ブログ

May 12, 2023

終了

Rapporti scientifici Volume 13,

Scientific Reports volume 13、記事番号: 9376 (2023) この記事を引用

メトリクスの詳細

3D 集積回路技術の分野の進歩は、自動化された時間効率の高い分析の観点から、シリコン貫通ビア (TSV) などの相互接続の品質評価に新たな課題をもたらしています。 この論文では、数千の TSV を分類して位置を特定し、統計情報を提供するのに適した、2 つの連続的にリンクされた CNN アーキテクチャを利用した、完全に自動化された高効率のエンドツーエンド畳み込みニューラル ネットワーク (CNN) モデルを開発します。 特に、走査型音響顕微鏡 (SAM) イメージングという独自の概念を実行することにより、TSV の干渉パターンを生成します。 走査型電子顕微鏡 (SEM) は、SAM C スキャン画像の特徴的なパターンを検証し、明らかにするために使用されます。 このモデルを半自動機械学習アプローチと比較すると、その卓越したパフォーマンスが実証され、位置特定と分類の精度がそれぞれ 100% と 96% 以上であることがわかります。 このアプローチは SAM 画像データに限定されず、欠陥ゼロ戦略に向けた重要な一歩となります。

画像ベースの技術は、航空宇宙、線路検査、土木工学、自動車産業、発電からマイクロエレクトロニクス 2 に至るまで、さまざまな分野における最新の非破壊故障分析 1 にとって非常に重要です。 機械学習 (ML) アルゴリズムは、これまで主に人間の専門知識に依存していた、生成された複雑なデータ セットの効率的な障害分析のための新たな機会を提供します3。 最近、マイクロエレクトロニクス産業で高い関心を集めている 3D 統合コンポーネントにさまざまな ML モデルを適用する研究が行われています 4,5,6,7。 産業環境内のアプリケーションに不可欠なのは、完全に自動化されたモデルであり、必ずしも特定のトレーニング機能に依存する必要はありません。 最近、4、6、7 に示すように、ML ベースのテストの適用に向けた最初の取り組みが行われています。 ここでは、これまで主に半自動化されたアプローチが実証されてきました。 ただし、このようなアプローチは、トレーニングに必要な特定の特徴の定義により、一般化された分析への応用が欠けています。 K—Nearest Neighbors (KNN) やランダム フォレスト分類器などの教師付き半自動 ML モデルは、たとえば 3D 集積回路コンポーネントで処理されるシリコン ビア (TSV) 内のボイドを検出するために使用されます。 たとえば in4 に示すように、このようなモデルは、ボイド「TSV あり」および「TSV なし」の高周波構造シミュレーター (HFSS) データなど、トレーニングに特定の特徴抽出を使用します。 In6 では、TSV の断線や短絡などの機能障害を特定するために、同様の半自動アプローチが使用されています。 さらに、これに関連して、SAM を使用してはんだの欠陥を検出するための一般的な回帰ニューラル ネットワークが 7 で説明されています。

畳み込みニューラル ネットワーク (CNN) は、画像からマルチレベルの特徴を抽出できるよく知られた深層学習 ML アーキテクチャです8。 CNN の主な利点は、複雑な前処理を行わずにデータの時間的および空間的相関を調査することで、生のピクセルから直接パターンや関連する特徴を認識できることにあります9,10。 つまり、CNN ベースのアプローチでは、事前の特定の機能定義は必要ありません。 最近では、CNN ベースのモデルを利用して、リフロープロセス前に 3D X 線断層撮影によって撮影された画像データに基づいて、リフロープロセス後の単一のマイクロバンプの状態を予測します。

