그 부품 또는 태양 전지에 속하는 부품을 포함할 수 있다. 평평한 면이 없는 다른 객체도 관찰 및 검사될 수 있지만, 불규칙한 치수(dimensions)의 객체의 경우 이미지 품질이 균일하지 않을 수 있다.
특정 실시예에서, 본 개시에서 묘사되는 엑스선 검사 시스템은 고속 엑스선 검사 시스템일 수 있다. 특정 실시예에서, 고속 엑스선 검사 시스템은 전통적인 엑스선 시스템보다 더 높은 측정/검사 속도를 가질 수 있다(예, 기존의 엑스선 시스템보다 100배 더 빠른) 제한이 아닌 예로서, 고속 엑스선 검사 시스템은 대략 33밀리초(milliseconds)의 이미지 수집 시간을 갖는 전자 컴포넌트 또는 장치를 검사할 수 있다. 특정 실시예에서, 본 개시에 묘사된 엑스선 검사 시스템은 자동화된 엑스선 검사 시스템일 수 있다. 특정 실시예에서, 자동화된 엑스선 검사 시스템은 하나 이상의 컴퓨터 또는 제어기 및 하나 이상의 컴퓨터 매체에 저장된 명령어를 포함할 수 있다. 자동화된 엑스선 검사 시스템의 자동화된 측정 프로세스는 대응하는 명령어를 실행함으로써, 컴퓨터 또는 제어기에 의하여 제어될 수 있다. 자동화된 엑스선 검사 시스템의 자동화된 측정 프로세스는 인간 작업자의 개입이 필요하지 않을 수 있으며, 특정 절차에 따라 자동으로 수행될 수 있다.
특정 실시예에서, 본 개시에서 묘사된 엑스선 검사 시스템은 하나 이상의 인공 지능(Artificial Intelligence, AI) 모듈 및/또는 기계-학습 모델을 사용할 수 있다. 특정 실시예에서, 인공 지능 모듈은 하나 이상의 컴퓨팅 시스템에 의해 수행되는 임의의 적절한 방법, 프로세서 및/또는 알고리즘이거나 이를 포함할 수 있다. 특정 실시예서, 기계-학습 모델은 예를 들어, 규칙 기반 알고리즘, 랜덤 포레스트 모델, 뉴럴 네트워크 또는 임의의 적절한 기계-학습 알고리즘 모델이거나 이를 포함할 수 있지만 이에 제한되지 않는다. 특정 실시예에서, 본 개시에서 묘사된 엑스선 검사 시스템은 다른 시스템(예, 드릴링(drilling) 머신, 본딩(bonding) 도구, 조립 도구, 또는 임의의 적절한 도구)에 의해 수행되는 하나 이상의 프로세스에 대한 실시간 측정을 수행할 수 있다. 특정 실시예에 있어서, "실시간 측정"은 관련된 프로세스를 늦추지 않으면서 관련된 프로세스(예, 드릴링(drilling) 프로세스, 본딩(bonding) 프로세스, 조립 프로세스, 또는 임의의 적절한 프로세스)와 병렬로 엑스선 검사 시스템에 의하여 수행되는 측정을 지칭할 수 있다엑스선 검사 시스템은 측정을 수행할 수 있고, 관련된 프로세서의 속도보다 높거나 동일한 속도로 관련된 프로세스를 수행하는 시스템에 피드백을 제공할 수 있다.
특정 실시예에서, 본 개시에서 묘사된 엑스선 검사 시스템은 하나 이상의 다른 시스템 또는 도구(예, 드릴링 기계, 본딩 도구, 조립 도구, 임의의 적절한 도구)를 사용하여 인시츄(in situ) 및/또는 인라인(inline) 측정을 수행할 수 있다. 특정 실시예에서, "인시츄(in situ)"라는 용어는 다른 시스템과 통합된 엑스선 검사 시스템에 의해 수행되는 측정을 지칭할 수 있다. 예를 들어, 엑스선 검사 시스템은 드링릴 기계에 통합되어 드릴링 기계의 드릴링 프로세스를 모니터링하기 위한 시츄(situ) 측정을 수행할 수 있다. 인 시츄 측정은 엑스선 검사 시스템과 드릴링 머신을 조율하는 하나 이상의 컴퓨팅 시스템에 의하여 자동으로 제어될 수 있다. 특정 실시예에서, "인라인 측정"이라는 용어는 다른 시스템(예, 드릴링 머신, 본딩 도구, 조립 도구, 또는 임의의 적절한 도구)에 의해 수행되는 동일한 프로세스(예, 드릴링 프로세스, 조립 프로세스, 본딩 프로세스 또는 임의의 적절한 프로세스) 내에서 엑스선 검사 시스템에 의해 수행되는 측정을 지칭할 수 있다. 예를 들어, 조립 도구에 의해 수행되는 조립 프로세스 동안, 엑스선 검사 시스템은 하나 이상의 조립 프로세스 단계 동안 조립된 컴포넌트 또는 장치를 검사할 수 있다. 컴포넌트 또는 장치는 조립 도구로부터 엑스선 검사 시스템으로 자동으로 전송(예, 로봇 암)되거나 조립 도구로부터 엑스선 검사 시스템으로 수동으로 전송(예, 인간 작업자)될 수 있다. 엑스선 검사 시스템은 조립 도구 또는 인간 작업자에게 피드백 정보를 자동으로 제공할 수 있다.
엑스선 이미징 시스템
도 1a는 자동 고속 엑스선 검사 시스템(1000A)의 예를 설명한다. 엑스선 방출기(emitter)(101)는 엑스선(111)을 방출한다. 이러한 엑스선은 시준된(collimated) 엑스선 빔(beam)(211)으로 성형(shaped)되고, 일부 실시예에서는 방출기(101) 및 구멍(aperture)(142)이 있는 플레이트(140)로부터의 거리를 사용한다. 시준된 엑스선 빔(211)은 조사할 객체(200)를 조명한다. 객체(200)를 통해 투과된 엑스선은 신틸레이터(310) 및 일부 실시예에서 신틸레이터를 위한 지지대(350)를 포함하는 신틸레이터 어셈블리(300)를 조명한다. 신틸레이터(310)는 엑스선의 일부를 흡수하고, 가시 광자(visible photons)(411)의 방출로 흡수된 에너지의 일부를 배출한다.
광학 시스템(400)을 사용하여, 신틸레이터에서 방출된 가시 광자(411)의 확대 이미지(511)가 이미지 검출기(detector)(500)에서 형성된다. 이미지 검출기(500)는 확대(magnified) 이미지(511)의 세기를 전자 신호로 변환한다. 이미지 검출기(500)는 전하 결합 장치(charge-coupled device, CCD)와 같은 전자 센서 또는 당업자에게 알려진 다른 이미지 센서를 포함할 수 있다.. 전자 신호는 전자 시스템(600)에 전달되며 전달(transmitted)되고, 일부 실시예에서는 이미지 결과를 디스플레이 할 수 있고, 일부 실시예에서는 컴퓨터 시스템(700)과 함께(conjunction) 이미지 결과 저장 및/또는 이미지 결과에 대해 이미지 처리 알고리즘을 수행할 수 있다.
엑스선과 같은 이온화 방사선(ionizing radiation)을 방출하는 소스의 경우, 엑스선 소스(100) 주변에 차폐(998)를 제공하는 것이 종종 현명하며, 일부 상황에서는 작동에 법적(legally)으로 요구된다그러한 차폐(998)는 납 금속의 성형 시트의 단순한 인클로져(enclosure)일 수 있거나, 납이 도핑된 유리(lead-doped glass) 또는 플라스틱과 같이 다수의 엑스선 흡수 재료로 제작된 보다 복잡한 설계일 수 있고, 이것(that)은 당업자에게 알려진 것일 수 있다. 차폐는 방출기(101)로부터 직접적으로 또는 일부 다른 표면으로부터 반사된 랜덤(Random) 엑스선이 원하지 않는 효과, 특히 시스템 제어에 사용된 다양한 전자 컴포넌트들 내의 스퓨리어스(spurious) 신호를 유발하지 않도록 유지하는 것이 바람직하다.
마찬가지로, 일부 실시예에서 빔 경로 주변에 추가 차폐(999)가 필요할 수도 있으며, 일부 경우에는 작동에 법적으로 요구된다. 그러한 추가 차폐(999)는 납 금속의 성형 시트의 단순 인클로저일 수 있거나, 납이 도핑된 유리(lead-doped glass) 또는 플라스틱과 같이 다수의 엑스선 흡수 재료로 제작된 보다 복잡한 설계일 수 있고, 이것(that)은 당업자에게 알려진 것일 수 있다. 추가 차폐(999)는 방출기(101)로부터 직접적으로 또는 일부 다른 표면으로부터 반사된 랜덤 엑스선이 원하지 않는 효과, 특히 시스템을 제어에 사용된 다양한 전자 컴포넌트에서 스퓨리어스 신호를 유발하지 않도록 유지하는 것이 바람직하다.
CCD 센서를 포함하는 어떤 이미지 검출기(500)는 특별히 엑스선 노출에 민감할 수 있기 때문에, 일부 실시예에서 신틸레이터 어셈블리(300)의 일부는 신틸레이터에 의해 방출되는 가시 광자(411)를 투과시키면서 엑스선을 흡수하는 납이 도핑된 유리와 같은 재료를 사용하여 전체적으로 또는 부분적으로 제작될 수 있다. 본 출원의 뒷부분에서 더 상세히 개시될 엑스선 빔 경로 외부에 이미지 센서(510)를 배치하는 시스템 설계를 포함하는 다른 실시예가 또한 엑스선으로부터 추가적인 격리가 요구되는 경우에 사용될 수 있다.
도 1b는 다른 방향에서 엑스선 이미지를 생성하기 위하여 검사된 객체(inspected object)에 관하여 이동 가능한 엑스선 소스를 갖는 예시적인 엑스선 검사 시스템(1000B)을 설명한다. 제한이 아닌 예로서, 엑스선 시스템은 객체(200)에 대하여 엑스선 소스(100)의 위치를 이동함으로써, 객체에 대한 엑스선 빔의 입사각을 변경할 수 있는 마운트(106)를 포함할 수 있다. 마운트(106)는 엑스선 소스(100)가 x-z 평면, y-z 평면, 또는 임의의 다른 축 조합으로 스윙할 수 있도록 설계될 수 있다. 소스는 또한 z축을 따라 이동하여 엑스선 소스(100)를 객체(200)에 더 가깝게 이동할 수 있다. 이것은 빔을 더 밝게 만들고 신호 강도를 높이는 효과가 있을 수 있지만 시준이 덜 된 엑스선 빔을 사용하는 비용(cost)으로 해상도를 감소시킬 수 있다. 이 효과는 엑스선 소스의 스팟 사이즈(spot size)를 감소시킴으로써 감소되거나 제거될 수 있다.
마운트(106)를 사용하는 엑스선 소스(100)의 모션(motion)은 컴퓨터 시스템(700)에 의해 여러 방식으로 제어될 수 있다. 일부 실시예에서, 소스 마운트(106)는 이미지가 캡처될 수 있도록 엑스선 소스(100)를 고정된 위치로 이동할 수 있다 일부 실시예에서, 마운트(106)는 이미지가 수집됨에 따라 엑스선 소스(100)를 연속적으로 이동할 수 있고, 액체(200)를 통해 투과되는 엑스선 세기(intensity)의 동적 변화를 조명 각도의 함수로 기록하도록 할 수 있다. 일부 실시예에서, 엑스선 방출기(101)는 수직 입사각에서 적어도 10도(degrees)로 이동될 수 있다. 일부 실시예에서, 객체(200)에 대한 엑스선 빔(211)의 입시각의 추가(further) 조정은 객체 마운트(250)를 사용하여 객체(200)의 모션과 함께 소스 마운트(106)를 사용하는 엑스선 소스(100)의 모션을 조율함으로써 달성될 수 있다. 이 조율은 수동으로 또는 컴퓨터 시스템(700)을 사용하여 될 수 있다. 일부 실시예에서, 차폐(998)는 엑스선 소스(100) 및 소스 마운트(106)를 둘러싸도록(enclose) 설계될 것이다. 다른 실시예에서, 차폐(998)는 엑스선 소스만을 둘러싸도록 설계될 수 있고, 마운트(106)는 엑스선 소스(100)를 이동할 때 차폐(998)를 이동시키도록 설계된다. 본 발명의 일부 실시예에서, 다중 엑스선 소스는 입사각이 다른 이미지를 생성하는데 사용될 수 있다. 엑스선 소스는 공간에 고정되거나 이동할 수 있고 순차적으로 또는 동시에 동작할 수 있다. 그들은 수동으로 작동되거나 하나 이상의 컴퓨터 시스템(700)에 의해 제어될 수 있다.
특정 실시예에서, 본 개시에서 묘사되는 엑스선 이미징 시스템은 전자 장치의 엑스선 이미지를 생성하기 위한 자동 고속 및 고해상도 엑스선 이미징 시스템일 수 있다. 특정 실시예에서, 자동화된 고속 엑스선 검사 시스템은 엑스선 방사선에 대한 고감도, 큰 동적 범위를 갖는 매우 큰 숫자의 그레이스케일(gracescale) 레벨(예, 10,000+ 그레이스케일 레벨) 및 고해상도 이미지를 생성하기 위한 큰 숫자의 픽셀(예, 29 메가픽셀(megapixels)보다 큰)을 갖는 엑스선 검출기(detector)를 포함할 수 있다. 특정 실시예에서, 자동화된 고속 엑스선 검사 시스템은 2μm 미만의 공간 해상도(spatial resolution), 12mm × 12mm의 시야(field of view), 분당 300mm2 이상의 처리량(throughput) 또는 검사 속도를 가질 수 있다. 특정 실시예에서, 자동화된 고속 엑스선 검사 시스템은 분당 1000mm2 이상의 처리량 또는 검사 속도를 가질 수 있다. 특정 실시예에서, 자동화된 고속 엑스선 검사 시스템은 분당 3000mm2 이상의 처리량 또는 검사 속도를 가질 수 있다. 엑스선 시스템에 대한 자세한 내용은 2017년 3월 27일에 출원된 미국 특허 출원 번호 15/470726에서 찾을 수 있으며, 이는 참조로 여기에 포함(incorporated)된다.
엑선 검사에 기초한 피드백 및 피드포워드의 개요
해결 과제
전자 산업에서, 단면(cross-section) 엑스선 이미지는 전자 부품이나 장치의 검사 및 분석에 사용될 수 있다. 예를 들어, 컴퓨터 단층 촬영(CT) 엑스선 이미징 기술은 검사된 부품의 단면 이미지를 생성하기 위하여 사용될 수 있다. 그러나 이 기술은 많은 양의 이미지(예를 들어, 많은 각도 및 슬라이스의 이미지)를 생성해야 하므로, 상대적으로 느리다. 또한, CT 이미징의 경우, 단면 이미지 왜곡을 최소화하기 위해 검사된 샘플, 엑스선 소스 및 엑스선 검출기의 위치가 정밀하게 제어되어야 한다. 고해상도 엑스선 CT 이미징의 경우, 검사된 샘플과 엑스선 소스 사이의 거리는 최소화되어야 하고 샘플은 여러 각도의 이미지를 생성하기 위하여 회전되어야 할 수 있다. 이러한 모든 한계는 검사될 수 있는 샘플의 크기와 검사 프로세스의 검사 속도를 제한할 수 있다. 또한 일부 오류 분석 어플리케이션에서는 CT 이미징이 허용될 수 있지만, 긴 처리 시간과 샘플 크기의 제한으로 인해 전자 제조 업체에서 제조 프로세스 중 인라인 검사를 수행하는 데 사용하는 것은 적합하지 않다. 결과적으로 CT 이미징 기술의 한계는 전자 제조 프로세스의 인라인 검사 및 인시츄 모니터링에 대한 적용을 심각하게 제한한다.
또한, 엑스선 이미지를 사용하여 전자 장치를 검사하는 기존의 방법은 엑스선 이미지를 수동으로 검사하고 결함 부품을 식별하기 위해 인간 작업자에 의존할 수 있다. 엑스선 이미지의 일부 결함은 인간 작업자에 의해 인식될 수 있지만, 파악하기 어려운 특징이 있는 일부 결함은 인간 작업자가 인식하기 어렵거나 불가능할 수 있다. 또한 엑스선 이미지의 수동 검사는 매우 느리고 대량 검사 어플리케이션에는 적합하지 않을 수 있다. 전자 어셈블리(electronics assemblies)가 더욱 복잡해짐에 따라, 제조 프로세스에서 부적합(non-compliant) 제품을 선별하는 기능이 제품 품질 관리에 더욱 중요해졌다. 잠재적인 결함이 있는 제품이 공급망에 들어가는 것을 허용하는 것은 장기적인 제품 신뢰성과 안전성에 심각한 문제가 발생할 수 있다.
더욱이, 플립 칩 인터커넥트(flip chip interconnects)는 반도체 장치를 실리콘(silicon) 및 유기 인터포저(organic interposers) 및/또는 기판(substrates)에 연결하는 데 널리 사용된다. 반도체 장치의 더 높은 수준의 집적도(integration)를 달성하기 위해 전기적 접점(electrical contacts)들 사이의 거리가 지속적으로 감소되었다. 동시에, 장치의 더 많고 더 얇은 레이어들(layers)이 수직으로 적층될 수 있다. 레이어들 간의 열팽창 불일치는 제조 프로세스 중 레이어들 간의 뒤틀림(warpage) 및 오정렬(misalignment)을 초래할 수 있으며 레이어들 간의 결함이 있는 혹은 신뢰할 수 없는(non-reliable) 연결을 초래할 수 있다. 현재 전자제품의 기존 제조 기술은 품질 관리를 위한 제조 프로세스 조정을 위한 연속적인 피드백 루프를 갖고 있지 않다. 예를 들어, 기존 제조 프로세스에서는 생산 배치에 기초하여 전자 부품이 검사될 수 있다. 제조 프로세스에 문제가 있는 경우(예를 들어, 컴포넌트(component) 어셈블리가 정렬되지 않음), 배치 기반 검사를 통해 문제가 발견되기 전에 많은 결함 제품(예를 들어, 10만 개 이상)이 제조될 수 있다. 특정 배치에서 일부 결함 부품이 식별되는 경우, 다음 제품 배치까지 제조 프로세스가 조정되지 않을 수 있으며 결함 부품이 포함된 현재 제품 배치는 폐기되거나 결함 부품으로 재처리되어야 할 수 있다. 결과적으로 기존 제조 프로세스는 결함 부품이 생산되는 문제에 직면할 때 매우 낭비적이고 비용이 많이 들 수 있다. 또한, 기존의 전자 부품 검사를 위한 기술로는 적합(compliant) 부품의 건전성(healthiness)을 효과적으로 평가할 수 없다. 일부 시나리오에서 전기적 테스트 및/또는 광학적 검사를 통과한 적합 부품은 제조 프로세스의 파라미터 변화로 인해 감소된 신뢰성(reliability)과 다른 수준의 건전성을 가질 수 있다. 이러한 적합하지만 신뢰할 수 없는 부품을 포함하는 제품은 제품이 초기에는 잘 작동하더라도 수명이 짧고 고장률이 더 높을 수 있다. 그 결과, 현장 적용에서의(in field applications) 제품 신뢰성과 안전성에 부정적인 영향을 받을 수 있다.
