Mesterséges intelligencia forradalmasítja a flip-chip technológia hibaelemzését

A félvezetőipar folyamatos miniatürizálása, különösen a flip-chip technológiák és az extrém alacsony dielektromos állandójú (low-k) anyagok térnyerése, alapjaiban kérdőjelezi meg a hagyományos fizikai hibaelemzési (FA) módszerek hatékonyságát. A Materials Center Leoben (MCL), a PVA TePla és az Advanced Semiconductor Engineering (ASE) közös kutatása mérföldkövet jelent: az AI-alapú képjavító algoritmusok alkalmazása lehetővé teszi a szubmikronos tartományba eső interconnect-repedések pontos azonosítását, amelyek eddig a zajos röntgen- és akusztikus mikroszkópos felvételeken rejtve maradtak. Ipari hatásvizsgálat: Ez a technológiai ugrás közvetlen hatással van a gyártási hozamra (yield management). A csúcskategóriás processzorok és nagy teljesítményű AI-gyorsítók gyártása során a csomagolási hibák – mint például a mikro-repedések – a legnagyobb veszteségforrást jelentik. Az AI-alapú automatizált optikai és röntgen-ellenőrzés bevezetése drasztikusan csökkenti az emberi hibázás esélyét, és felgyorsítja a hibakeresési folyamatot, ami a termelési ciklusok rövidülését eredményezi. Ellátási lánc implikációk: A fejlesztés az ASE, mint világelső OSAT (Outsourced Semiconductor Assembly and Test) szolgáltató piaci pozícióját erősíti. Azzal, hogy az ellenőrzési folyamatokat szoftveresen, mesterséges intelligenciával egészítik ki, az ASE képes lesz szigorúbb minőségi sztenderdeket garantálni a csúcstechnológiás chipeket igénylő kliensei számára, mint például az Apple, az NVIDIA vagy az AMD. Ez a lépés kényszerpályára állíthatja a kisebb versenytársakat is, akiknek szintén hasonló szoftveres kompetenciákat kell kiépíteniük a versenyképesség megőrzése érdekében. Jövőkép: A következő években az AI-alapú diagnosztika az „ipar 4.0” szerves részévé válik. A PVA TePla, mint a félvezető-vizsgálóberendezések gyártója, valószínűleg a hardverbe integrált AI-modulok irányába fog elmozdulni. Hosszabb távon számíthatunk a „digitális iker” technológiák és az automatizált, öntanuló hibaelemző rendszerek megjelenésére, amelyek valós időben, a gyártósor mellett képesek lesznek szűrni a hibás komponenseket, ezzel jelentősen csökkentve az elektronikai hulladék mennyiségét és a környezeti terhelést. A folyamat végeredménye egy sokkal megbízhatóbb, nagy teljesítményű félvezető-ökoszisztéma, amely képes lépést tartani a Moore-törvény diktálta fizikai korlátokkal.