最新の TSV の故障検査では、付随する統計情報、底部および側壁を含む形状全体をカバーする個々の TSV の位置と状態を含む、数百または最大数千の TSV 11,12 のコストと時間効率の高い特性評価が必要です。 TSV 障害の分類。 TSV に関連する欠陥には、電気めっきに起因するボイド 13、熱膨張の不一致に起因する層間剥離 14、ダイの反りにおける全体的な応力に起因する亀裂 15 など、さまざまな種類の欠陥があります 16、17 などがあります。 このような欠陥を検出するには、走査電子顕微鏡 (SEM)、X 線コンピュータ断層撮影 (XCT)、発光顕微鏡 (EMMI) などの非自動検査技術、または電気測定 (EM)、自動光学顕微鏡 (AOM) などの自動技術 18,19 を使用します。 ）20、走査型音響顕微鏡（SAM）が主に使用されます20。 これらすべての技術にはそれぞれ長所と短所があり、その用途が制限されます。 たとえば、EM は高速で一般的な方法を示していますが、TSV 内の障害の場所を特定できません 20、21。 AOM は主に底部の欠陥の検出に適しています 20,22 が、側壁の欠陥の検出には失敗します。 SEM は、TSV の側壁と底部の高解像度画像データを提供します。 それにもかかわらず、後者は、データ取得に非常に時間がかかるため、高スループットの検査には不十分であり、統計情報を提供するのには適していません 23,24。 μ-XCT または X 線顕微鏡 (XRM) では、十分な分解能と統計出力を得るために必要な長いスキャン時間に関して限界があります 5、15、25、26。 EMMI は、電気的署名のある欠陥のみを検出でき、電気的署名のない欠陥は検出できません27。 走査型音響顕微鏡 (SAM) は、マイクロエレクトロニクス 29 の分野において、時間効率とコスト効率の高い広い領域を特徴付けることができる非破壊技術 28 を示します。 それにもかかわらず、この方法の主な課題は、限られた解像度とコントラスト、および生成された画像データセットの後処理、つまり個々の故障の位置だけでなく故障の統計的分布に関する知識を効率的に抽出することにあります。アレイ内の障害 (欠陥クラスのタイプを含む)。 これには一般に、収集された画像データを注意深く手動で検査する必要があります。 このような手動検査は人間のユーザーの経験に大きく依存するため、主観的であり、さらにエラーが発生しやすくなります。

この論文では、独自の走査型音響顕微鏡 (SAM) アプローチを実施し、エンドツーエンドの畳み込みニューラル ネットワーク (E2E-CNN) ワークフローを開発して、(1) 付随する統計情報を含むウェーハ レベルで最大数千の TSV を効率的に特性評価します。 (2) 障害のある TSV と障害のない TSV を特定し、(3) 障害レベルの程度に応じて個々の TSV を分類します。 得られた SAM データを相関走査型電子顕微鏡 (SEM) と比較することにより、SAM 技術が TSV の側壁だけでなく底部からも情報を提供するのに適していることを明らかにします。 完全に自動化された E2E-CNN ネットワークは、2 つの連続的にリンクされた CNN アーキテクチャを使用し、それぞれ 100% と 96% 以上の TSV の検出と分類の精度を保証します。 さらに、多層パーセプトロン (MLP)、デシジョン ツリー、ランダム フォレストを使用した半自動バイナリ TSV 分類を備えた開発された E2E-CNN アルゴリズムについて説明し、時間効率と精度の点でその優位性を示します。 特に、提示された新しいアプローチはSAMベースの画像データに限定されず、μ-XCT、SEM、光学顕微鏡などの他のイメージング方法に適用できる一般的なアプローチを示しています。

TSV アレイをスキャンするために走査型音響顕微鏡を適用します。 ここでは、オープン TSV テクノロジー 46 を特徴付けます。サンプルの詳細と図 1A の回路図については、方法のセクションも参照してください。 このような TSV での欠陥検出の主な困難は、低μm 領域で必要な大きな侵入深さと分解能にあります。 当社は、公称周波数 100 MHz、開口角 60° の特殊な音響レンズを利用した独自の技術を実施しており、現代の TSV 検査と分析の要求を満たすのに適しています。 私たちの実験におけるレンズの開き角は、Si の臨界レイリー角 (17°) よりも大きくなるように選択されています。 圧電トランスデューサは、超音波信号を生成および受信できるパルスエコー モードで動作します。 図 1B と C は、ウェハ表面上の 1 つの位置が焦点が合った状態 (Z0) と、もう 1 つの焦点が外れた位置 (Zn) を持つ 2 つの異なるレンズ位置の概略図を示しています。 図 1D と図 1E は、それぞれ Z = Z0 および Z < Z0 の異なる焦点ずれ位置で取得された、均一および不均一な縞を持つ単一 TSV の C スキャン画像を示しています。 焦点がぼけた位置にあるレンズは、TSV の品質に関連付けることができる C スキャン画像パターンまたは縞模様を提供します。 TSV で観察された例示的な不均一性は、図 1E のようにマークされています。