솔루션 요약
특정 실시예에서, 본 개시에 설명된 자동화된 고속 엑스선 검사 시스템은 샘플을 제조하거나 처리하기 위한 제조 도구의 속도와 일치할 수 있는 고속으로 제품 샘플을 검사할 수 있다. 시스템의 특정 실시예는 이러한 전자 부품 또는 장치의 제조 프로세스와 함께 인라인 또는/및 인시츄로 샘플을 검사할 수 있고 검사된 샘플에서 하나 이상의 결함이 식별되거나 검사된 샘플의 하나 이상의 매개변수가 사양 요구 사항에서 벗어날 때 제조 도구에 실시간으로 피드백 정보를 제공할 수 있다. 시스템의 특정 실시예는 제품 샘플을 검사할 수 있고, 이러한 샘플을 제조하거나 처리하기 위한 후속 프로세스에서 사용되는 하나 이상의 도구에 피드포워드 정보를 제공할 수 있다. 시스템의 특정 실시예는 컴퓨터 비전 기술 및/또는 기계 학습 모델을 사용하여 이러한 샘플을 자동으로 검사할 수 있고, 계측 정보 및 피드백/피드포워드 정보를 생성할 수 있다. 피드백 또는 피드포워드 정보를 수신하는 도구는 제조 프로세스와 연관된 하나 이상의 파라미터를 조정할 수 있고 사양 요구 사항에서 벗어나는 결함 또는 파라미터가 있는 제품을 생산할 가능성이 더 낮을 수 있다.
이점 및 장점
컴퓨터 비전 기술 및 기계 학습 모델을 사용하여 엑스선 이미지를 분석함으로써, 시스템의 특정 실시예는 인간 작업자가 결함의 존재를 식별하기 위해 엑스선 이미지를 수동으로 검사할 필요를 제거할 수 있다. 시스템의 특정 실시예는 검사된 샘플의 결함을 식별하기 위한 검출률 및 정확도를 개선할 수 있고 과잉 거절(over refection)을 감소시킬 수 있다. 예를 들어, 시스템은 인간의 눈으로 많은 수의 그레이스케일 레벨을 식별하는 능력이 제한되어 있기 때문에 인간의 눈으로 검출할 수 없는 일부 결함을 효과적이고 정확하게 검출할 수 있다. 또한, 자동화된 프로세스와 기계 학습 모델을 사용하여 엑스선 이미지를 분석함으로써, 시스템의 특정 실시예는 검사 비용을 매우 낮은 수준(예를 들어, 부품 당 2센트)으로 줄일 수 있고 검사 속도를 높일 수 있으며(예를 들어, 기존 CT 이미징 시스템보다 100배 이상 빠름), 검사의 커버리지 및 반복성을 개선할 수 있다. 시스템의 특정 실시예는 엑스선 이미지를 생성하기 위한 고감도 및 고해상도를 갖는 하나 이상의 엑스선 검출기를 포함할 수 있다. 예를 들어, 엑스선 이미지는 기존 CT 시스템(예를 들어, 1-2 메가픽셀(megapixels))보다 더 많은 픽셀(예를 들어, 12+ 메가픽셀, 29+ 메가픽셀)을 가질 수 있다. 각각의 엑스선 이미지 픽셀은 큰 동적 범위(dynamic range)를 제공하는 많은 수의 그레이스케일 레벨(예를 들어, 10000 내지 65000 그레이스케일 레벨)을 가질 수 있다. 또한, 시스템은 더 나은 엑스선 투과 능력과 더 나은 이미지 품질을 위해 고출력 엑스선 빔 소스(예를 들어, 1000W)를 포함할 수 있다. 이러한 모든 특징(예를 들어, 고해상도, 넓은 동적 범위, 고출력 엑스선 소스)은 전자 부품 또는 장치를 높은 속도 및 높은 정확도 검사하는 시스템의 기능을 향상시킨다.
제한된 수의 엑스선 이미지를 사용함으로써, 시스템의 특정 실시예는 샘플을 고속으로 검사하고 엑스선 검사가 실시간으로 제조 프로세스와 인시츄 및/또는 인라인으로 수행되도록 할 수 있다. 단일 집적 회로 패키지에서 수백 또는 수천 개의 솔더 조인트를 스크리닝해야 하는 어플리케이션의 경우, 시스템의 특정 실시예는 검사 시간을 극적으로 줄인다(예를 들어, 몇 시간에서 몇 초로). 예를 들어, 시스템의 특정 실시예는 검사를 수행하는 데 몇 초 이하가 소요될 수 있지만 전통적인 CT 시스템은 결함 검출에 필요한 많은 수의 이미지를 생성하는 데 많은 시간이 소요될 수 있다. 시스템의 특정 실시예는 분당 3000mm2의 처리량으로 제품의 모든 전기적 연결을 검사할 수 있다. 실시간으로 다른 제조 도구에 피드백 정보를 전송함으로써, 시스템의 특정 실시예는 엑스선 검사를 통해 결함이 있는 샘플이 식별될 때 실시간으로 제조 프로세스가 조정될 수 있게 하여, 더 많은 양의 결함 부품을 생산하는 낭비를 크게 줄일 수 있다. 후속 제조 도구에 피드포워드 정보를 전송함으로써, 시스템은 후속 도구가 결함 부품을 생산할 가능성을 더 낮추게 할 수 있다. 적합 부품의 건전성 수준을 정량적으로 평가함으로써, 시스템의 특정 실시예는 부품이 더 높은 신뢰성과 더 높은 품질로 생산되도록 하여, 제품 신뢰성과 안전성을 크게 향상시킬 수 있다.
고속, 인라인, 인시츄 및 실시간 엑스선 검사
고속 엑스선 검사
특정 실시예에서, 자동화된 고속 엑스선 검사 시스템은 특정 각도(예를 들어, 하향식 또는 상향식)에서 캡처된 단일 엑스선 이미지 또는 다른 각도에서 캡처된 여러 엑스선 이미지들(예를 들어, 다른 각도에서 캡처된 두 개 또는 세 개의 X선 이미지들)에 기초하여 전자 부품 또는 장치에 대한 엑스선 검사를 효과적으로 수행할 수 있다. 시스템은 제한된 수의 엑스선 이미지에 기초하여 효과적으로 결함 부품을 식별하고 검사된 부품의 품질을 평가할 수 있다. 예를 들어, 시스템은 전자 패키지의 하나 이상의 엑스선 이미지에 기초하여 전자 패키지 내의 관심 요소(elements of interest)(예를 들어, 솔더 볼(solder balls), 솔더 접촉(solder contacts), 솔더 연결(solder connections), 핀(pins), 조인트(joints) 등)의 재료 두께를 결정할 수 있다 시스템은 이미지의 그레이스케일 값의 변화로 표현되는 엑스선 흡수의 변화에 기초하여 재료 두께를 결정할 수 있다. 시스템은 결함 샘플을 검출하기 위한 엑스선 이미지(들)에 기초하여 재료 두께 분포(예를 들어, 연관된 관심 요소의 모양 또는 프로파일(profile)) 및 검사되는 샘플의 다른 특징(예를 들어, 엣지(edges), 모양(shapes), 그래디언트(gradients), 트렌드(trends), 그레이스케일 값 등)을 결정하기 위해 컴퓨터 비전 및 컴퓨팅 분석 기술을 사용할 수 있다. 특정 실시예에서, 엑스선 시스템은 엑스선 검사 프로세스 동안 고해상도 엑스선 이미지를 생성하기 위한 하나 이상의 고해상도 엑스선 검출기를 포함할 수 있다. 예를 들어, 엑스선 검출기는 매우 큰 숫자의 픽셀(예를 들어, 12+ 메가픽셀, 29+ 메가픽셀), 엑스선 방사선에 대한 고감도(high sensitivity) 및 큰 동적 범위의 큰 숫자의 그레이스케일 레벨(예를 들어, 10,000+ 그레이스케일 레벨)를 가질 수 있다. 특정 실시예에서, 시스템은 33밀리초 이하의 기간에 생성되는 엑스선 이미지와 함께 적어도 30FPS의 프레임 레이트로 엑스선 이미지를 생성할 수 있다. 특정 실시예에서, 시스템은 0.5 마이크론보다 작은 공간 해상도로 작은 스케일의 특징을 측정할 수 있다. 특정 실시예에서, 엑스선 이미지는 적어도 12mm × 12mm의 시야로 캡처될 수 있다. 특정 실시예에서, 샘플은 분당 3000mm2 보다 작지 않은 처리량으로 검사될 수 있다.
특정 실시예에서, 시스템은 캡처된 엑스선 이미지를 자동으로 분석하고, 결함 샘플을 식별하며 결함 샘플을 다른 카테고리로 분류하기 위해 컴퓨턴 비전 알고리즘 및/또는 기계 학습 모델을 사용할 수 있다. 컴퓨터 비전 알고리즘과 기계 학습 모델은 엑스선 이미지를 캡처하는 속도와 일치하는 속도로 실시간으로 엑스선 이미지를 분석하고 계측 정보를 제공할 수 있다. 결과적으로, 시스템은 기존의 엑스선 시스템보다 몇 배 더 빠르게(예를 들어, 100배 이상 빠르게) 엑스선 검사를 수행할 수 있다. 특정 실시예에서, 고속 엑스선 검사 능력은 시스템이 전자 부품의 제조 프로세스 동안 인라인(in line) 검사에 사용될 수 있도록 할 수 있다. 시스템은 검사된 샘플에 대한 엑스선 이미지를 캡처하고, 결함 샘플을 식별하고, 적합(compliant) 샘플의 품질 레벨을 평가하고, 그리고 제조 프로세스에 사용되는 다른 도구에 피드백 및/또는 피드포워드 정보를 제공할 수 있다. 특정 실시예에서, 엑스선 검사는 검사된 샘플의 제조 프로세스 동안 실시간으로 수행될 수 있다. 본 개시의 나중 섹션에서 논의되는 바와 같이, 특정 실시예에서, 엑스선 시스템은 인시츄(in situ) 엑스선 검사를 수행하기 위해 제조 도구(예를 들어, 조립 도구, 본딩 도구, 배치 도구(placement tool), 열압착(thermo-compression) 본딩 도구, 하이브리드 본딩 도구, 드릴링 기계)에 통합될 수 있다. 특정 실시예에서, 하이브리드 본딩 도구는 열압착 본딩 도구에 대한 임의의 대안적인 본딩 도구를 지칭하는 것일 수 있고 하이브리드 본딩 도구는 금속 인터커넥트를 일부 다른 형태의 본딩과 결합할 수 있다. 특정 실시예에서, 하이브리드 본딩 도구는 하나 이상의 화학적 기계적 평탄화 파라미터와 연관될 수 있다.
인라인 엑스선 검사
특정 실시예에서, 자동화된 고속의 엑스선 검사 시스템은 이러한 샘플의 제조 프로세스 동안 샘플의 부분 집합(subset)브셋 또는 전체에 대해 인라인(in line) 엑스선 검사를 수행할 수 있다. "인라인(in line) 검사" 또는 "인라인(in line) 측정"이라는 용어는 다른 시스템(예를 들어, 드릴링 기계, 본딩 도구, 조립 도구 또는 임의의 적절한 도구)에 의해 수행되는 동일한 프로세스(예를 들어, 드릴링 프로세스, 조립 프로세스, 본딩 프로세스, 제조 프로세스 또는 임의의 적절한 프로세스) 내에서 엑스선 시스템에 의해 수행되는 검사 또는 측정을 지칭할 수 있다. 제한이 아닌 예로서, 조립 도구에 의해 수행되는 조립 프로세스 동안, 엑스선 시스템은 조립 프로세스의 하나 이상의 단계 동안 조립된 부품, 컴포넌트 또는 장치를 검사할 수 있다. 부품, 컴포넌트 또는 장치는 조립 도구에서 엑스선 검사 시스템으로 자동으로 전송(예를 들어, 로봇 암(robot arm), 컨베이어 벨트에 의해)되거나 조립 도구에서 엑스선 검사 시스템으로 수동으로 전송(예를 들어, 인간 작업자에 의해)될 수 있다. 엑스선 검사 시스템은 피드백 정보를 조립 도구 또는 조립 도구의 인간 작업자에게 자동으로 제공할 수 있다. 시스템은 컴포넌트 어셈블리가 조립된 후 그리고 가열 챔버(heating chamber)에 배치되기 전에 컴포넌트 어셈블리를 검사할 수 있다. 시스템은 가열 챔버에 의해 본딩(bonded)된 후 이러한 컴포넌트 어셈블리를 다시 검사할 수 있다. 시스템은 본딩 프로세스 전후의 정렬 변경을 식별할 수 있다. 시스템은 검사된 샘플 내에서 여러 관심 요소의 정렬 및 위치를 측정하고 측정 결과를 조립 도구, 본딩 도구 또는 그들의 작업자에게 전송할 수 있다. 특정 실시예에서, 시스템은 제조된 제품의 품질에 영향을 미칠 수 있는 임의의 잠재적인 이슈에 대해 작업자에게 경고할 수 있다. 작업자는 하나 이상의 파라미터(예를 들어, 가열 챔버의 온도, 중간 지속 시간(intermediate time duration), 위치 파라미터(position parameters), 정렬 파라미터(alignment parameters) 등)를 조정하여 더 높은 품질의 제품을 제조하기 위한 제조 프로세스를 개선할 수 있다. 특정 실시예에서, 시스템은 조립 도구가 하나 이상의 기능 또는 파라미터를 자동으로 조정하도록 하여 더 높은 품질로 제조 프로세스를 개선하게 하기 위해 피드백 정보를 조립 도구에 자동으로 전송할 수 있다. 특정 실시예에서, 조립 도구는 본딩 도구, 예를 들어 배치(placement) 도구, 열압착 본딩 도구 등과 연관된 매스 리플로우 장치(mass reflow device)일 수 있다.
실시간 검사
특정 실시예에서, 자동화된 고속 엑스선 검사 시스템은 전자 부품, 컴포넌트 또는 장치의 제조 프로세스(예를 들어, 드릴링 프로세스, 조립 프로세스, 본딩 프로세스 등) 중 하나 이상의 단계에서 실시간 검사 또는 실시간 측정을 수행할 수 있다. 본 개시에서, "실시간 검사" 또는 "실시간 측정"이라는 용어는 엑스선 시스템에 의해 연관된 프로세스(예를 들어, 드릴링 프로세스, 조립 프로세스, 본딩 프로세스, 또는 임의의 적절한 프로세스)의 속도를 늦추지 않고 병렬로 혹은 직렬로(serially) 수행되는 검사 또는 측정을 지칭할 수 있다. 예를 들어, 조립 프로세스에서 시스템은 전자 부품, 컴포넌트 또는 장치를 조립하는 조립 도구보다 높거나 같은 속도로 검사 또는 측정을 수행할 수 있다. 이것은 각 부품의 최대 100% 검사를 수행하는 고속 시스템 또는 각 부품의 100% 미만의 샘플링 검사(sampled inspection)에 의해 달성될 수 있다. 또한 시스템은 하나 이상의 생산 도구에 의해 생산된 부품의 부분 집합을 검사할 수 있다. 시스템은 조립된 부품의 엑스선 이미지를 캡처하고, 컴퓨터 비전 알고리즘 또는/및 기계 학습 모델을 사용하여 엑스선 이미지를 분석하고, 검사된 부품과 관련된 계측 정보를 생성하고, 조립 프로세스 동안에 실시간으로 조립 도구에 피드백 정보를 제공할 수 있다.
통합된 엑스선 시스템에 의한 인시츄 검사
특정 실시예에서, 자동 고속 엑스선 검사 시스템은 제조 프로세스의 하나 이상의 단계에서 사용되는 하나 이상의 다른 시스템 또는 도구(예를 들어, 드릴링 기계, 본딩 도구, 조립 도구, 배치 도구, 매스 리플로우 장치 또는 임의의 적절한 도구)에 대한 인시츄(in-situ) 검사 또는 측정을 수행할 수 있다. 특정 실시 예에서, "인시츄(in situ) 검사" 또는 "인시츄 측정"이라는 용어는 제조 프로세스의 다른 단계를 수행하기 위해 다른 시스템에 로컬(local)인 엑스선 시스템에 의해 수행되는 검사 또는 측정을 의미할 수 있다. 특정 실시예에서, 엑스선 시스템은 제조 프로세스에서 사용되는 다른 시스템 또는 도구(예를 들어, 드릴링 기계, 본딩 도구, 조립 도구, 배치 도구, 매스 리플로우 장치, 또는 임의의 적절한 도구 또는 장비)와 통합될 수 있다. 예를 들어, 엑스선 시스템은 드릴링 기계에 통합될 수 있고 드릴링 기계의 드릴링 프로세스를 모니터링하기 위해 인 시츄 검사 또는 측정을 수행할 수 있다. 인 시츄 측정은 통합 엑스선 검사 시스템과 드릴링 기계를 조율하는 하나 이상의 컴퓨팅 시스템에 의해 자동으로 제어될 수 있다.