TSV セットアップと SAM 特性評価アプローチ。 (A) 直径 100 μm、深さ 250 μm の開いた TSV の概略図。 (B) Z0 で走査型音響顕微鏡 (SAM) を使用した集束音場の概略図。 (C) Zn での焦点のぼけた音場を示す概略図。 (D) 不均一性のない「良好な」TSV の Z0 から始まるさまざまな Z 位置の SAM C スキャン画像。 (E) Z2 から Zn までの不均一性を示す「欠陥のある」TSV の Z0 から始まるさまざまな Z 位置の SAM C スキャン画像。 観察された不均一性は赤い円でマークされます。

図 1C の方法論は、さらなる画像後処理と画像定量化に十分な解像度で統計的に関連する量の TSV を収集できる、非常に時間とコスト効率の高いアプローチを表しています。 図1DおよびEに示すCスキャン画像の2つのトランスデューサ位置間のステップサイズは20μmです。 不均一性を示す単一TSVのSAM Cスキャン画像の完全なZシリーズを補足図S1に示します。 分析には、Z = − 120 μm 以上の C スキャン画像が使用されます。補足図 S1 を参照してください。

図2Aは、クォーターウェーハ片のいわゆるCスキャン画像を作成するための超音波データのx-y平面への投影を例示的に示しています。 C スキャンの関心領域 (ROI) には、約 10,000 個の TSV が含まれています。 各TSVは、図1DおよびEに示すように、レンズの焦点をぼかすことによって生成される特徴的なパターンに関連付けることができます。特徴的なパターンをよりよく視覚化するために、領域は約800のTSV（ROI- 1)、図 2B に示すように。 これは、6 つの TSV を持つ ROI (ROI-2) にさらに細分化できます (図 2C)。 図 2D では、音響レンズの焦点をぼかし、レイリー波を励起することによって生成された 2 つのパターンを例示します 30。 2 つのパターンは、不均質性のない TSV と不均質性のある TSV を示し、それぞれ「チャートリューズ」の緑色と赤色の長方形でマークされています。

ウェハレベルでのテストに使用される走査型音響顕微鏡の C スキャン画像データ。 (A) 公称周波数 100 MHz、開口角 60°、約 10,000 TSV で音響レンズの焦点をぼかしたクォーター ウェーハ片の全体的な C スキャン画像。 (B) ROI-1 には、音響レンズの焦点を外すことによって約 800 TSV の C スキャン内に生成されたパターンが含まれています。 (C) 6 つの TSV を備えた ROI-2 の拡大 C スキャン画像。 (D) 乱れのない縞模様 (「チャートリューズ」緑色の長方形) と乱れた縞模様 (赤い長方形) を持つ TSV を示す特徴的な C スキャン パターン。それぞれ、良好な TSV と不均一性を示唆する TSV (赤い破線の円) に関連付けられる可能性があります。 。

図 3 は、抽出された C-Scan SAM データに基づく、トレーニングとテストに関する自動 TSV 障害分析ワークフローを示しています。 ワークフローは、2 つの連続的にリンクされた CNN アーキテクチャで構成されており、これをエンドツーエンド畳み込みニューラル ネットワーク (E2E-CNN) として指定します。 最初の CNN (CNN1) は TSV の位置特定専用ですが、2 番目の CNN (CNN2) は数千の TSV を分類できます。詳細については、方法セクションを参照してください。