다른 예로서, 엑스선 시스템은 본딩 도구에 통합되어 본딩 도구에 의해 수행되는 본딩 프로세스를 모니터링하기 위해 인시츄 검사 또는 측정을 수행할 수 있다. 인시츄 측정은 통합 엑스선 시스템 및 본딩 도구를 조율하는 하나 이상의 컴퓨팅 시스템에 의하여 자동으로 제어될 수 있다. 시스템은 본딩 도구에 대한 인시츄 검사 또는 측정을 연속적으로 수행하고 본딩 도구가 하나 이상의 기능 또는 프로세스 파라미터(예를 들어, 온도, 중간 지속 시간 또는 임의의 적절한 프로세스 파라미터)를 조정하게 하도록 검사 또는 측정 결과를 본딩 도구에 연속적으로 공급(feed)할 수 있다. 일단 조정되면, 본딩 도구는 결함 부품 또는 사양 요구 사항에서 벗어난 파라미터를 가진 부품을 생산할 확률이 낮아질 수 있다. 제조된 제품은 현장 적용에서 더 높은 품질과 더 낮은 결함률(defect rate) 및 더 낮은 고장율(failure rate)을 가질 수 있다. 특정 실시예에서, 시스템은 임의의 적절한 유형의 본딩 도구, 예를 들어 어셈블리를 가열 챔버와 본딩하기 위한 본딩 도구, 압력으로 어셈블리를 본딩하기 위한 본딩 도구, 금속 대 금속 본딩을 위한 본딩 도구 등에 통합될 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 본딩 도구의 가열 챔버에서 불균일한 온도 분포를 식별할 수 있고 균일한 온도 분포를 갖도록 그 동작 파라미터를 조정하기 위해 그 정보를 가열 챔버에 공급(feed)할 수 있다.
다른 예로서, 시스템은 전자 부품을 조립하기 위한 조립 도구에 통합될 수 있다. 조립 도구는 배치 도구 및 매스 리플로우 장치를 포함할 수 있다. 시스템은 조립 도구에 의해 처리된 전자 부품에 대한 시간 경과에 따른 인시츄 검사 또는 측정(예를 들어, 오정렬(mis-alignment) 또는 오배치(mis-placement) 측정)을 연속적으로 또는 주기적으로 수행할 수 있다. 시스템은 시간이 지남에 따라 오정렬을 추적하고 측정된 오정렬의 증가 추세를 식별할 수 있다. 시스템은 식별된 경향에 기초하여 관련 파라미터를 조정하기 위해 조립 도구에 지시를 전송할 수 있다. 시스템은 조립 도구가 결함 부품을 생산하기 전에 하나 이상의 드리프트(drifting) 파라미터(예를 들어, 드리프트 정렬, 드리프트 위치, 드리프트 품질 메트릭(drifting quality metric))를 식별할 수 있다. 시스템은 조립 도구가 조립 프로세스를 개선하기 위해 하나 이상의 기능 또는 프로세스 파라미터(예, 정렬, 위치, 배치, 또는 임의의 적절한 파라미터)를 조정하도록 하기 위해 측정 결과 또는/및 조정 명령을 조립 도구에 공급(feed)할 수 있다. 일단 조정되면 조립 도구는 결함이 있거나 신뢰할 수 없는 부품을 생산할 확률이 낮아질 수 있다. 조정된 공정 매개변수를 갖는 조립 도구에 의해 조립된 전자 부품은 현장 적용에서 더 높은 품질, 더 낮은 결함률 및 더 낮은 고장율을 가질 수 있다.
엑스선 검사 및 계측 정보
검사된 파라미터 및 결함 유형
특정 실시예에서, 자동화된 고속 엑스선 검사 시스템은 제조된 전자 부품 또는 장치를 검사하기 위한 전자 제조 프로세스에서 인라인 및/또는 인시츄로 사용될 수 있다. 시스템은 검사된 샘플의 엑스선 이미지를 캡처하고 캡처된 엑스선 이미지에 기초하여 이러한 샘플과 연관된 계측 정보를 생성할 수 있다 특정 실시예에서, 시스템에 의해 생성된 계측 정보는 예를 들어, 그러나 제한되지는 않고, 솔더 볼(solder balls) 또는 솔더 접촉(solder contacts)의 형상에 대한 정보, 솔더 볼 또는 솔더 접촉의 하나 이상의 치수(dimensions)에 대한 정보, 하나 이상의 솔더 접촉 결함, 인터포저에 대한 집적 회로 다이의 정렬에 대한 정보, 뒤틀림(warpage) 결함에 대한 정보, 솔더 접촉의 균일성 메트릭, 솔더 접촉 외부 크기(external size), 조인트 직경, 접촉 패드 영역의 어둠 메트릭(darkness metric) , 접촉 패드 영역의 어둠 커버리지(darkness coverage)에 대한 균일성 메트릭(uniformity metric), 접촉 패드 위치에 대한 연속적인 신호 변화(continuous signal variation), 볼과 솔더를 연결하는 밝은 신호 링(bright signal ring), 접촉 패드 영역에 걸친 약간 어둡고 균일한 커버리지(a small dark and a uniform coverage), 일반적으로 적합(compliant)한 솔더 조인트를 정의하는 파라미터와의 편차 등을 포함할 수 있다.
특정 실시예에서, 자동 고속 엑스선 검사 시스템은 전자 부품, 컴포넌트, 장치, 패키지, 또는 임의의 적절한 관심(interest) 샘플을 검사하는 데 사용될 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 예를 들어 고밀도 칩 패키지, 2.5D 고밀도 칩 패키지, 3D 고밀도 칩 패키지 패키지 온 패키지(package on package, PoP), 라디오 주파수(radio frequency, RF) 패키지, 시스템 인 패키지(system-in-package, SIP) 장치, 팬아웃 웨이퍼 (fan-out wafer) 레벨 패키지 등을 포함하지만 이에 제한되지 않는 다양한 관심 샘플을 검사할 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 예를 들어, 헤드 인 필로우(head-in-pillow) 결함, 스노우맨(snowman) 결함, 솔더 누락(missing solder) 결함, 낮은 솔더 체적(low solder volume), 높은 솔더 체적(high solder volume) 결함, 솔더 브릿징(solder bridging) 결함, 부분적 젖음(partially-wet) 결함, 오정렬 (misalignment) 결함, 마이크로 범프(micro-bump) 결함, 금이 간 솔더 볼(cracked solder ball), 솔더 볼 보이드(solder ball void) 또는 결함 솔더 접촉 직경(defective solder contact diameter)을 포함하지만 이제 제한되지 않는 솔더 접촉 결함을 검출하기 위해 관심 샘플을 검사할 수 있다. 특정 실시예에서, 솔더 결함은 예를 들어 솔더 접촉 외부 크기의 균일성 메트릭, 조인트 직경, 접촉 패드 영역의 어둠 메트릭(darkness metric), 접촉 패드 영역의 어둠 커버리지에 대한 균일성 메트릭, 접촉 패드 위치에 대한 연속적인 신호 변화, 볼과 솔더를 연결하는 밝은 신호 링, 접촉 패드 영역에 걸친 약간 어둡고 균일한 커버리지, 일반적으로 좋은 조인트(good joint)를 정의하는 파라미터와의 편차 등을 포함하지만 이에 제한되지 않는 엑스선 검사 시스템에 의해 측정된 다수의 파라미터에 기초하여 식별될 수 있다. 특정 실시예에서, 자동화된 고속 엑스선 검사 시스템은 오정렬된 광섬유, 오정렬된 광 커넥터, 뒤틀림 결함, 결함 있는 갭(gap), 결함 있는 본드 라인(bond-line) 길이 또는 볼 그리드 어레이(ball grid array; BGA)의 다이 뒤틀림 결함 중 하나 이상을 추가(further)로 검출할 수 있다.
특정 실시예에서, 시스템은 캡처된 엑스선 이미지에 기초하여 검사된 샘플과 관련된 하나 이상의 결함을 식별할 수 있다. 이러한 결함은 가시광선 기반 검사로 검출되지 못할 수 있다. 예를 들어, 시스템은 플립 칩(flip chip) 또는 볼 그리드(ball grid) 어레이 패키징의 솔더 조인트(solder joints)를 검사할 수 있으며 이러한 특징은 다른 컴포넌트(예: 다른 레이어의 컴포넌트)에 의해 방해될 수 있으며 가시 광선 기반 검사로 검사할 수 없다. 특정 실시예에서, 시스템은 검사된 전자 부품, 컴포넌트, 패키지, 또는 예를 들어, 이에 제한되지 않는, 다이 치핑(die chipping) 또는 균열, 스탠딩 또는 툼스토닝(tombstoning) 컴포넌트, 컴포넌트 오배치, 컴포넌트 오정렬, 컴포넌트 누락, 솔더 젖음 상태(예: 과-젖음(over-wet), 젖음 불량(non-wet)), 솔더 브릿징(예를 들어, 짧음(short)), 솔더 보이드, 대형(oversized) 솔더 조인트, 소형(undersized) 솔더 조인트, 누락된 볼, 엑스트라(extra) 솔더 재료, 잘못 위치된 솔더 볼, 표면 장착(mounted) 컴포넌트 균열, 엑스트라 컴포넌트, 이중 컴포넌트, 회전 컴포넌트, 다이 틸팅(die tilting), 젖음 불량(non-wet) 구리 연결, 표면 장착 컴포넌트를 위한 젖음 불량 솔더, 표면 장착 컴포넌트를 위한 불충분 솔더, 짧아진 표면 장착(shorted surface-mounted) 연결, 보이드(voids)를 통한 PCB, 임베디드 컴포넌트, 스택 다이, 다이 부착 커버리지 등을 포함하는 장치를 식별할 수 있다.
특정 실시예에서, 엑스선 검사 시스템은 구성의 본딩을 완료하기 전에 2.5D 또는 3D 구성으로 적층된 다중 IC 또는 IC 및 인터포저와 같은 하나 이상의 정교한 구조의 구성을 검사하여 컴포넌트가 올바르게 정렬되었음을 보장할 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 조사 및 검사 뿐만 아니라 이러한 다중 칩 구조를 정렬 및 본딩하기 위한 본딩 시스템의 컴포넌트로 이용될 수 있다. 예를 들어, 엑스선 검사 시스템은 객체를 본딩하거나 연결하기 이전에 객체에 정렬하는 데 사용될 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 개별 컴포넌트를 본딩 또는 부착하기 이전에 칩과 인터포저 사이의 정렬 프로세스에서 사용될 수 있다. 정렬 및 본딩 프로세스는 엑스선 검사 시스템에서 생성된 엑스선 이미지를 기초로 이러한 연결의 정확도와 품질을 개선하도록 조정될 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 다이스(dice) 또는 인터포저를 정렬할 때 정렬 도구에 대한 실시간 피드백을 위해 사용될 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 장치 또는 인터포저를 연결하는데 사용되는 솔더의 형상 및 치수를 검사하는데 사용될 수 있다. 이러한 검사는 제조 프로세스를 제어하거나 결함이 있는 재료를 선별(screen out)하는 데 사용할 수 있다. 본딩 후 솔더의 일부 패턴의 존재는 솔더가 두 연결 지점 사이에서 연속적이지 않아 전기 또는 열의 유용한 전도체(conductor)가 아닌 조인트를 포함하여 부적절한 솔더 조인트를 검출하는 데 사용될 수 있다. 특정 실시예에서, 엑스선 검사 시스템의 검사 결과에 기초하여 제조 또는 제품 사양을 준수하지 않는 것으로 결정된 솔더 연결을 수리하거나 개선하기 위해 다중 솔더 리플로우 프로세스가 활용될 수 있다.
특징 공간에 기초하여 결함을 분류
a. 참조 모델을 이용한 결함 검출
특정 실시예에서, 시스템은 검사된 샘플의 결함을 식별하고 검사된 샘플을 다른 카테고리로 분류하기 위해 참조 모델 및/또는 기계 학습 모델을 사용할 수 있다. 특정 실시예에서, 관심 객체에 대해, 시스템은 하나 이상의 참조 객체(예를 들어, 동일한 제조 라인, 동일한 검사 라인 또는 동일한 생산 배치(batch)의 선행 부품(preceding parts) 또는 주변 부품(surrounding parts))를 선택하고 이러한 참조 객체의 엑스선 이미지에 기초하여 참조 모델을 생성할 수 있다. 이러한 참조 객체는 관심 객체와 동일한 유형의 객체일 수 있으며 관심 객체와 동일한 구성 요소를 가질 수 있다. 시스템은 관심 객체의 엑스선 이미지를 참조 모델과 비교할 수 있다. 시스템은 관심 객체의 엑스선 이미지와 참조 모델 간의 차이를 표시(flag)할 수 있다. 시스템은 관심 객체가 하나 이상의 결함과 연관되어 있는지 여부를 결정하기 위해 하나 이상의 결함 모델을 사용할 수 있으며, 그렇다면 이러한 결함을 각각의 결함 카테고리로 분류할 수 있다. 결함 모델은 각각의 결함 유형을 특성화하기 위한 다수의 특징(예를 들어, 연관된 임계 값을 갖는 해당하는 파라미터에 의해 특성화됨)과 연관될 수 있다. 기준 객체의 엑스선 이미지는 관심 객체의 엑스선 이미지와 동일하거나 유사한 배경 잡음 패턴을 가질 수 있으므로, 시스템은 기준 모델과 관심 객체의 엑스선 이미지를 비교함으로써 결함 식별 및 분류에 대한 배경 잡음의 영향을 제거하거나 최소화할 수 있다. 시스템은 특정 각도에서 촬영된 단일 엑스선 이미지 또는 다른 각도에서 캡처된 제한된 수의 엑스선 이미지를 기반으로 관심 대상의 결함을 식별하고 분류할 수 있다.
b. ML 모델에 의한 검사된 샘플의 분류
특정 실시예에서, 시스템은 엑스선 이미지를 분석하고 검사된 샘플을 분류하기 위해 하나 이상의 기계 학습 모델을 사용할 수 있다. 기계 학습 모델은 과거 데이터(예를 들어, 지도 학습을 위하여 라벨링된 샘플과 연관된 특징, 비지도 학습을 위하여 레이블이 지정되지 않은 샘플과 연관된 특징)로 훈련될 수 있다. 기계 학습 모델은 일단 훈련되면 엑스선 이미지에서 추출한 특징을 기초로 새로운 샘플을 검사하고 분류하는 데 사용될 수 있다. 시스템은 먼저 검사된 샘플의 엑스선 이미지로부터 제1 특징 세트(first set of features)를 추출할 수 있다. 그 다음, 시스템은 라벨링되지 않은 샘플에 의해 훈련된 제1 기계 학습 모델을 사용하여 제1 특징 세트를 기반으로 검사된 샘플을 인라이어(inlier)(즉, 적합 샘플)와 아웃라이어(outlier)(즉, 부적합 샘플)로 분류할 수 있다. 인라이어 샘플은 적합 샘플과 통계적으로 유사한 샘플일 수 있다. 아웃라이어 샘플은 적합 샘플과 통계적으로 다른 샘플일 수 있다. 특정 실시예에서, 시스템은 검사된 샘플의 엑스선 이미지로부터 추출된 제1 특징 세트와 적합 샘플에 대응하는 특징 사이의 비교에 기초하여 검사된 샘플을 인라이어 및 아웃라이어 샘플로 분류하기 위해 제1 기계 학습 모델을 사용할 수 있다. 특정 실시예에서, 시스템은 제2 기계 학습 모델을 사용하여 아웃라이어 샘플을 거짓 양성 또는 다른 결함 유형으로 분류할 수 있다. 제2 기계 학습 모델은 검사된 샘플의 엑스선 이미지에 기초하여 결정된 제2 특징 세트에 기초하여 아웃라이어 샘플을 여러 하위 카테고리(예를 들어, 거짓 양성, 보이드 결함, 젖음 불량(non-wet) 결함, 비접촉 개방 결함, 헤드 인 필로우 결함, 브릿징 결함, 오정렬 등)로 분류하기 위한 다른 결합 유형들의 라벨링된 샘플에 의하여 훈련될 수 있다. 거짓 양성 및 다른 결함 유형의 분류는 검사된 샘플의 엑스선 이미지로부터 추출된 제2 특징 세트와 양성 거짓 모델 및 다른 결함 모델 각각의 특징의 비교에 기초할 수 있다. 특정 실시예에서, 시스템은 검사된 샘플을 인라이어 및 아웃라이어 샘플로 분류하고 아웃라이어 샘플을 거짓 양성 샘플 및 다른 결함 유형의 샘플로 분류하기 위해 하나 이상의 통계 분석 알고리즘(기계 학습 알고리즘 대신에 또는 기계 학습 알고리즘에 추가하여)을 사용할 수 있다. 특정 실시예에서, 제2 특징 세트는 제1 특징 세트와 다른 특징들일 수 있다. 특정 실시예에서, 제2 특징 세트는 제1, 제2 특징과 일부 특징을 공유할 수 있다.
특정 실시예에서, 인라이어/아웃라이어 분류 및 서브 카테고리 분류를 위한 2개의 기계 학습 모델을 사용함으로써, 시스템은 2개의 모델 각각이 다른 모델의 정확도 및 정밀도에 부정적인 영향을 미치지 않고 재훈련되고 업데이트되게 할 수 있다. 예를 들어, 시스템은 제2 엑스선 도구(예를 들어, CT 엑스선 시스템)로부터 서로 다른 결함 유형의 라벨링된 샘플을 주기적으로 수신하고 새로 수신된 라벨링된 샘플을 사용하여 인라이어/아웃라이어 샘플을 분류하기 위한 제1 기계 학습에 영향을 주지 않고 다른 결함 유형을 분류하기 위한 제2 기계 학습 모델을 재훈련할 수 있다. 다른 예로서, 인라이어/아웃라이어 샘플을 분류하기 위한 제1 기계 학습 모델은 제2 기계 학습 모델에 영향을 미치지 않고 새로운 샘플(예, 라벨링되지 않은 샘플)에 의해 재훈련될 수 있다. 특정 실시예에서, 시스템은 컴퓨터 비전 알고리즘을 사용하여 엑스선 이미지로부터 검사된 샘플의 특징을 추출하고 추출된 특징을 대응하는 훈련 샘플의 특징에 기초하여 훈련되는 기계 학습 모델에 공급(feed)할 수 있다. 특정 실시예에서, 시스템은 엑스선 이미지로부터 검사된 샘플의 특징을 추출하고 샘플을 식별하고 분류하기 위해 추출된 특징을 다른 기계 학습 모델에 공급하기 위해 별도의 기계 학습을 사용할 수 있다. 특정 실시예에서, 시스템은 검사된 샘플의 엑스선 이미지를 동일한 기계 학습 모델에 직접 공급할 수 있으며, 이 모델은 엑스선 이미지에서 검사된 샘플의 특징을 추출하고, 검사된 것과 연관된 결함을 식별 및 분류할 수 있다.
특정 실시예에서, 시스템에 의해 추출된 제1 특징 세트 및/또는 제2 특징 세트는 예를 들어, 그러나 제한되지 않고, 하나 이상의 컴포넌트 치수(예, 직경, 길이, 폭, 높이, 두께), 컴포넌트 영역, 재료 분포, 프로파일 그래디언트(gradient), 위치, 다른 컴포넌트까지의 거리, 상대 위치 또는 다른 컴포넌트에 대한 적층 순서, 서로 다른 방향에서 생성된 다중 X-이미지를 교차하는 하나 이상의 변화(예, 직경 변화, 길이 변화, 폭 변화, 높이 변화, 면적 변화, 모양 변화, 위치 변화, 변위, 정렬 변화), 하나 이상의 특성(예: 상대 진폭 차이, 변화 추세), 엑스선 이미지의 그레이스케일 변경율, 곡선의 곡률, 하나 이상의 엣지 그래디언트, 주변 영역의 하나 이상의 특성 등을 포함할 수 있다. 특정 실시예들에서, 제1 특징 세트 및 제2 특징 세트는 각각 위에서 설명된 바와 같은 하나 이상의 특징들의 조합을 포함할 수 있다. 특정 실시예에서, 제2 특징 세트는 제1 특징 세트와 다르거나 부분적으로 다를 수 있다. 특정 실시예에서, 제2 특징 세트는 제1 특징 세트와 동일할 수 있다.
c. 특징 공간 내 검사된 샘플을 분류하는 예시
도 2a는 제1 특징 세트에 기초하여 검사된 샘플을 인라이어 샘플 및 아웃라이어 샘플로 분류하기 위한 프로세스(2000A)의 예시를 설명한다. 특정 실시예에서, 시스템은 제1 세트의 N 특징에 기초하여 N 차원 특징 공간을 결정할 수 있다. 시스템은 인라이어 샘플을 특징 짓는 하나 이상의 기준에 기초하여 N차원 특징 공간에서 인라이어 샘플의 경계 조건(210)을 결정할 수 있다. 예를 들어, 인라이어 샘플은 특징 공간 내의 해당하는 위치 및 기준점(예를 들어, 중심 점(215)) 또는/및 경계 조건(210)까지의 해당하는 거리에 기초하여 특성화될 수 있다. 새로운 샘플을 검사하기 위해, 시스템은 검사된 샘플의 엑스선 이미지에서 해당 특징을 추출하고, 추출된 특징을 내부 샘플의 해당 특징과 비교하고, 검사된 샘플을 인라이어 샘플 및 아웃라이어 샘플로 분류할 수 있다. 제한이 아닌 예로서, 경계 조건(210)은 2개의 특징(예를 들어, 특징 X 및 특징 Y)에 의해 특징 공간에서 특성화될 수 있다. 시스템은 특징 공간 내의 검사된 샘플의 위치 및 경계 조건(210)까지의 검사된 샘플의 거리를 결정하고 검사된 샘플을 분류할 수 있다. 예를 들어, 시스템은 검사된 샘플(219 및 212)이 이(this) 특징 공간의 경계 조건(210) 밖에 있기 때문에 아웃라이어 샘플이라고 결정할 수 있다. 다른 예로서, 시스템은 검사된 샘플(213 및 214)이 경계 조건(210) 내에 있기 때문에 인라이어 샘플이라고 결정할 수 있다. 도 2a에 도시된 바와 같은 2차원 특징 공간이 주목되며, 도 2a는 예시적인 것으로, 특징 공간이 이에 한정되는 것은 아니다. 예를 들어, 특징 공간은 제1 특징 세트의 N 특징에 대해 정의된 N 차원 공간일 수 있다. 도 2a에 도시된 바와 같은 경계 조건이 주목되며, 도 2a는 예시일 뿐, 경계 조건이 이에 한정되는 것은 아니다. 예를 들어, 경계 기준은 단일 특징 또는 검사된 샘플의 여러 특징의 조합을 기반으로 할 수 있다.
도 2b는 제2 특징 세트에 기초하여 검사된 샘플을 다른 서브 카테고리로 분류하기 위한 도식(2000B)의 예시를 설명한다. 특정 실시예로, 시스템은 M개의 특징을 포함하는 제2 특징 세트에 기초하여 특징 공간에서 다수의 아웃라이어 샘플 모델을 생성할 수 있다. 아웃라이어 샘플 모델은 아웃라이어 샘플의 유사도를 특성화하는 하나 이상의 기준을 사용하여 특징 공간(예를 들어, 제2 특징 세트의 M 특징에 기초한 M-차원 공간)에서 특성화될 수 있다. 특정 실시예로, 제2 특징 세트는 제1 특징 세트와 다른 특징 세트일 수 있다. 검사 프로세스 동안, 시스템은 검사된 샘플의 엑스선 이미지에서 해당 특징을 추출하고, 추출된 특징을 특징 공간의 아웃라이어 샘플 모델과 비교하고, 아웃라이어 샘플을 다른 하위 카테고리로 분류할 수 있다. 도 2b에 도시된 바와 같이 제한이 아닌 예시로서, 시스템은 특징 공간에서 다수의 아웃라이어 샘플 모델을 생성할 수 있다. 아웃라이어 모델은 예를 들어, 그러나 제한되지는 않고, 거짓 양성 샘플 모델(224), 보이드 결함 모델(225), 비접촉 개방 결함 모델(220), 젖음 불량 결함(229), 헤드 인 필로우 결함 모델(226), 브릿징 결함 모델(227), 언노운 아웃라이어 샘플을 위한 모델(228) 등을 포함할 수 있다. 시스템은 특징 공간에서 아웃라이어 샘플의 해당하는 위치를 결정하고 아웃라이어 샘플을 다른 카테고리로 분류할 수 있다. 예를 들어, 아웃라이어 샘플(221)은 아웃라이어 샘플이지만 제2 특징 세트의 특징 공간에서 어떠한 서브 카테고리에도 빠지지 않기 때문에 언노운 아웃라이어로 분류될 수 있다. 다른 예로서, 아웃라이어 샘플(222)은 비접촉 개방 결함(220)의 경계에 속하기 때문에 비접촉 개방 결함(220)으로 분류될 수 있다. 또 다른 예로서, 아웃라이어 샘플(223)은 거짓 양성 카테고리(224)의 경계에 속하기 때문에 거짓 양성 카테고리로 분류될 수 있다. 도 2b에 도시된 바와 같은 아웃라이어 샘플 모델이 주목되며, 도 2b는 예시일 뿐, 이에 한정되는 것은 아니다. 예를 들어, 모델은 제2 특징 세트의 임의의 수의 특징에 의해 설명된 특징 공간에 기초할 수 있다.
특정 실시예에서, 검사된 샘플의 제1 또는/및 제2 특징 세트는 예를 들어, 그러나 이에 제한되지 않는, 컴퓨터 비전 알고리즘(예를 들어, 인접 샘플로부터 생성된 참조 모델에 기초하여), 통계 분석을 위한 컴퓨터 알고리즘, 기계 학습 모델 또는 임의의 적절한 알고리즘을 사용하여 해당하는 엑스선 이미지로부터 추출될 수 있다. 특정 실시예에서, 검사된 샘플은 예를 들어, 그러나 이에 제한되지 않는, 컴퓨터 비전 알고리즘, 기계 학습 모델, 통계 분석을 위한 컴퓨터 알고리즘 등을 사용하여 분류될 수 있다. 특정 실시예에서, 인라이어/아웃라이어 샘플 모델은 가중치와 연관된 기계 학습 모델 또는 특징 기반 샘플 모델(예를 들어, 많은 수의 피처와 연관된 벡터, 샘플 파라미터 및 임계 값)일 수 있다. 특정 실시예에서, 시스템은 컴퓨터 알고리즘, 기계 학습 모델, 또는/및 인간 작업자로부터의 입력에 의해 학습된 새로운 지식에 기초하여 알려지지 않은 결함을 갖는 아웃라이어 샘플에 대한 새로운 모델을 생성할 수 있다. 특정 실시예에서, 새롭게 분류된 샘플은 기존 샘플 모델을 업데이트하거나 및/또는 기계 학습 모델을 훈련하여 시간이 지남에 따라 분류 정확도 및 정밀도를 개선하는 데 사용될 수 있다.
특징 공간 기반 품질 메트릭
특정 실시예에서, 시스템은 검사된 샘플의 정량화된 품질 수준 또는 건강(healthiness) 수준을 표시하기 위해 품질 메트릭(예, 품질 점수)을 사용할 수 있다. 예를 들어, 시스템은 특징 공간에서 해당(that) 샘플의 해당(corresponding)하는 위치 및 특징 공간의 기준점(예를 들어, 인라이어 샘플의 중심점 또는 평균점)까지의 거리에 기초하여 각각의 검사된 샘플에 대한 품질 점수를 결정할 수 있다. 시스템은 해당 품질 점수를 미리 결정된 임계값과 비교하여 샘플이 적합 샘플인지 또는 부적합 샘플인지 여부를 결정할 수 있다. 적합 샘플의 경우 시스템은 품질 점수를 사용하여 이러한 샘플의 정량화된 품질 수준을 표시할 수 있다. 더 높은 품질 스코어를 갖는 적합 샘플은 더 낮은 품질 스코어를 갖는 일부 다른 적합 샘플(예를 들어, 특징 공간에서 기준점 또는 평균점에 더 가까움)보다 더 높은 품질 수준을 가질 수 있다. 제한이 아닌 예시로서 도2a에 도시된 바와 같이, 시스템은 인라이어 샘플의 중심점(215)을 기준으로 검사된 샘플(219, 212, 212, 214) 각각에 대한 D1, D2, D3 및 D4의 거리 값을 결정할 수 있다. 시스템은 샘플(213 및 214)이 모두 적합 샘플이지만, 샘플(213)이 샘플(214)(거리 D4를 가짐)보다 평균 중심점(215)까지의 거리 D3가 더 작다고 결정할 수 있다. 시스템은 샘플(213)이 샘플(214)보다 더 높은 품질 점수를 가질 수 있다고 결정할 수 있다. 시스템은 샘플(214)이 경계 조건(210)(예를 들어, 임계 거리 이내) 근처에 있다는 결정에 기초하여 이 검사 시점에 완전히 기능할 수 있지만 장기적으로 샘플(214)이 상대적으로 더 낮은 신뢰성을 가질 수 있다고 결정할 수 있다.
특정 실시예에서, 시스템은 각각의 검사된 샘플에 대해 품질 메트릭에 기초하여 추정된 수명을 예측하고 특징 공간에서 해당 샘플의 대응하는 위치에 기초하여 가능한 고장 모드(failure mode)를 예측할 수 있다. 예를 들어, 도 2a에 도시된 바와 같이, 시스템은 거리 벡터(예를 들어, D1, D2, D3 및 D4)의 길이에 기초하여 추정된 수명 시간을 결정할 수 있고, 거리 벡터(예를 들어, D1, D2, D3 및 D4)의 방향에 기초하여 가능한 고장 모드를 결정할 수 있다. 유사하게, 시스템은 샘플(219 및 212)이 모두 아웃라이어 샘플일지라도, 샘플(212)이 샘플(219)보다 평균 중심점(215)까지의 거리가 더 크다고 결정할 수 있다. 시스템은 샘플(212)의 제조 프로세스가 사양 요구 사항에서 더 큰 파라미터 편차를 가질 수 있다고 결정할 수 있다.
제조 프로세서의 근본 원인 결정
드리프트(drifts)를 식별하여 조기 문제(early problems) 검출
특정 실시예에서, 시스템은 검사된 샘플의 하나 이상의 샘플 파라미터에서 하나 이상의 드리프트를 식별함으로써 초기 단계에서 제조 프로세스의 문제를 검출할 수 있다. 특정 실시예에서, 시스템은 시간에 걸쳐 및/또는 일련의 샘플에 걸쳐 측정된 파라미터의 변화를 추적할 수 있고 추적된 파라미터 변화에 기초하여 드리프트를 식별할 수 있다. 특정 실시예에서, 시스템은 예를 들어, 그러나 이에 제한되지 않는, 개별 솔더 조인트 레벨에서 솔더 조인트의 형상, 직경, Z-축 두께, 솔더 조인트의 크기 등의 변화에 기초하여 드리프트를 식별할 수 있다. 제한이 아닌 예로서, 시스템은 검사된 샘플에서 정렬 드리프트(alignment drift)를 식별할 수 있다. 시스템은 검사된 샘플의 정렬 드리프트가 본딩 프로세스에 사용된 본딩 도구의 이동 파라미터(shifting parameter)로 인해 발생한다고 결정할 수 있다. 시스템은 본딩 도구의 이동 파라미터가 수정되지 않을 경우, 결함 부품의 생산을 야기할 수 있음을 예측할 수 있다. 시스템은 본딩 도구가 실제로 어떤 결함 부품의 생산을 야기하기 전에 이 문제를 식별하고 본딩 도구의 이동 파라미터를 조정하기 위해 이 정보를 본딩 도구로 보낼 수 있다. 다른 예로서, 시스템은 검사된 샘플의 솔더 조인트에서 사이즈 드리프트(size drift)를 식별할 수 있다. 시스템은 검사된 샘플의 사이즈 드리프트가 조립 프로세스에 사용된 조립 도구의 이동 파라미터로 인해 발생한다고 결정할 수 있다. 시스템은 조립 도구의 이동 파라미터가 수정되지 않을 경우, 결함 부품의 생산을 야기할 수 있음을 예측할 수 있다. 시스템은 조립 도구가 실제로 어떤 결함 부품의 생산을 야기하기 전에 이 문제를 식별하고 이동 파라미터를 조정하기 위해 이 정보를 조립 도구에 보낼 수 있다.
다수의 파라미터의 상호작용(interaction)과 연관된 근본 원인 결정
특정 실시예에서, 생산된 부품의 문제(예를 들어, 오정렬 결함)는 제조 프로세스의 사양 요구 사항에서 벗어나는 다수의 파라미터의 상호작용에 의해 야기될 수 있다. 식별된 결함과 결함을 유발하는 제조 도구의 파라미터 사이에는 명백한 상관관계가 없을 수 있다. 기존의 검사 기술은 어떤 변수가 결함을 유발했는지 결정하지 못할 수 있다. 특정 실시예에서, 시스템은 엑스선 검사에 기초하여 식별되는 검사된 샘플의 결함의 근본 원인을 식별하기 위해 과거 데이터에 의해 훈련되는 기계 학습 모델을 사용할 수 있다. 시스템은 특정 프로세스 조건에서 제조되거나 처리된 샘플 모집단을 사용하여 기계 학습 모델을 훈련할 수 있다. 훈련 프로세스에서 기계 학습 모델은 가중치를 조정하여 훈련 샘플 모집단에 의해 정의된 적합 샘플의 경계 조건을 특성화할 수 있다. 기계 학습 모델은 일단 훈련되면, 검사된 샘플의 파라미터와 제조 프로세스의 변수 변화에 매우 민감할 수 있다. 검사 프로세스 동안 시스템은 훈련된 기계 학습 모델을 사용하여 제조 프로세스의 제조 도구의 파라미터 변화 및 드리프트를 식별할 수 있다. 기계 학습 모델이 적합 샘플의 경계를 벗어나는(예를 들어, 미리 결정된 임계 범위를 벗어나는) 검사된 샘플에서 하나 이상의 파라미터를 식별하거나 검사된 샘플에서 하나 이상의 결함을 식별할 때, 기계 학습 모델은 제조 도구 및 제조 프로세스와 관련된 해당 근본 원인 파라미터를 결정할 수 있다. 그 다음에, 시스템은 제조 프로세스를 일시 중지하고 제조 도구의 해당 파라미터를 조정하기 위해 제조 도구에 명령을 전송할 수 있다. 특정 실시예에서, 시스템은 제조 프로세스를 일시 중지하지 않고 제조 도구의 해당 파라미터를 자동으로 조정하기 위해 제조 도구에 명령 또는 데이터를 전송할 수 있다.
프로세스 제어를 위한 피드백 및 피드포워드
기능 및 파라미터 조정을 위한 이전 프로세서로에 대한 피드백
도 3은 엑스선 검사로부터의 피드백 및 피드포워드 정보에 기초하여 제조 프로세스 파라미터들을 조정하기 위한 프레임워크(3000)의 예시를 설명한다. 특정 실시예에서, 제1 도구(310)는 이러한 전자 부품 또는 장치의 제조 프로세스 동안 전자 부품 또는 장치를 처리하는 데 사용될 수 있다. 특정 실시예에서, 제1 도구(310)는 예를 들어, 조립 도구, 본딩 도구, 배치 도구, 드릴링 머신, 열압착 본딩 도구, 하이브리드 본딩 도구 등일 수 있지만 이에 제한되지 않는다. 제1 도구(310)는 제조 프로세스의 하나 이상의 단계에서 생산된 샘플(312)을 처리하는 데 사용될 수 있다. 특정 실시예로, 엑스선 검사 시스템(320)은 샘플(312)을 처리하기 위해 제1 도구(310)와 인라인 및/또는 인시츄로 제1 도구(310)에 의해 처리되는 샘플(312)을 검사할 수 있다. 시스템(320)은 샘플(312)의 엑스선 이미지를 캡처하고, 컴퓨터 비전 알고리즘 및/또는 기계 학습 모델을 사용하여 캡처된 엑스선 이미지를 분석하고, 검사된 샘플(312)에 대한 계측 정보를 생성할 수 있다. 시스템(320)이 검사된 샘플(312)에서 하나 이상의 결함을 검출하거나 검사된 샘플(312)의 하나 이상의 샘플 파라미터가 사양에서 벗어났다고(예를 들어, 미리 결정된 임계 범위를 벗어남) 결정할 때, 시스템(320)은 피드백 정보(314)를 제1 도구(310)에 전송하여 계측 정보에 기초한 제1 도구(310) 및 제조 프로세스와 연관된 하나 이상의 프로세스 파라미터를 조정할 수 있다. 특정 실시예에서, 시스템(320)은 샘플(312)이 제1 도구(310)에 의해 처리되는 동안 실시간으로 엑스선 검사를 수행하고 피드백 정보(314)를 제1 도구(310)에 전송할 수 있다. 피드백 정보(314)를 수신한 후, 제1 도구(310)는 제조 프로세스와 관련된 하나 이상의 프로세스 파라미터를 조정할 수 있다. 조정된 후 제1 도구(310)에 의해 처리된 새로운 샘플은 결함 있는 부품 또는 사양 요구사항에 정의된 대로 미리 결정된 범위를 벗어난 파라미터가 있는 부품을 생산할 확률이 더 낮을 수 있다.