エンドツーエンド畳み込みニューラル ネットワーク (E2E-CNN) を使用した自動 TSV 位置特定と分類のワークフロー。 CNN1 と CNN2 のアーキテクチャを含むトレーニングとテストのワークフロー。 SAM-C スキャン画像データは、スライディング ウィンドウ TSV 検出器を利用した TSV 位置特定のための CNN1 への入力として使用されます。 学習には、TSV の「あり」と「なし」で示される 2 セットのラベル付きデータ (100 × 100 ピクセル画像) が使用されます。 CNN2 は分類専用であり、CNN1 からの出力を入力として使用します。 CNN2 は、C スキャン画像で見つかった 5 つの異なるパターンに従って定義された 5 つのクラスでトレーニングされます。 クラスは異なる色で示されます。 図示された品質予測用のテスト画像は、例示的に３６個のＴＳＶを示している。 選択された長方形領域における E2E-CNN の中間予測と最終予測は、それぞれ OUTPUT_CNN1 および OUTPUT_CNN2 としてマークされます。 OUTPUT—CNN1 のローカライズされた TSV は、「chartreuse」色でマークされます。 OUTPUT—CNN2 内の TSV の予測クラスは、緑 (クラス 1)、青 (クラス 2)​​、および赤 (クラス 3) で表される色で示されます。

CNN1 の入力として、画像サイズの制限を受けない SAM C-scan 画像データが使用されます。 出力では、特徴的な TSV パターンを持つイメージ パッチが提供されます。 CNN2 は、品質に応じて TSV を分類し、CNN1 の出力を入力として利用します。 CNN1 をトレーニングするために、それぞれ TSV ありとなしの C スキャン画像パッチを組み込んだ 2 セットのラベル付きデータを使用します。 CNN1 の出力は、36 TSV の例示的な ROI に対して「チャートリューズ」色でマークされたすべての特徴的なパターンを検出します。 一方、CNN2 の出力は TSV の品質に基づいて色分けされます。 クラス 1 ～ 5 で示される 5 つの異なるクラスを使用して CNN2 をトレーニングします。異なるクラスは、C スキャン データで見つかったパターンに従って割り当てられます。 ここに示す CNN2 の出力例では、33 個の TSV がクラス 1 に、2 個がクラス 2 に、1 個の TSV がクラス 3 に割り当てられています。クラス 4 と 5 は、例示的な ROI には見つかりません。

物体検出のためのコンピュータービジョンの分野ではいくつかの進歩がありました31。 多くの著者が、CNN ベースのセグメンテーション、スライディング ウィンドウ アプローチなどのオブジェクト位置特定手法を提案しました 32、33、34。 図 4A は、TSV 位置特定に利用されるスライディング ウィンドウ検出器の処理を示しています。 100 × 100 ピクセルのサイズのウィンドウが選択され、x 方向と y 方向にそれぞれストライド Sx および Sy で C スキャン画像上をスライドします。 この特定のウィンドウ サイズは、すべての TSV の特徴的なパターンをカバーするのに適しています。 CNN1 のトレーニングでは、これらのウィンドウのそれぞれに個別にデータが入力され、SAM C スキャン画像内の TSV の位置が特定されます。 テスト画像として 2 つのセットが生成されます。 最初のセットには、境界ボックスの中央にある TSV の C スキャン画像が含まれています。 2 番目のセットでは、背景のある画像および/または中央にない TSV を持つ画像 (補足図 S2 を参照) が使用されます。 CNN1 のデータセットにはカテゴリ特徴量が 2 つしかないため、ホット エンコーディング 35,36 を使用して、トレーニング中に最初のセットにバイナリ コード「1」を割​​り当て、2 番目のセットにバイナリ コード「0」を割り当てます。

効率的な TSV 位置特定のための非シーケンシャル スライディング ウィンドウ検出器。 (A) CNN1 のスライディング ウィンドウ手順の概略図。 画像サイズは x 方向と y 方向に 100 × 100 ピクセル、ストライドはそれぞれ Sx と Sy です。 (B) スライディング ウィンドウ検出器に関する詳細。 このメソッドはエンド ノードに畳み込み層を実装し、非順次的な方法での予測を可能にします。