특정 실시예에서, 엑스선 검사 시스템(320)은 제1 도구(310)가 검사 및 측정 결과를 사용하여 샘플을 처리하기 위한 제1 도구(310)를 중지하지 않고 프로세스 파라미터를 바로 조정하게 할 수 있다. 특정 실시예에서, 엑스선 검사 시스템(320)은 제1 도구(310)가 생산 프로세스를 중지하게 하고 프로세스를 목적하는 품질 수준으로 복원하기 위해 하나 이상의 프로세스 파라미터에서 필요한 변화를 발생하게 할 수 있다. 특정 실시예에서, 엑스선 검사 시스템(320)은 제1 도구(310)에 대한 인시츄 측정을 수행하고 제조 프로세스와 관련된 하나 이상의 파라미터를 조정하기 위해 제1 도구에 인시츄 피드백을 제공할 수 있다. 특정 실시예에서, 엑스선 검사 시스템(320)은 제조 프로세스에서 인라인 검사 또는 측정을 수행하고, 제조 프로세스의 파라미터를 조정하기 위해 제1 도구(320) 또는 제1 도구(320)의 작업자에게 피드백 정보를 제공할 수 있다. 이를 인 시츄 또는/및 인라인 검사 및 피드백을 사용함으로써, 시스템의 특정 실시예는 제조 프로세스가 제조된 제품의 품질에 영향을 미치는 하나 이상의 프로세스 파라미터를 조정하도록 함으로써 제조 프로세스 동안의 결함 부품의 양을 감소시킬 수 있다. 특정 실시예에서, 시스템은 보다 좁게 정의된 사양 범위에서 생산 부품의 품질을 관리할 수 있으며, 따라서 제조된 제품의 불량률을 예를 들어 10억분의 1로 감소시킬 수 있다.
기능 및 파라미터 조정을 위한 후속 ㅍ로세스로 피드포워드
특정 실시예에서, 엑스선 검사 시스템(320)은 제조 프로세스의 하나 이상의 후속 단계에서 이러한 샘플을 처리할 제2 도구(330)에 피드포워드 정보(317)를 제공할 수 있다. 특정 실시예에서, 제2 도구(330)는 예를 들어, 조립 도구, 본딩 도구, 배치 도구, 드릴링 머신, 열압착 본딩 도구, 하이브리드 본딩 도구 등일 수 있지만 이에 제한되지는 않는다. 특정 실시예에서, 엑스선 검사 시스템(320)은 샘플(312)을 검사할 수 있고, 이는 샘플(312)을 처리하기 위해 제2 도구(320)와 인라인 및/또는 인시츄로 제조 프로세스의 하나 이상의 후속 단계에서 제2 도구(330)에 의해 처리될 수 있다. 엑스선 검사 시스템(320)은 샘플(312)의 엑스선 이미지를 캡처하고, 컴퓨터 비전 알고리즘 및/또는 기계 학습 모델을 사용하여 캡처된 엑스선 이미지를 분석하고, 검사된 샘플(312)에 대한 계측 정보를 생성할 수 있다. 엑스선 검사 시스템(320)이 검사된 샘플(312)에서 하나 이상의 결함을 검출하거나 검사된 샘플(312)의 하나 이상의 파라미터가 임계값 차이에 대한 사양에서 벗어나는 경우(예를 들어, 미리 결정된 범위를 벗어남(being outside)), 엑스선 검사 시스템(320)은 계측 정보에 기초하여 제조 프로세스의 제2 도구(330)와 연관된 하나 이상의 파라미터를 조정하기 위해 제2 도구(330)에 피드포워드 정보(317)를 전송할 수 있다. 특정 실시예에서, X선 검사 시스템(320)은 X선 검사를 수행하고 피드포워드 정보(317)를 실시간으로 제2 도구(330)에 보낼 수 있고, 그 동안 샘플(312)은 제조 프로세스의 후속 단계에서 제2 도구(330)에 의해 처리된다. 피드백 정보(314)를 수신한 후, 제2 도구(330)는 제조 프로세스와 연관된 하나 이상의 프로세스 파라미터를 조정하고 샘플(312)을 처리할 수 있다. 특정 실시예에서, 샘플(312)은 조정된 파라미터를 사용하여 제2 도구(330)에 의해 처리된 후, 식별된 결함이 제거되거나 수정되게 할 수 있고 그의 파라미터가 각각의 사양 요구 사항(예를 들어, 각각의 미리 결정된 범위를 가짐)을 충족하게 할 수 있다. 특정 실시예에서, 제2 도구(330)는 파라미터가 조정된 후, 제조 프로세스의 후속 단계에서 후속 샘플을 처리할 수 있고 결함 부품 또는 사양 요구사항에서 벗어나는 파라미터를 갖는 부품을 생산할 더 낮은 확률을 가질 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 엑스선 기계 내의 또는 엑스선 기계에 원격인 하나 이상의 연산 프로세서를 포함할 수 있으며, 이 프로세서는 이러한 도구에 제공되는 피드백/피드포워드 정보를 처리한다. 특정 실시예에서, 제공된 피드백/피드포워드 정보는 예를 들어, 그러나 이에 제한되지 않는, 근거리 통신망(local area network)(예를 들어, 유선 네트워크 또는 무선 네트워크), 통신 네트워크(telecommunication network), 중개 컴퓨터(intermediary computer) 등을 포함하는 임의의 통신 방법을 사용하여 통신될 수 있다.
후속 프로세스의 제외
특정 실시예에서, 엑스선 검사 시스템은 제조 프로세스의 하나 이상의 단계를 수정하기 위해 제조 프로세스의 하나 이상의 후속 단계에서 사용될 하나 이상의 도구에 피드포워드 정보를 보낼 수 있다. 제한이 아닌 예로서, 시스템은 검사된 샘플의 엑스선 이미지에 기초하여 생성된 계측 정보에 기초하여 제조 프로세스의 하나 이상의 후속 단계가 중복된다고 결정할 수 있다. 시스템은 제조 프로세스에서 중복된 후속 단계를 제외하기 위해 후속 단계에서 사용되는 하나 이상의 도구에 명령을 보낼 수 있다. 또 다른 예로서, 시스템은 검사된 샘플의 계측 정보에 기초하여 하나 이상의 추가 후속 단계(예를 들어, 결함을 제거하거나 구조적 문제를 수정하기 위한 샘플의 재처리)가 제조 프로세스에 필요하다고 결정할 수 있다. 시스템은 제조 프로세스에서 하나 이상의 추가 단계를 포함하기 위해 다운스트림(downstream) 단계에서 사용되는 하나 이상의 도구에 명령을 보낼 수 있다.
피드백 루프의 예: 본딩 프로세스 파라미터의 조정
a. 본딩 프로세스 파라미터
특정 실시예에서, 시스템은 검사된 샘플을 다른 샘플 카테고리로 분류하기 위해 기계 학습 모델을 사용할 수 있다. 각 샘플 카테고리는 특정 프로세스 파라미터(예를 들어, 샘플을 가열 챔버에 배치되기 전의 중간 지속 시간 및 본딩 프로세스 동안 가열 챔버 내의 온도)가 있는 제조 프로세스에 해당할 수 있다. 특정 실시예에서, 검사된 샘플은 본딩 도구를 사용하여 제조 또는 조립된 전자 부품 또는 장치일 수 있다. 전자 컴포넌트 또는 장치는 조립 및 정렬 후 본딩을 위해 가열 챔버에 배치될 수 있다. 조립된 전자 제품은 챔버의 다른 로트(lots)에 배치될 수 있으며 본딩 프로세스 동안 온도 범위와 조립 후 및 챔버에 배치되기 전의 중간 지속 시간에 대한 요구 사항이 있을 수 있다. 예를 들어, 전자 제품은 자격을 갖춘(qualified) 본딩 결과를 위해 본딩 프로세스 동안 챔버 온도가 400 ± 50도 범위 내에 있을 것을 요구할 수 있다. 다른 예로, 전자 제품은 조립 후 1시간 이내에 챔버에 배치될 것을 요구할 수도 있다. 전자 제품은 챔버에 배치되기 전의 온도와 중간 지속 시간이 이러한 요구 사항을 충족할 때 자격을 갖춘 결과로 본딩될 수 있다. 다만, 온도 및 중간 지속 시간의 변화로 인해 제품의 품질의 변화가 야기될 수 있다(온도 및 중간 지속 시간의 변화가 요구되는 범위 내이고 제품이 전기 테스트를 통과한 경우일지라도). 특정 실시예에서, 시스템은 검사된 샘플의 품질을 평가하고 제조 프로세스의 하나 이상의 파라미터를 조정하기 위한 정보를 제공하기 위해 기계 학습 모델을 사용할 수 있다.
b. 본딩 프로세스를 위한 파라미터 공간
도 4는 검사된 샘플을 다른 제조 프로세스 파라미터들에 대응하는 다른 샘플 카테고리들로 분류하기 위한 프로세스(4000)의 예시를 설명한다. 특정 실시예에서, 기계 학습 모델은 제조 프로세스에 대한 파라미터 값의 다른 세트에 각각 대응하는 다수의 샘플 카테고리의 훈련 샘플에 의해 훈련될 수 있다. 프로세스 파라미터는 새로 검사된 샘플을 대응하는 샘플 카테고리로 분류하는 데 사용될 수 있다. 제한이 아닌 예로서, 기계 학습 모델에는 알려진 제조 프로세스 파라미터를 갖는(with) 다수의 훈련 샘플의 다수의 엑스선 이미지가 공급될 수 있다. 예를 들어, 로트 A(451)의 샘플은 조립 후 1시간 이상(예를 들어, 2시간) 후에 챔버에 배치되고 본딩 프로세스 동안 450도의 표준 챔버 온도를 갖는 샘플을 포함할 수 있다. 로트 B(452)의 샘플은 본딩 프로세스 동안 400도의 온도 및 샘플이 챔버에 넣기 전 1시간의 중간 지속 시간을 갖는 참조 프로세스(process of reference, POR)의 파라미터로 제조된 샘플을 포함할 수 있다. 로트 C(453)의 샘플에는 본딩 프로세스 동안 더 높은 챔버 온도(예를 들어, 요구되는 온도 범위의 최고 한계인 450도) 및 1시간의 표준 중간 지속 시간을 갖는 샘플이 포함될 수 있다. 이러한 샘플의 제조 프로세스 파라미터(예를 들어, 로트 A, 로트 B 및 로트 C)는 해당 엑스선 이미지에 대해 알려지고 라벨링될 수 있다.
특정 실시예에서, 시스템은 엑스선 이미지로부터 하나 이상의 관심 요소에 대한 특징 세트를 추출할 수 있다(예를 들어, 기계 학습 모델 또는 컴퓨터 비전 알고리즘을 사용하여). 특정 실시예에서, 특징은 예를 들어, 그러나 이에 제한되지 않는, 하나 이상의 컴포넌트 치수(예를 들어, 직경, 길이, 폭, 높이, 두께), 컴포넌트 영역, 재료 분포, 프로파일 그라디언트(profile gradients), 위치, 다른 컴포넌트와의 거리, 다른 컴포넌트에 대한 상대적 위치 또는 적층 순서(stacking order), 서로 다른 방향에서 생성된 다중 X-이미지를 교차하는 하나 이상의 변화(예를 들어, 직경 변화, 길이 변화, 폭 변화, 높이 변화, 영역 변화, 형상 변화, 위치 변화, 변위, 정렬 변화), 하나 이상의 특성(예를 들어, 상대적 진폭 차이, 변화하는 추세), 엑스선 이미지의 그레이스케일 변화율, 곡선의 곡률, 하나 이상의 엣지의 선명도(sharpness), 주변 영역의 하나 이상의 특성 등을 포함할 수 있다. 추출된 특징은 훈련 프로세스에서 기계 학습 모델에 제공될 수 있다. 일단 훈련되면, 시스템은 기계 학습 모델을 사용하여 검사된 샘플을 샘플 로트(제조 프로세스 파라미터의 특정 조합에 대응함)에 대응하는 각 카테고리에 대한 다른 샘플 카테고리로 분류할 수 있다.
특정 실시예에서, 기계 학습 모델은 특징 세트의 하나 이상의 특징에 기초하여 샘플 카테고리 내 샘플의 유사성을 결정할 수 있다. 시스템은 이러한 샘플을 특징 세트에 의해 설명된 바와 같이 특징 공간 내 대응하는 샘플 카테고리로 클러스터링할 수 있다. 샘플 카테고리의 샘플은 특징 공간의 하나 이상의 특징과 관련된 경계 기준에 의해 설명될 수 있다. 경계 기준은 대응하는 카테고리에 속하는 샘플의 우도(likelihood) 백분율에 대한 임계 값(예를 들어, 60%)을 포함할 수 있다. 기계 학습 모델은 해당 샘플이 각 카테고리에 속할 우도를 지시하기 위한 각 샘플에 대한 백분율 값을 결정할 수 있다. 예를 들어, 샘플은 로트 A에 속할 우도가 60%이고 로트 B와 C에 속할 우도가 20%일 수 있다. 다른 예로서, 샘플이 각각 로트 A, 로트B 및 로트C에 속할 우도가 33%일 수 있으며. 이는 샘플이 임의의 알려진(know) 카테고리의 임의의 알려진 샘플과 유사하지 않기 때문에 아웃라이어 샘플이 될 수 있음을 지시할 수 있다. 이러한 샘플 카테고리의 경계 기준은 이러한 알려지지 않은(unknown) 샘플을 분류하기 위한 샘플 카테고리의 알려진 샘플에 대한 알려지지 않은 샘플의 유사성을 결정하는 데 사용될 수 있다.
특정 실시예에서, 일단 훈련되면, 기계 학습 모델은 분류를 위해 새로 검사된 샘플(예를 들어, 샘플 461, 462, 463 및 464)의 엑스선 이미지를 공급받을 수 있다. 기계 학습 모델은 새로 검사된 샘플(예를 들어, 샘플 461, 462, 463 및 464)의 엑스선 이미지에서 특징 세트를 추출하고 이러한 특징을 각 카테고리에 있는 알려진 샘플의 특징과 비교하여 이러한 새로운 샘플을 분류할 수 있다. 예를 들어, 기계 학습 모델은 샘플(461, 464)의 특징을 3개 로트의 샘플의 특징과 비교하고, 카테고리별로 샘플(461, 464)의 해당 우도(likelihood) 백분율 값을 결정할 수 있다. 샘플(461 및 464)가 로트 B의 경계 기준을 충족하는 경우(예: 우도 백분율 값이 해당 임계값보다 높음), 기계 학습 모델은 샘플(461 및 464)를 로트 B(452)의 샘플 카테고리로 분류할 수 있다. 다른 예로서, 기계 학습 모델은 샘플(462 및 463)의 특징을 각각 로트 C(453) 및 로트 A(451)의 샘플의 특징과 비교하고 각각의 우도 백분율 값을 결정할 수 있다. 기계 학습 모델은 샘플(462 및 463)이 각각 샘플 카테고리 로트 C 및 로트 A의 경계 기준(예를 들어, 대응하는 임계값을 초과하는 각각의 우도 백분율)을 충족한다고 결정할 수 있다. 기계 학습 모델은 샘플(462 및 463)을 각각 로트 C(452) 및 로트 A(451)의 샘플 카테고리로 분류할 수 있다.
특정 실시예에서, 기계 학습 모델은 대응하는 샘플 카테고리와 관련된 제조 프로세스에 기초하여 검사된 샘플에 대한 고장 확률을 결정할 수 있다. 예를 들어, 로트 B(452)의 샘플 카테고리로 분류된 샘플(461 및 464)에 대해 시스템은 샘플(461 및 464)의 제조 프로세스가 참조 프로세스(예를 들어, 본딩 프로세스 중 400도의 온도와 챔버에 배치되기 전 1시간의 중간 지속 시간)와 동일하거나 유사한 파라미터를 가질 수 있다고 결정할 수 있다. 기계 학습 모델은 참조 프로세스에 의해 제조된 샘플의 결함률 또는 고장율을 기반으로 샘플(464 및 461)의 고장 확률을 결정할 수 있다(예를 들어, 백만 개당 1개의 부품). 다른 예로서, 시스템은 샘플(462 및 463)의 제조 프로세스가 로트 C 및 로트 B와 관련된 제조 프로세스와 동일하거나 유사한 파라미터를 가질 수 있다고 결정할 수 있다. 기계 학습 모델은 로트C 및 로트 B 샘플의 고장율 또는 결함률을 기반으로 샘플(462 및 463)에 대한 고장 확률을 결정할 수 있다(예를 들어, 백만 개 당100개의 부품). 로트 A, 로트 B 및 로트 C의 모든 샘플(또는 유사한 샘플)은 전기 테스트를 통과하고 완전히 작동할 수 있으므로 이러한 모든 샘플이 최종 제품에 포함될 수 있다. 시스템의 특정 실시예는 최종 제품에 포함된 이러한 샘플에 대한 고장 우도, 수명 및 가능한 고장 모드를 예측할 수 있다.
특정 실시예에서, 시스템은 상이한 카테고리의 샘플들에 대한 유사성 또는 비유사성의 정도에 기초하여 검사된 샘플에 대한 하나 이상의 정량화된 품질 메트릭을 결정할 수 있다. 예를 들어, 참조 프로세스에 의해 제조된 샘플(461, 464)은 모두 1PPM의 고장율을 가지고 있더라도, 샘플(461)은 로트 B(452)의 평균점과의 거리가 멀기 때문에 샘플(461)은 샘플(464)보다 약간 더 높은 고장율(및 더 낮은 품질)을 가질 수 있다. 시스템은 기준점(예를 들어, 로트 샘플의 평균점)까지의 검사된 샘플의 거리(예를 들어, 거리 466 및 467)를 결정할 수 있고 각각의 검사된 샘플에 대한 정량화된 품질 메트릭을 결정할 수 있다. 정량화된 품질 메트릭은 샘플 카테고리의 평균 샘플과의 유사성 정도에 의해 결정되는 검사된 샘플의 품질을 지시할 수 있다. 특정 실시예에서, 시스템은 정량화된 품질 메트릭이 아웃라이어 기준을 충족할 때 검사된 샘플을 아웃라이어 샘플로 식별할 수 있다. 예를 들어, 시스템에서 검사된 샘플이 모든 알려진 샘플과의 거리가 멀고(예를 들어, 거리 임계 값보다 큼) 임의의 알려진 샘플 카테고리에 속하지 않는 것으로 식별할 때, 시스템은 해당 샘플을 아웃라이어 샘플로 식별할 수 있다.
특정 실시예에서, 시스템은 샘플 분류 결과에 기초하여 검사된 샘플의 제조 프로세스의 파라미터를 결정할 수 있다. 예를 들어, 시스템은 검사된 샘플이 로트 B(452)의 샘플 카테고리로 분류된다는 결정에 기초하여 검사된 샘플(464)이 참조 프로세스에 의해 제조되었음을 식별할 수 있다. 다른 예로서, 시스템은 검사된 시료가 로트 A(451)의 샘플 카테고리로 분류된다는 결정에 기초하여 검사된 샘플(463)이 더 긴 중간 지속 시간을 가진 프로세스에 의해 제조되었음을 식별할 수 있다. 또 다른 예로서, 시스템은 검사된 샘플이 로트 C(453)의 샘플 카테고리로 분류된다는 결정에 기초하여 검사된 샘플(462)가 더 높은 챔버 온도를 갖는 프로세스에 의해 제조되었음을 식별할 수 있다. 시스템은 샘플(462 및 463)에 대한 제조 프로세스를 문제가 있는 것으로 식별할 수 있고(프로세스 파라미터가 요구 사항 범위 내에 있더라도), 그 이유는 결함률과 고장율이 더 높기 때문이다. 시스템은 이러한 측정 결과를 제조 프로세스에 폐쇄 루프(closed-loop) 피드백 정보로 제공하고 하나 이상의 프로세스 파라미터(예를 들어, 중간 지속 시간, 챔버 온도)를 조정되게 하여 미래 제품이 더 낮은 결함률과 더 낮은 고장율로 더 높은 품질을 가질 수 있도록 할 수 있다.
c. 부분 집합의 샘플에 기초한 검사
특정 실시예에서, 시스템은 제한된 수의 샘플을 검사함으로써 제조 프로세스와 관련된 하나 이상의 파라미터 또는 메트릭을 결정할 수 있으며, 그런 다음 동일한 제조 프로세스 파라미터를 사용하여 동일한 프로세스 동안 제조된 다른 샘플의 품질을 추론할 수 있다. 특정 실시예에서, 시스템은 제한된 수의 샘플을 검사하여 동일한 제조 프로세스 동안 제조되는 많은 수의 샘플에 대한 제조 프로세스 파라미터를 결정할 수 있다. 예를 들어, 함께 생산되는 샘플 그룹의 경우(예를 들어, 동일한 조립 및/또는 본딩 프로세스 동안 동일한 슬롯에서), 시스템은 이 샘플 그룹의 적어도 하나의 샘플을 검사하고 검사된 샘플을 알려진 제조 프로세스 파라미터에 대한 샘플 카테고리로 분류할 수 있다. 그 다음, 시스템은 동일한 제조 프로세스 파라미터를 사용하여 이전에 제조된 제품에 기초하여 샘플 그룹의 예측된 고장율 또는 결함률을 결정할 수 있다(이 그룹의 모든 샘플을 검사하지 않고). 적어도 하나의 검사된 샘플에 대해, 시스템은 대응하는 특징 집합이 추출될 수 있도록 하는 여러 관심 요소(예를 들어, 핀 또는 솔더 연결)를 검사할 수 있다. 추출된 특징에 기초하여 검사된 샘플이 분류될 수 있다. 특정 실시예에서, 시스템은 검사된 샘플을 분류하는 데 필요한 대응하는 특징을 추출하기 위해 적어도 하나의 검사된 샘플의 일부(예를 들어, 모서리(corner) 부분)를 검사할 수 있다. 특정 실시예에서, 동일한 제조 프로세스 동안 제조된 샘플 그룹을 분류하는 데 필요한 검사된 샘플의 수는 추론 프로세스 동안 기계 학습 모델에 의해 결정될 수 있다. 특정 실시예에서, 검사된 샘플을 분류하기 위해 필요한 특징을 추출하는 데 필요한 관심 요소(예를 들어, 핀, 솔더 연결)의 수는 추론 프로세스 동안 기계 학습 모델에 의해 결정될 수 있다.
d. 본딩 도구의 파라미터 조정
특정 실시예에서, 시스템은 인라인, 인시츄 및 실시간 엑스선 검사에 기초하여 제조 프로세스 파라미터가 조정되게 할 수 있다. 시스템은 기계 학습 모델을 사용하여 하나 이상의 관련 엑스선 이미지에서 검사된 샘플과 관련된 하나 이상의 특징을 추출할 수 있다. 시스템은 기계 학습 모델을 사용하여 추출된 하나 이상의 특징에 기초하여 검사된 샘플을 많은 수의 카테고리 중 샘플 카티고리로 분류할 수 있다. 각 샘플 카테고리는 여러 프로세스 파라미터가 있는 제조 프로세스(예를 들어, 검사된 샘플을 가열 챔버에 배치하기 전의 지속 시간 및 제조 프로세스 중 가열 챔버의 온도)에 해당할 수 있다. 기계 학습 모델은 이전에 검사된 각 샘플 카테고리의 샘플에 기초하여 훈련될 수 있다. 시스템은 기계 학습 모델을 사용하여 검사된 샘플과 이전에 검사된 샘플 카테고리의 다수의 샘플 사이의 정량화된 유사도 메트릭을 결정할 수 있다. 시스템은 기계 학습 모델을 사용하여 정량화된 유사도 메트릭에 기초하여 검사된 샘플에 대한 고장 확률을 예측할 수 있다. 고장 확률은 샘플 카테고리와 연관된 결함률 또는 고장율에 기초하여 결정될 수 있다. 특정 실시예에서, 시스템은 검사되지 않은 다수의 샘플에 대한 결함률 또는 고장율을 결정할 수 있다. 이러한 검사되지 않은 샘플은 검사된 샘플에 대한 동일한 프로세스 파라미터를 사용하여 동일한 제조 프로세스를 사용하여 제조될 수 있다.
특정 실시예에서, 시스템은 피드백 정보를 본딩 도구에 전송하고 본딩 도구가 하나 이상의 프로세스 파라미터(예, 검사된 샘플을 가열 챔버에 배치하기 전의 지속 시간 및 제조 프로세스 동안의 가열 챔버의 온도)를 조정하게 할 수 있다. 특정 실시예에서, 제조 프로세스의 다른 도구로 전송된 피드백(또는 피드포워드) 정보는 예를 들어 특정 파라미터를 조정하기 위한 명령, 검사된 샘플에서 식별된 결함, 엑스선 이미지에 기초하여 결정된 계측 정보, 검사된 샘플의 하나 이상의 특징, 하나 이상의 샘플 파라미터의 드리프트 또는 추세를 포함할 수 있지만 이에 제한되지 않는다. 예를 들어, 시스템은 본딩 도구로 하여금 검사된 샘플을 가열 챔버에 배치하기 전의 지속 시간 및 제조 프로세스 동안 가열 챔버의 온도를 조정하도록 하기 위해 본딩 도구에 인시츄 측정 결과를 전송할 수 있다. 특정 실시예에서, 시스템은 본딩 도구가 작업자에 의해 프로세스 파라미터의 하나 이상의 파라미터를 조정하도록 하기 위해 본딩 도구의 작업자에게 정보를 피드백할 수 있다. 특정 실시예에서, 시스템은 제조 프로세스가 중단되게 하고 본딩 도구가 그 파라미터를 자동으로 조정하게 할 수 있다. 특정 실시예에서, 시스템은 본딩 도구가 후속 샘플을 처리하는 것을 중단하지 않고 본딩이 하나 이상의 프로세스 파라미터를 조정하도록 하는 명령을 본딩 도구에 전송할 수 있다.
방법의 예시
도 5는 도구에 의해 처리된 샘플들의 엑스선 검사 결과들에 기초하여 도구에 피드백 정보를 제공하기 위한 방법(5000)의 예시를 설명한다. 방법은 엑스선 검사 시스템이 제1 도구에 의해 처리된 하나 이상의 관심 샘플들에 대한 하나 이상의 엑스선 이미지들을 캡처할 수 있는 단계(510)에서 시작할 수 있다. 엑스선 검사 시스템은 제1 도구와 인라인(inline)일 수 있다. 엑스선 검사 시스템은 분당 300mm2 이상의 검사 속도를 가질 수 있다. 단계(520)에서, 시스템은 하나 이상의 엑스선 이미지들에 기초하여, 하나 이상의 관심 샘플들과 관련된 계측 정보를 실시간으로 결정할 수 있다. 계측 정보는 하나 이상의 관심 샘플들과 연관된 샘플 파라미터가 샘플 파라미터와 연관된 미리 결정된 임계 값 범위 밖에 있음을 지시할 수 있다. 단계 530에서, 시스템은 샘플 파라미터가 미리 결정된 임계 값 범위 밖에 있다는 실시간 결정에 응답하여, 하나 이상의 관심 샘플들과 관련된 계측 정보에 기초하여, 각각의 도구들과 연관된 하나 이상의 프로세스 파라미터들을 조정하기 위해 명령들을 하나 이상의 제1 도구 및/또는 하나 이상의 제2 도구들에 제공할 수 있다. 조정된 프로세스 파라미터들은 미리 결정된 범위 밖에 있는 샘플 파라미터와 관련된 후속 샘플들을 처리하기 위한 각각의 도구의 처리 오류 확률을 감소시킬 수 있다.
특정 실시예에서, 엑스선 검사 시스템은 분당 1000mm2 이상의 검사 속도를 가질 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 분당 3000mm2 이상의 검사 속도를 가질 수 있다. 특정 실시예에서, 하나 이상의 엑스선 이미지들은 1200만 픽셀 이상의 시야로 캡처될 수 있다. 특정 실시예에서, 하나 이상의 엑스선 이미지들에 기초하여 결정된 계측 정보는 0.5 마이크론 이하의 공간 해상도로 측정된 하나 이상의 구조적 특징들과 연관된 측정 정보를 포함할 수 있다. 특정 실시예에서, 엑스선 검사 시스템은 하나 이상의 관심 샘플들을 처리하기 위해 제1 도구 또는 하나 이상의 제2 도구들에 대한 제2 속도 이상인 제1 속도로 하나 이상의 관심 샘플들을 검사할 수 있다. 특정 실시예에서, 시스템은 계측 정보에 기초하여 하나 이상의 관심 샘플들이 하나 이상의 결함들을 갖는다고 결정할 수 있다. 제1 도구에 제공된 명령들은 하나 이상의 관심 샘플들의 하나 이상의 결함들에 기초하여 생성될 수 있다. 특정 실시예에서, 하나 이상의 제2 도구들은 하나 이상의 관심 샘플들 및 후속 샘플들을 처리 또는 재처리하기 위한 하나 이상의 후속 프로세스들과 연관될 수 있다.
특정 실시예에서, 시스템은 하나 이상의 관심 샘플들과 관련된 계측 정보에 기초하여, 하나 이상의 관심 샘플들을 처리하기 위한 하나 이상의 후속 프로세스들이 중복되는 것으로 결정할 수 있다. 시스템은 하나 이상의 관심 샘플들과 연관된 제조 프로세스에서 하나 이상의 후속 프로세스들을 제외하기 위해 하나 이상의 제2 도구들에 명령들을 전송할 수 있다. 특정 실시예에서, 하나 이상의 관심 샘플들은 하나 이상의 관심 샘플들이 제1 도구에 의해 처리되는 동일한 프로세스 동안 실시간으로 검사될 수 있다. 특정 실시예에서, 하나 이상의 관심 샘플들은 하나 이상의 관심 샘플들을 처리하기 위해 제1 도구에 대해 인시츄(in situ)로 검사될 수 있고, 엑스선 검사 시스템은 제1 도구와 통합될 수 있다. 특정 실시예에서, 하나 이상의 엑스선 이미지들에 기초하여 결정된 계측 정보는 솔더 볼들의 형상 정보, 솔더 볼들의 치수 정보(dimensional information). 결함 정보, 인터포저(interposer)에 대한 집적 회로 다이(die)의 정렬 정보, 뒤틀림 정보(warpage information), 솔더 접촉 외부 크기(solder contact external size)와 연관된 균일성 메트릭, 솔더 조인트 직경, 접촉 패드 영역의 어둠 메트릭(darkness metric), 접촉 패드 영역의 어둠 커버리지(darkness coverage)에 대한 균일성 메트릭(uniformity metric), 접촉 패드의 위치에 대한 연속적인 신호 변화, 볼과 솔더를 연결하는 밝은 신호 링(bright signal ring), 접촉 패드 영역에 걸친 약간 어둡고 균일한 커버리지(a small dark and a uniform coverage), 제품 사양에서 파라미터 편차들, 인터포저에 관한 다이의 틸트 각도, 기판에 관한 다이의 기울기 각도(예를 들어, 유기 기판) 등 중 하나 이상을 포함할 수 있다. 특정 실시예에서, 계측 정보는 컴퓨터 비전 알고리즘 또는 과거 데이터에 의해 훈련된 기계 학습 모델에 의해 생성될 수 있다.
특정 실시예에서, 제1 도구는 상기 하나 이상의 관심 샘플들 및 상기 후속 샘플들을 조립하기 위한 조립 도구일 수 있다. 특정 실시예에서, 조립 도구는 배치 도구(placement tool) 및 매스 리플로우 장치(mass reflow device)를 포함하는 본딩 도구(bonding tool)일 수 있다. 특정 실시예에서, 조립 도구는 열압착 본딩 도구(thermo-compression bonding tool) 또는 하이브리드 본딩 도구(hybrid bonding tool)일 수 있다. 특정 실시예에서, 조정되는 제1 도구의 하나 이상의 프로세스 파라미터들은 예를 들어, 그러나 이에 제한되지 않는, 화학적 기계적 평탄화(chemical-mechanical polishing) 파라미터, 집적 회로 다이의 정렬, 인터포저의 정렬, 결합력(bonding force), 본딩 온도(bonding temperature), 가열 속도, 냉각 속도, 또는 조립 후 가열되기 전까지의 지속 시간 중 하나 이상을 포함할 수 있다. 특정 실시예에서, 하나 이상의 관심 샘플들은 하나 이상의 관심 샘플들에 대한 하나 이상의 조정들을 만들기 위해 제1 도구에 의해 재처리될 수 있다. 하나 이상의 관심 샘플들에 대한 하나 이상의 조정들은 하나 이상의 관심 샘플들의 계측 정보에 기초하여 만들어질 수 있다. 특정 실시예에서, 엑스선 검사 시스템에 의해 검사된 하나 이상의 샘플들은 제1 도구에 의해 처리된 샘플 모집단의 부분 집합일 수 있다.
본 개시는 도 5의 방법의 특정 단계를 특정 순서로 발생하는 것으로 묘사하고 설명하지만, 본 개시는 임의의 적절한 순서로 발생하는 도5의 방법의 임의의 적절한 단계를 고려한다. 게다가, 본 개시는 도구에 의해 처리된 샘플의 엑스선 검사 결과에 기초하여 도구에 피드백 정보를 제공하기 위한 예시적인 방법을 묘사하고 설명하지만, 본 개시는 적당한(appropriate) 도 5의 방법의 단계들의 전부, 일부 또는 전혀 포함하지 않을 수 있는 임의의 적절한 단계들을 포함하는, 도구에 의해 처리된 샘플의 엑스선 검사 결과에 기초하여 도구에 피드백 정보를 제공하기 위한 임의의 적절한 방법을 고려한다. 더욱이, 본 개시가 도 5의 방법의 특정 단계를 수행하는 특정 컴포넌트, 장치 또는 시스템을 묘사하고 설며ㅇ하지만, 본 개시는 도 5의 방법의 임의의 적절한 단계를 이행(carrying out)하는 임의의 적절한 컴포넌트, 장치 또는 시스템의 임의의 적절한 조합을 고려한다.
장점: 검사 속도
본 발명의 중요한 장점은 엑스선의 확장된 소스가 사용될 수 있어 이미징에 사용되는 엑스선의 가용 플럭스(available flux)를 증가시킬 수 있다는 것이다. 이는 차례로(in turn) 시스템의 가능한 처리량을 증가시킨다. 다르게 말하면, PPM 시스템으로 단일 검사 이미지를 획득하는 시간에, 제안된 발명은 동일한 해상도로 300,000개 이상의 이미지를 획득할 수 있다.
다음과 같은 PPM 엑스선 시스템과의 비교를 생각한다. 이미지를 획득하기 위한 시간은 엑스선의 플럭스 Φ에 의존한다.