図 4B に示すように、非順次スライディング ウィンドウ検出器アプローチを実行します。詳細については、「方法」セクションを参照してください。 逐次アプローチの主な欠点 34 (補足資料の図 S5 も参照) は、トレーニングとテストの結果にかかる時間だけでなく、計算コストもかかることです。 エンドノード 34 で畳み込み層を使用することにより、トレーニング時間を数時間から数分に短縮できることを示します。 テスト手順が実行される間、モデルはウィンドウから抽出された特徴が最初のセットに属するか 2 番目のセットに属するか、つまりそれぞれ 1 または 0 に基づいて複数の境界ボックス 37 を予測します。 非最大抑制 (NMS) が適用され (補足図 S3 を参照)、最も高い信頼スコアを持つ予測を見つけ、サイズ 100 × 100 ピクセルの最適な境界ボックスを与え、TSV をオブジェクトとして定義します。 ３つのＴＳＶを例とするＣスキャン画像におけるＣＮＮ１の予測を図４Ｂに示す。 検出された TSV は、「チャートリューズ」色の境界ボックスで表されます。 864 TSV のより大きな C スキャン画像における CNN1 の予測を図 S4 に示します。

2 番目の CNN (CNN2) は、SAM C スキャン画像内で特定された TSV を分類します。 したがって、CNN2 の入力は CNN1 からの予測です。 SAM 特性評価から得られた C スキャン データに従って、トレーニング データセットに対して 5 つのクラスを定義します (図 5 を参照)。最初の TSV クラスは、C-SAM 画像内の TSV 位置に同心円状または乱れのない縞を示します。 、図５Ａ。 2 番目の TSV クラスは、縞の円周に沿ったさまざまな位置での円形縞内の単一の不均一性を示します (図 5B)。 3 番目の TSV クラスは、フリンジの円周に沿って複数の不均一性を持つパターンを表します (図 5C)。 図５ＤおよびＥに示されるクラス４およびクラス５は、水の泡に由来するパターン、およびさらなる走査アーティファクト、例えばゲートエラーまたは高い走査速度に由来するパターンを表す。 CNN2 のアーキテクチャと対応する層パラメーターに関する詳細については、補足資料の図 S6 と「方法」セクションで詳しく説明されています。

5 つの異なるクラスによる TSV 分類のトレーニング データ セット。 C-scan データに従って 5 つのクラスを定義します。 (A) クラス 1 は、TSV の位置にある円形の均一な縞を示します。 (B) クラス 2 は、円周縁内に単一の不均一性を持つ TSV を表します。 (C) クラス 3 は、円周縁内に複数の不均一性を持つ TSV を例示的に示しています。 (D) クラス 4 は、水の泡に起因するアーティファクトを含む C スキャン画像を示しています。 (E) クラス 5 はスキャン アーティファクトを示しています。

図 6A と B は、2 つの CNN モデルのトレーニングと検証の精度を示しています。 TSV 位置特定 (CNN1) では、検証とトレーニングで 100% の精度を達成しました。つまり、SAM C スキャン画像からすべての TSV を検出できます (図 6A を参照)。 図 6B は、トレーニングと検証に関して TSV 分類のみに特化した CNN2 の 96% を超える精度を示しています。 さらに、E2E-CNNモデルのパフォーマンスを示すために、補足図S7にCNN1とCNN2のエポックの関数としてトレーニングと検証の損失をプロットします。

SAM C-スキャン画像と SEM データの比較。 (A) トレーニング (赤) と検証 (青) を含む、TSV 位置特定 (CNN1) の精度プロット。 (B) トレーニング (赤) と検証 (青) を含む TSV 分類 (CNN2) の精度プロット。 (C) E2E-CNN 予測を利用した SAM C スキャン画像内の局在化および分類された TSV。 色付きのボックスは、ローカライズされた TSV と、対応する割り当てられたクラスを示します。 (D) クラス 1 (緑)、2 (青)、および 3 (赤) を示す TSV の拡大画像。 (E) クラス 1 (不均一性なし)、クラス 2 (側壁と底部の不均一性)、および 3 (不均一性) の TSV の側壁および底部からの包括的な外観を得るために、さまざまなビューと倍率で代表的な相関 SEM 画像サイドウォールにあります）。