Tacquire = ( P# × XP ) / Φ
여기서 P# 은 픽셀 수, XP 는 픽셀당 엑스선 수, Φ는 엑스선 플럭스이다. 포인트 소스로부터 엑스선 플럭스는 다음과 같다:
Flux = Φ = β × Ω × SA
여기서 β 는 포인트 소스 밝기, Ω는 mrad2의 각도 분포, SA 는 포인트 소스 영역 SA= πr2이다. 엑스선 시스템의 소스 스팟 크기는 일반적으로 ASTM 표준 SE-1165를 사용하여 정의된다. ["Standard Test Method for Measurement of Focal Spots of Industrial X-ray Tubes by Pinhole Imaging," ASTM Committee E- 7 on Nondestructive Testing, May 15, 1992].
일반적인 엑스선 소스 밝기 β 는 다음과 같다.
β = 108 X-rays / sec / mm2 / mrad2 .
자동 검사에서 시차 오류(parallax errors)를 방지하려면 PPM 엑스선 빔을 잘 시준해야 한다. 20mrad의 발산(divergence)이 일반적이다. 포인트 소스
Ω = (20 mrad)2 = 400 mrad2
그리고 소스 스팟 직경이 d = 2r = 1 μm = 10-3 mm, 인, 플럭스는 다음과 같이 주어진다.
Flux = Φ = β × Ω × SA
= 108 × 400 ×π ×[0.5 x 10-3]2 X-rays /sec
= 400 × π × 0.25 × 108 × [10-3]2 X-rays /sec
= 400 × π × 25 X-rays /sec
= 31,416 = 3.14 × 104 X-rays / sec.
일반적인 엑스선 이미지 센서는 512 x 512 픽셀을 가질 수 있으며 이미지 형성을 위해 픽셀당 1,000개의 엑스선이 필요하다. PPM 시스템의 이미지는 따라서 약 8,350초 또는 2.3시간 내에 수집된다.
한편, 동일한 광원 밝기를 유지하지만 본 발명에 따라 더 큰 소스 스팟 크기로 조명하는 것은 객체를 조명하는 엑스선 플럭스를 극적으로 증가시킨다. 예를 들어, 객체에서 100mm 떨어진(separated) 직경 1mm(r=0.5mm)의 소스를 가정하고, 더욱이 객체에서 신틸레이터까지의 거리가 100마이크론(microns)이라고 가정한다. 엑스선 빔의 각도 발산은 다음과 같이 주어진다.
α = 1 mm /100 mm = 10 mrad,
다음을 만든다
Ω = 100 mrad2 .
스팟 영역은 = π × [0.5]2 = 0.785 mm2, 그래서 플럭스는 다음과 같다.
Flux = Φ = 108 × 100 × 0.785 photons /sec
= 7.85 ×109 photons /sec
이는 PPM 구성보다 250,000배(a factor of 250,000 times) 더 높다. 따라서 동일한 512 × 512 이미지(픽셀당 1,000개의 엑스선을 갖는)를 이제 고속으로 생성할 수 있으며, 예를 들어, 이제 대략 33msec의 비례하여 더 빠른 이미지 수집 시간을 가질 수 있다.
실제 문제(practical matter)로서, 처리량 향상은 이 숫자에서 2와 10 사이의 정도(a factor of between 2 and 10)만큼 더 감소될 수 있다. PPM 이미징 시스템은 50%에서 100% 사이의 양자(quantum) 효율을 가질 수 있는 CCD 엑스선 검출기로 확대된 그림자 이미지에서 엑스선을 직접 검출할 수 있다. 일반적인 엑스선 CCD 어레이는 약 100μm ×100μm 크기의 픽셀 어레이를 포함한다.
이에 비해(In comparison), 개시된 발명의 시스템에 대한 고해상도 직접-그림자(direct-shadow) 이미지는 확장된 엑스선 소스에서 나오며 증대(magnified)되지 않는다. 현대(contemporary)의 엑스선 이미지 검출기의 픽셀은 근접(proximity) 이미지를 해결(resolve)하기에는 너무 크다. 대신, 여기에 개시된 발명은 엑스선을 광학 광자로 변환하고 이 광학 이미지를 증대하는 신틸레이터를 포함한다.
특정 해상도를 달성하기 위해 신틸레이터의 두께 사양이 있을 수 있다. 예를 들어, 1 마이크론의 해상도에 대해 신틸레이터는 1에서 10 마이크론 사이의 구체화된 두께를 가질 수 있다. 얇은 신틸레이터의 경우 일부 입사 엑스선은 흡수되지 않고 신틸레이터를 통과한다. 따라서 이 변환 과정의 양자 효율은 신틸레이터를 통과하는 엑스선의 약 20%에 대해 가시 광자를 방출하여 PPM 시스템보다 나빠질 수 있다. 이 외에도 현미경은 광학 시스템 NA와 가시 CCD 검출기의 양자 효율에 따라 추가 광자를 잃을 수 있다. 그러나 이러한 손실에도 불구하고 확장 소스의 더 높은 플럭스가 제공하는 이점은 여전히 중요한 장점을 제공한다.
장점: 이미지 해상도
종래 기술의 PPM 시스템의 해상도는 엑스선 소스의 스팟 크기에 의해 결정된다. 예를 들어, 1 마이크론 스팟 크기의 소스는 시스템이 최적의 해상도에서 작동한다고 가정할 때 1 마이크론 해상도의 이미지를 생성한다. 실제로는 작은 스팟 크기에 대한 엑스선 소스의 효율성이 급격히 감소하기 때문에 PPM 시스템으로 1마이크론보다 훨씬 낮은 해상도를 달성하기가 어렵다. 엑스선 소스의 스팟 크기가 축소(decrease)됨에 따라 엑스선 타겟이 녹지 않도록 엑스선 파워를 줄여야 한다. 더욱이 엑스선 타겟을 더 얇게 만들어 타겟의 산란(scattering)을 감소해야 한다. 결과적으로 스팟 크기가 2배 감소할 때마다 소스의 플럭스는 약 2배에서 4배까지 정도 축소된다 전반적으로 처리량은 최소 8배 축소되어 해상도가 2배 개선된다.
본 발명에 따른 이미징 시스템의 경우, 신틸레이터는 조사되는 객체에 매우 근접하고 방출된 광자는 엑스선에 비례한다. 신틸레이터에서 방출된 광자를 검출이기로 중계(relay)하는 광학 시스템의 경우, = 535 nm의 신틸레이터 방출 파장을 가정하고, 굴절률(refractive index) n=1.84인 LuAG 광학 요소를 포함하는 NA
Figure pct00001
1.75인 고체 이머젼(immersion) 광학 시스템, 신틸레이터 광자를 검출이기로 중계하는 광학 시스템의 회절 제한 해상도(diffraction-limited resolution) R에 대한 정의는 다음과 같다.
Figure pct00002
이는 PPM 시스템의 1마이크론 해상도보다 6.5배 작다.
장점: 타임 투 마켓(Time to Market)
50마이크론 미만의 해상도에서 비파괴(non-destructive) 이미지를 수집할 수 있는 고속은 앞서 묘사된 FCI(Flip Chip Interconnect) 프로세스와 같은 제조 프로세스 개발의 타임 투 마켓을 개선할 수 있다. 앞서 묘사된 고장 분석을 위한 파괴적인 프로세스는 단일 이미지를 수집하는 데 몇 주가 걸리고 부품에 대한 통계 데이터를 수집하는 데 몇 개월이 걸릴 수 있다. 본 발명의 시스템을 사용하여 이미지를 수집하고 분석할 수 있는 빠른 시간 때문에, 이러한 제품에 대한 프로세스 개발 시간은 며칠 단위로 계산될 수 있으며, 일반적으로 새로운 제품을 설계하고 시장에 출시하는 데 필요한 총 시간의 파편(fraction)이다.
더욱이, 향상된 해상도 때문에, 본 발명은 50 마이크론보다 작은 피치(pitches)를 갖는 새로운 FCI 프로세스에 사용될 수 있다. 본 발명은 상당히 작은 피치에 사용될 수 있으며, 여전히 원하는 이미지 해상도와 속도를 유지할 수 있다. 제품 개발 주기 측면에서 피드백 시간이 1주에서 몇 주간 증가하면 새로운 제품 개발에 필요한 시간에 명백하고 상당한 영향을 미친다. 간단한 경우에, 아마도 설정 및 데이터 수집의 3~5 사이클에 의하면 새 장치에 대한 프로세스를 설립하는 데 충분할 수 있다. 고밀도 인터포저 또는 3D IC와 같은 더 복잡한 경우에는 수십 또는 수백 번의 반복이 필요할 수 있다. 본 발명이 없다면 이러한 각 사이클은 몇 주가 소요될 수 있으며 제품의 전체 타임 투 마켓은 이러한 주기에 의해 지배될 수 있다. 처리할 때 미세 피치(fine pitch)(50마이크론 이하) 본딩(bond)의 품질을 결정하는 방법은 분명히 상당한 이점을 제공한다.
여기에 개시된 시스템 및 방법에 의해 생성된 이미지 및 계산을 통해 몇 초 또는 몇 분 만에 본딩 직후 본딩 품질을 검사할 수 있다. 대량 생산을 위한 새로운 반도체 제품을 개발하고 자격을 부여하기 위해, 많은 개별 프로세스와 이러한 프로세스의 통합을 설립하고 튜닝(tuned)하고 테스트해야 한다. 반도체 웨이퍼의 실리콘 관통 전극(through-silicon via; TSV)를 형성하는 경우, 프로세스 흐름은 일반적으로 비아(vias)가 먼저 형성되고 후속하여 비아 위의 웨이퍼 표면에 캡처 패드가 형성되어야 한다. 캡처 패드는 비아 자체의 광학 검사를 가리기(obscure) 때문에, 본 발명이 없다면, 비아와 캡처 패드 사이의 정렬은 실리콘 웨이퍼를 절단하고 크로스 섹션(cross-section)에서 이 특징을 검사하지 않고 제조 시에 정확하게 결정되지 않을 수 있다. 이 절차는 시간이 많이 걸리고 또한 실리콘 웨이퍼와 그 안에 포함된 모든 경제적 가치를 파괴하기 때문에 바람직하지 않다.
FCI를 사용하여 두 개 이상의 칩 또는 기판 또는 완전한 웨이퍼를 함께 본딩하는 경우, 정렬, 본딩 힘, 본딩 온도, 가열 속도(rate of heating) 및 냉각 속도(rate of cooling)는 다른 인자들 중에서 엄격하게 제어되어야 한다. 제조 장비 및 프로세스의 제어로 일부 필요한 제어가 가능하지만, 광학적으로 보이지 않는 제품 내 특징의 검사 및 측정도 필요할 수 있다. 본 발명에 개시된 장치(apparatus)를 사용하지 않고, 조립된 부품은 검사를 위해 크로스 섹션(cross-sectioned)이 되어야 한다. 상호 연결 본드의 미세한 피치와 매우 많은 양의 연결을 가정하면(Given), 이 절차는 몇 주가 소요될 수 있다. 일반적으로 전체 상호 연결 본드 중 매우 작은 서브셋만 실제로 검사될 수 있다.
본드를 신속하게 검사할 수 없으면 개별 프로세스 단계를 미세 튜닝하고 완제품을 만들기 위해 여러 프로세스 단계를 통합하는 데 필요한 시간이 상당히 추가될 수 있다. 예를 들어, 제품을 개발하고 자격을 부여하기 위해 본딩 프로세스를 25번 반복해야 하는 경우를 생각해 본다. 본 발명에 개시된 장치(apparatus)가 없는 경우, 각 반복은 다양한 프로세스 및 도구 구성 하에서 샘플의 각 그룹을 구축하는 데 1주일이 필요할 수 있다. 샘플 그룹을 제조한 후, 개별 유닛을 크로스 섹션화하고 창조된 본드의 품질 및 속성을 검사하는 데 추가 2주가 필요할 수 있다. 따라서 총 시간은 25사이클 x (만들기 1주 + 검사 2주) = 75.0주이다.
본 발명에 개시된 장치(apparatus)의 사용으로, 시간 소모적인 크로스 섹션의 필요성을 제거함으로써 2주의 검사가 몇 분으로 단축될 수 있다. 순차적 사이클의 총 시간은 이제 다음과 같이 계산할 수 있다: 25사이클 x (만들기 1주 + 검사 1시간) = 25.15주, 49.85주 감소(또는 초기 타임 투 마켓의 66%). 휴대폰과 같은 전자 장치가 연간 1억 대 이상 대량 판매되는 경우 출시 시간을 50주(거의 1년) 단축하면 시장에 상당한 영향을 미칠 수 있음을 쉽게 알 수 있다. 장치(apparatus)는 실시간으로 본딩 프로세스에 피드백을 제공하기 위해 본딩 도구 또는 충전 도구(filling tool)를 통해, 예를 들어 전기화학적 증착 도구(electrochemical deposition tool), 추가로 통합될 수 있다. 이러한 방식으로 장치(apparatus)를 사용하면 타임 투 마켓이 몇 주만큼 단축되고 실제로 제품이 시장에 진입할 수 있으며 그렇지 않으면 너무 비싸거나 너무 늦게 시장에 진입하여 경제적 가치를 가질 수 없다.
장점: 제품 수율 및 비용
패키지 조립 및 상호연결(interconnect)과 연관된 전체적인 수율이 80% 범위에 있는 이러한 장치에서 상업 생산이 시작된 것으로 보고되었다. 이 수율은 반도체 분야에서 일반적으로 허용되는 것보다 훨씬 낮고 스크랩(scrap) 재료와 관련된 적지 않은(considerable) 추가 비용이 있다. 그러나 이 특정 부품은 낮은 수율과 관련된 비용을 생각하더라도 80%의 패키지 어셈블리 수율로 생산할 수 있을 정도로 상업적 가치가 높은 것으로 결정되었다. 더 적은 비용, 보다 소비자 지향적인 시장 부문, 가격 책정에 대한 압력이 훨씬 더 강하고, 이 수준의 패키지 조립 수율을 가진 제품이 상업적으로 실행 가능(viable)할 것 같지 않다. 이러한 이유로 스크랩 제품의 양이나 본딩 프로세스에서 발생하는 수율 손실을 줄이기 위해 제조 프로세스가 고도로 능력 있고 엄격하게 제어되어야 한다. 전통적으로 패키지 조립 수율은 98~99% 범위이다. 당업자는 수율이 좋지 않은 본딩 기술을 사용하여 우수한 칩을 스크랩핑하고 더 낮은 가치의 칩에 대해 80%의 패키징 수율을 단순히 허용할 수 없음을 빨리 깨닫게 될 것이다.
3D IC 또는 고밀도 인터포저에 함께 장착된 다중 다이(dice)의 경우 칩에서 하나의 연결 고장으로 인해 전체 MCP 또는 패키지 어셈블리가 스크랩핑된다는 점에 유의해야 한다. 모두 설계된 대로 작동해야 하는 수천 또는 수만 개의 연결이 있을 수 있다. 임의의 본드 중 하나라도 올바르게 생산되지 않으면 모든 종류의 재작업 또는 재료 복구가 달성될 수 있는 경우는 드물다. 예를 들어, 가격이 $10인 프로세서 칩이 각각 $5, 또는 $20인 메모리 칩 4개와 함께 장착되는 경우를 사례로 든다. 따라서 칩의 총 비용은 $30이다. 칩 조립 및 패키징은 총 조립 비용 $35에 대해 $5의 추가 비용을 추가할 수 있다.
본 개시의 장치에 의해 생산된 이미지 및 측정값을 사용하여 정렬, 검사 본딩의 프로세스를 제어하고 모니터링하여, 수율을 빠르게 증가시킬 수 있다. MCP 패키지의 경우, 위의 예에서, 처음 두 다이 사이의 결점(flaw)을 검출하면 패키징 어셈블러가 처음 두 다이만 스크랩할 수 있고, 다섯 다이를 모두 잃을 필요가 없으므로, 스크랩 비용을 절약하고 수율을 개선할 수 있다. 잘 제어되고 모니터링되는 조립 프로세스가 99.9%를 넘는 수율을 갖는 것이 일반적이다. 본 발명은 최소 피치가 100마이크론 미만인 피치에서 인터포저 또는 다이 레이어당 4개 이상의 다이와 100개 이상의 TSV를 갖는 패키징 어셈블러가 MCP 구조에서 90% 초과 또는 동일한 수율을 달성하도록 할 수 있다. 가장 작은 피치가 100마이크론 미만인 피치에서 400개 이상의 마이크로범프(microbumps)를 갖는 플립 칩(flip chip) 구성에서 동일한 수율 장점이 달성될 수 있다.
비용 및 수율 면에서 이와 동일한 장점은 보이드(void)에 대한 비아 필(via fill) 모니터, 비아(via)에 대한 비아 캡처 패드 정렬, 칩 또는 인터포저 패드에 대한 칩 범프 정렬, 및 본딩 후 완성된 조인트의 품질 등과 같은 미세 피치 인터포저 및 3D 다이 적층을 위한 제조 프로세스의 다른 단계에서 볼 수 있다. 이것(it)은 또한 실리콘 장치 또는 미세 피치 인터포저의 다중 슬라이스의 어셈블리에서의 본드라인(bondline) 또는 이 본드라인(bondline) 두께가 장치 성능에 중요한 실리콘 장치와 다른 관심 재료 사이를 측정하는 데 사용될 수 있다.
기타
여기에서 "또는"은 명시적으로 달리 표시되거나 문맥에 따라 다르게 표시되지 않는 한 포괄적이고 배타적이지 않다. 따라서, 여기에서 "A 또는 B"는 달리 명시적으로 나타내지 않거나 문맥상 달리 나타내지 않는 한 "A, B 또는 둘 다"를 의미한다. 게다가, "및"은 달리 명시적으로 표시되거나 문맥에 따라 다르게 표시되지 않는 한 결합(joint) 및 개별(several)이다. 따라서, 본 명세서에서 "A 및 B"는 달리 명시적으로 나타내지 않거나 문맥상 달리 나타내지 않는 한 "A 및 B, 결합으로 또는 개별적으로"를 의미한다.
본 개시의 범위는 당업자가 이해할 수 있는 본 명세서에 묘사되거나 설명된 예시적인 실시예에 대한 모든 변경, 대체, 변화, 개조(alterations) 및 수정(modifications)을 포함(encompasses)한다. 본 개시의 범위는 여기에 묘사되거나 설명된 예시적인 실시예들에 제한되지 않는다.. 게다가, 본 개시는 특정 구성요소, 요소, 특징, 기능, 동작 또는 단계를 포함하는 것으로서 여기에서 각각의 실시예를 묘사하고 설명하지만, 이러한 실시예 중 임의의 것은 여기에서 어느 곳에서나 묘사되거나 설명된 구성요소, 요소, 특징, 기능, 동작 또는 단계 중 당업자가 이해할 수 있는 임의의 조합 또는 순열을 포함할 수 있다. 더욱이, 첨부된 청구항에서 장치 또는 시스템 또는 장치 또는 시스템의 컴포넌트에 대한 참조는 해당(that) 장치(apparatus), 시스템 또는 컴포넌트가 그렇게 채택, 배열, 능력, 구성, 가능, 작동 가능 또는 작동하는 한 해당(that) 특정 기능이 활성화, 켜짐 또는 잠금 해제되었는지 여부에 관계 없이 장치, 시스템, 구성 요소를 포함(encompass)하는 특정 기능을 수행하도록 채택(adapted to), 배열(arranged to), ~할 능력 있는(capable of), ~로 구성되는(configured to), 가능한(enabled to), 작동 가능(operable to) 또는 작동(operative) 추가로, 본 개시는 특정 장점을 제공하는 것으로 특정 실시예를 묘사하거나 설명하지만, 특정 실시예는 이러한 장점 중 어느 것도 제공하지 않거나, 일부 또는 전부를 제공할 수 있다.

Claims (20)

  1. 엑스선 검사 시스템에 의한 방법에 있어서,
    제1 도구에 의해 처리된 하나 이상의 관심 샘플들에 대한 하나 이상의 엑스선 이미지들을 캡처하는 단계- 상기 엑스선 검사 시스템은 제1 도구와 인라인(inline)이고, 상기 엑스선 검사 시스템은 분당 300mm2 이상의 검사 속도를 가짐 -;
    상기 하나 이상의 엑스선 이미지들에 기초하여, 상기 하나 이상의 관심 샘플들과 관련된 계측 정보- 상기 계측 정보는 상기 하나 이상의 관심 샘플들과 연관된 샘플 파라미터가 상기 샘플 파라미터와 연관된 미리 결정된 임계 값 범위 밖에 있음을 지시함 -를 실시간으로 결정하는 단계; 및
    상기 샘플 파라미터가 상기 미리 결정된 임계 값 범위 밖에 있다는 실시간 결정에 응답하여, 상기 하나 이상의 관심 샘플들과 관련된 상기 계측 정보에 기초하여, 각각의 도구들과 연관된 하나 이상의 프로세스 파라미터들을 조정하기 위해 명령들 또는 데이터를 하나 이상의 상기 제1 도구 또는 하나 이상의 제2 도구들에 제공하는 단계
    를 포함하고,
    상기 조정된 프로세스 파라미터들은 상기 미리 결정된 범위 밖에 있는 상기 샘플 파라미터와 관련된 후속 샘플들을 처리하기 위한 상기 각각의 도구의 처리 오류 확률을 감소시키는,
    엑스선 검사 시스템에 의한 방법.
  2. 제1항에 있어서,
    상기 엑스선 검사 시스템은 분당 1000mm2 이상의 검사 속도를 가지는,
    엑스선 검사 시스템에 의한 방법.
  3. 제1항에 있어서,
    상기 엑스선 검사 시스템은 분당 3000mm2 이상의 검사 속도를 가지는,
    엑스선 검사 시스템에 의한 방법.
  4. 제1항에 있어서,
    상기 하나 이상의 엑스선 이미지들은 1200만 픽셀 이상의 시야(field of view)로 캡처되는,
    엑스선 검사 시스템에 의한 방법.
  5. 제1항에 있어서,
    상기 하나 이상의 엑스선 이미지들에 기초하여 결정된 상기 계측 정보는 5 마이크론 이하의 공간 해상도로 측정된 하나 이상의 구조적 특징들과 연관된 측정 정보를 포함하는,
    엑스선 검사 시스템에 의한 방법.
  6. 제1항에 있어서,
    상기 엑스선 검사 시스템은
    상기 하나 이상의 관심 샘플들을 처리하기 위해 상기 제1 도구 또는 상기 하나 이상의 제2 도구들에 대한 제2 속도 이상인 제1 속도로 상기 하나 이상의 관심 샘플들을 검사하는,
    엑스선 검사 시스템에 의한 방법.
  7. 제1항에 있어서,
    상기 계측 정보에 기초하여 상기 하나 이상의 관심 샘플들이 하나 이상의 결함들을 갖는다고 결정하는 단계를 더 포함하고,
    상기 제1 도구에 제공된 상기 명령들 또는 데이터는 상기 하나 이상의 관심 샘플들의 상기 하나 이상의 결함들에 기초하여 생성되는,
    엑스선 검사 시스템에 의한 방법.
  8. 제1항에 있어서,
    상기 하나 이상의 제2 도구들은 상기 하나 이상의 관심 샘플들 및 상기 후속 샘플들을 처리 또는 재처리하기 위한 하나 이상의 후속 프로세스들과 연관되는,
    엑스선 검사 시스템에 의한 방법.
  9. 제8항에 있어서,
    상기 하나 이상의 관심 샘플들과 관련된 상기 계측 정보에 기초하여, 상기 하나 이상의 관심 샘플들을 처리하기 위한 상기 하나 이상의 후속 프로세스들이 중복되는 것으로 결정하는 단계; 및
    상기 하나 이상의 관심 샘플들과 연관된 제조 프로세스에서 상기 하나 이상의 후속 프로세스들을 제외하기 위해 상기 하나 이상의 제2 도구들에 명령들 또는 데이터를 제공하는 단계
    를 더 포함하는,
    엑스선 검사 시스템에 의한 방법.
  10. 제1항에 있어서,
    상기 하나 이상의 관심 샘플들은 상기 하나 이상의 관심 샘플들을 처리하기 위해 상기 제1 도구에 대해 인시츄(in situ)로 검사되고,
    상기 엑스선 검사 시스템은 상기 제1 도구와 통합되는,
    엑스선 검사 시스템에 의한 방법.
  11. 제1항에 있어서,
    상기 하나 이상의 엑스선 이미지들에 기초하여 결정된 상기 계측 정보는,
    솔더 볼들의 형상 정보;
    솔더 볼들의 치수 정보(dimensional information);
    결함 정보;
    인터포저(interposer)에 대한 집적 회로 다이(die)의 정렬 정보;
    뒤틀림 정보(warpage information);
    솔더 접촉 외부 크기(solder contact external size)와 연관된 균일성 메트릭;
    솔더 조인트 직경;
    접촉 패드 영역의 어둠 메트릭(darkness metric);
    접촉 패드 영역의 어둠 커버리지(darkness coverage)에 대한 균일성 메트릭(uniformity metric);
    접촉 패드의 위치에 대한 연속적인 신호 변화;
    볼과 솔더를 연결하는 밝은 신호 링(bright signal ring);
    접촉 패드 영역에 걸친 약간 어둡고 균일한 커버리지(a small dark and a uniform coverage);
    제품 사양에서 파라미터 편차들;
    인터포저에 관한 다이의 틸트 각도; 또는
    기판에 관한 다이의 기울기 각도
    중 하나 이상을 포함하는,
    엑스선 검사 시스템에 의한 방법.
  12. 제11항에 있어서,
    상기 계측 정보는 컴퓨터 비전 알고리즘 또는 과거 데이터에 의해 훈련된 기계 학습 모델에 의해 생성되는,
    엑스선 검사 시스템에 의한 방법.
  13. 제1항에 있어서,
    상기 제1 도구는 상기 하나 이상의 관심 샘플들 및 상기 후속 샘플들을 조립하기 위한 조립 도구인,
    엑스선 검사 시스템에 의한 방법.
  14. 제13항에 있어서,
    상기 조립 도구는 배치 도구(placement tool) 및 매스 리플로우 장치(mass reflow device)를 포함하는 본딩 도구(bonding tool)인,
    엑스선 검사 시스템에 의한 방법.
  15. 제13항에 있어서,
    상기 조립 도구는 열압착 본딩 도구(thermo-compression bonding tool) 또는 하이브리드 본딩 도구(hybrid bonding tool)인,
    엑스선 검사 시스템에 의한 방법.
  16. 제1항에 있어서,
    조정되는 상기 제1 도구의 상기 하나 이상의 프로세스 파라미터들은
    화학적 기계적 평탄화(chemical-mechanical polishing) 파라미터;
    집적 회로 다이의 정렬;
    인터포저의 정렬;
    결합력(bonding force);
    본딩 온도(bonding temperature);
    가열 속도;
    냉각 속도; 또는
    조립 후 가열되기 전까지의 지속 시간
    중 하나 이상을 포함하는,
    엑스선 검사 시스템에 의한 방법.
  17. 제1항에 있어서,
    상기 하나 이상의 관심 샘플들은 상기 하나 이상의 관심 샘플들에 대한 하나 이상의 조정들을 만들기 위해 상기 제1 도구에 의해 재처리되고,
    상기 하나 이상의 관심 샘플들에 대한 상기 하나 이상의 조정들은 상기 하나 이상의 관심 샘플들의 상기 계측 정보에 기초하여 만들어지는,
    엑스선 검사 시스템에 의한 방법.
  18. 제1항에 있어서,
    상기 엑스선 검사 시스템에 의해 검사된 상기 하나 이상의 샘플들은 상기 제1 도구에 의해 처리된 샘플 모집단의 부분 집합인,
    엑스선 검사 시스템에 의한 방법.
  19. 소프트웨어를 구현하는 하나 이상의 컴퓨터 판독 가능한 비일시적 저장 매체에 있어서,
    상기 소프트웨어는,
    제1 도구에 의해 처리된 하나 이상의 관심 샘플들에 대한 하나 이상의 엑스선 이미지들을 캡처하고- 상기 엑스선 검사 시스템은 제1 도구와 인라인(inline)이고, 상기 엑스선 검사 시스템은 분당 300mm2 이상의 검사 속도를 가짐 -,
    상기 하나 이상의 엑스선 이미지들에 기초하여, 상기 하나 이상의 관심 샘플들과 관련된 계측 정보- 상기 계측 정보는 상기 하나 이상의 관심 샘플들과 연관된 샘플 파라미터가 상기 샘플 파라미터와 연관된 미리 결정된 임계 값 범위 밖에 있음을 지시함 -를 실시간으로 결정하며,
    상기 샘플 파라미터가 상기 미리 결정된 임계 값 범위 밖에 있다는 실시간 결정에 응답하여, 상기 하나 이상의 관심 샘플들과 관련된 상기 계측 정보에 기초하여, 각각의 도구들과 연관된 하나 이상의 프로세스 파라미터들을 조정하기 위해 명령들 또는 데이터를 하나 이상의 상기 제1 도구 또는 하나 이상의 제2 도구들에 제공하는,
    동작을 실행하도록 작동하고,
    상기 조정된 프로세스 파라미터들은 상기 미리 결정된 범위 밖에 있는 상기 샘플 파라미터와 관련된 후속 샘플들을 처리하기 위한 상기 각각의 도구의 처리 오류 확률을 감소시키는,
    컴퓨터 판독 가능한 비일시적 저장 매체.
  20. 시스템에 있어서,
    하나 이상의 프로세서들; 및
    상기 하나 이상의 프로세서들과 결합되고, 실행 가능한 명령들을 포함하는 하나 이상의 컴퓨터 판독 가능한 비일시적 저장 매체
    를 포함하고,
    상기 명령들은 상기 하나 이상의 프로세서들에 의해 실행될 때, 상기 시스템으로 하여금,
    제1 도구에 의해 처리된 하나 이상의 관심 샘플들에 대한 하나 이상의 엑스선 이미지들을 캡처하고- 상기 엑스선 검사 시스템은 제1 도구와 인라인(inline)이고, 상기 엑스선 검사 시스템은 분당 300mm2 이상의 검사 속도를 가짐 -,
    상기 하나 이상의 엑스선 이미지들에 기초하여, 상기 하나 이상의 관심 샘플들과 관련된 계측 정보- 상기 계측 정보는 상기 하나 이상의 관심 샘플들과 연관된 샘플 파라미터가 상기 샘플 파라미터와 연관된 미리 결정된 임계 값 범위 밖에 있음을 지시함 -를 실시간으로 결정하며,
    상기 샘플 파라미터가 상기 미리 결정된 임계 값 범위 밖에 있다는 실시간 결정에 응답하여, 상기 하나 이상의 관심 샘플들과 관련된 상기 계측 정보에 기초하여, 각각의 도구들과 연관된 하나 이상의 프로세스 파라미터들을 조정하기 위해 명령들 또는 데이터를 하나 이상의 상기 제1 도구 또는 하나 이상의 제2 도구들에 제공하는,
    동작을 실행하게 하는,
    시스템.

KR1020227004644A 2019-07-12 2020-07-10 엑스선 검사 기반 프로세스 제어 방법 및 시스템 KR20220033509A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962873752P 2019-07-12 2019-07-12
US62/873,752 2019-07-12
US16/924,663 US11430118B2 (en) 2019-07-12 2020-07-09 Methods and systems for process control based on X-ray inspection
US16/924,663 2020-07-09
PCT/US2020/041520 WO2021011341A1 (en) 2019-07-12 2020-07-10 Methods and systems for process control based on x-ray inspection

Publications (1)

Publication Number Publication Date
KR20220033509A true KR20220033509A (ko) 2022-03-16

Family

ID=74101951

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227004644A KR20220033509A (ko) 2019-07-12 2020-07-10 엑스선 검사 기반 프로세스 제어 방법 및 시스템

Country Status (5)

Country Link
US (1) US11430118B2 (ko)
KR (1) KR20220033509A (ko)
CN (1) CN114450583A (ko)
TW (1) TW202122790A (ko)
WO (1) WO2021011341A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11493901B2 (en) * 2020-09-24 2022-11-08 International Business Machines Corporation Detection of defect in edge device manufacturing by artificial intelligence
US20220415606A1 (en) * 2021-06-24 2022-12-29 Taiwan Semiconductor Manufacturing Co., Ltd. Wafer Positioning Method and Apparatus
TWI801949B (zh) * 2021-07-30 2023-05-11 奧多馬特科技有限公司 載板檢測裝置
US11817231B2 (en) * 2021-08-16 2023-11-14 Carl Zeiss Smt Gmbh Detection system for X-ray inspection of an object
GB202204072D0 (en) * 2022-03-23 2022-05-04 Cambridge Entpr Ltd Method, apparatus and system for closed-loop control of a manufacturing process
CN116046810B (zh) * 2023-04-03 2023-06-23 云南通衢工程检测有限公司 基于rpc盖板破坏荷载的无损检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003107022A (ja) 2001-09-28 2003-04-09 Hitachi Ltd 欠陥検査装置及び検査方法
US20050207655A1 (en) 2004-03-22 2005-09-22 Nasreen Chopra Inspection system and method for providing feedback
US9129715B2 (en) 2012-09-05 2015-09-08 SVXR, Inc. High speed x-ray inspection microscope
WO2018003018A1 (ja) 2016-06-28 2018-01-04 株式会社日立ハイテクノロジーズ Ｘ線検査方法及び装置
US10395362B2 (en) 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
WO2018217646A1 (en) 2017-05-22 2018-11-29 Howmedica Osteonics Corp. Device for in-situ fabrication process monitoring and feedback control of an electron beam additive manufacturing process
US11270430B2 (en) 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
KR101974722B1 (ko) 2017-05-26 2019-05-02 전북대학교산학협력단 3차원 적층 가공의 실시간 가공 상태 검사와 보정 장치 및 이를 적용한 방법
US10895541B2 (en) 2018-01-06 2021-01-19 Kla-Tencor Corporation Systems and methods for combined x-ray reflectometry and photoelectron spectroscopy

Also Published As

Publication number Publication date
WO2021011341A1 (en) 2021-01-21
US20210011177A1 (en) 2021-01-14
CN114450583A (zh) 2022-05-06
TW202122790A (zh) 2021-06-16
US11430118B2 (en) 2022-08-30

Similar Documents

Publication Publication Date Title
US11615533B2 (en) Methods and systems for product failure prediction based on X-ray image re-examination
US20210010953A1 (en) Methods and Systems for Defects Detection and Classification Using X-rays
KR20220033509A (ko) 엑스선 검사 기반 프로세스 제어 방법 및 시스템
US11688067B2 (en) Methods and systems for detecting defects in devices using X-rays
US11662479B2 (en) Methods and systems for printed circuit board design based on automatic corrections
US11651492B2 (en) Methods and systems for manufacturing printed circuit board based on x-ray inspection
US8661905B2 (en) Non-contact microelectronic device inspection systems and methods
KR20240004252A (ko) 인라인 결함 부분 평균 테스트를 사용하는 반도체 적응형 테스트를 위한 시스템 및 방법
US20220042795A1 (en) Methods and systems for inspecting integrated circuits based on x-rays
TWI842929B (zh) 根據x射線影像複查預測產品失效的方法、電腦可讀取非暫存性儲存媒體及系統
CN107507783B (zh) 用于重组晶圆的测试系统及其方法
KR20230145420A (ko) 반도체 다이 패키지의 신뢰성을 평가하기 위한 시스템 및 방법
TWI840585B (zh) 自動化高速x射線檢驗方法、電腦可讀取非暫態儲存媒體及電子系統
TWI840586B (zh) 基於自動校正的印刷電路板設計之方法、系統與非暫態電腦可讀儲存媒體
TW202141210A (zh) 使用檢測工具以判定用於樣本之類計量(metrology-like)之資訊
Jewler High resolution automatic x-ray inspection for continuous monitoring of advanced package assembly
US11624775B2 (en) Systems and methods for semiconductor defect-guided burn-in and system level tests
CHEN et al. An Electrical Measuring System Integrated with a Linear-arrayed Probing Device and an Optical Registration System for Gas Sensors