図 6C では、代表的な SAM C スキャン画像が、完全に自動化された TSV の位置特定と分類、たとえばクラス 1、2、および 3 を表示しています。クラス 1 ～ 3 の高倍率画像を図 6D に示し、さまざまなパターンを示しています。さらなる検証のために、クラス 1、2、および 3 の SAM C スキャン画像を、相関する SEM 特性評価結果と比較します。 図６Ｅのクラス１のＳＥＭデータによって示されるように、ＴＳＶの側壁にも底部にも不均一性は検出されない。 これは、フリンジに不均一性が見られない C スキャン SAM 画像で行われた観察と一致します。 クラス 2 の SEM データは、TSV の底面および側壁に大きな付着物を示しています。 ここでは、干渉縞内の単一の不均一性を示す SAM 画像内の特徴的なパターンが示されています (図 6D を参照)。 クラス 3 の場合、SEM データは側壁内の層間剥離を示しています (図 6E を参照)。 ここで、C スキャン SAM 画像は、クラス 3 について縞に複数の不均一性を持つパターンを示しています (図 6D を参照)。 相関した SEM データに従って、さまざまな C スキャン パターンを明確に割り当てることができます。

ウェーハのSAM Cスキャン画像からの864個のTSVの検出と品質予測を補足の図S8に示します。

以下では、開発された E2E-CNN モデルと半自動 ML モデルを比較します。 半自動モデルでは、表 1 に示すように、MLP、デシジョン ツリー、およびランダム フォレストを利用します。半自動分析では、TSV を検出するために、円形ハフのような幾何学ベースのパターン認識アルゴリズムを適用する必要があります。変換38,39。 トレーニングおよび特徴抽出ステップに適用されるデータのラベル付けは、MLP、デシジョン ツリー、およびランダム フォレストで同じです。 半自動 ML モデルのトレーニングのために、2 つの TSV 構成を定義します。 最初の構成は、SAM C スキャン画像に乱れのない縞を持つ TSV と、乱れた縞を持つ 2 番目の TSV を示しています。補足図 S9 を参照してください。

図 7A は、半自動 ML 解析の TSV 位置特定を示しています。 特徴的なパターンを示す 100 × 100 ピクセルのサイズのパッチが使用され、続いてサークル ハフ変換を使用して TSV が検出されます (図 7A を参照)。 関連する特徴を抽出するために、2 つの手順、つまりキャニー エッジ検出 (CED)40 を比較し、フリンジ セグメンテーション技術 (FriST) を使用して独自のセグメンテーション方法をさらに開発しました。詳細は補足図を参照してください。 S10、S11、および「方法」セクション。

ML モデルを使用した TSV の半自動バイナリ分類のワークフロー。 (A) SAM C スキャン画像のハフ円による TSV の検出。 (B) CED (アプローチ 1) および FriST (アプローチ 2) 技術から抽出された特徴を使用した TSV のバイナリ分類。 TSV を良品または不良 TSV として分類するテスト段階と同様に。

TSV のバイナリ分類では、CED または FriST を使用した特徴抽出の後に、主成分分析 (PCA) を使用した次元削減が続きます (図 7B を参照)。 PCA を適用することにより、モデルをトレーニングするための入力として CED または FriST の出力から最も重要な特徴が選択されます。詳細については、「メソッド」を参照してください。 調査したすべてのモデルのモデル パフォーマンスを表 1 にまとめます。重要な特徴抽出に関する半自動アプローチの制限により、10.000 TSV の分析には非常に時間がかかることに注意してください。表 1 も参照してください。 、半自動モデルの可能性が限られているため、比較のために TSV の量を 96 TSV に縮小しました。 さらに、864 TSV を示す ROI を持つ E2E-CNN の結果が補足の図 S8 に示されています。

FriST 技術を使用すると、トレーニングに必要な特徴が特定的に抽出されるため、3 つの半自動モデルすべてで CED 技術と比較して精度が向上していることがわかります (補足図 S12 を参照)。 ただし、半自動モデルの一般的な欠点は、モデルのトレーニングとテストに特定の特徴抽出が必要なことです。 ここで、SAM C スキャン画像の品質と解像度は、TSV に関連するパターンのその後のラベル付けにとって重要です。 したがって、ROI を増加させると解像度とコントラストが低下するため、半自動モデルは TSV の大規模な統計の検出と分類に関して最適なソリューションを提供しません。

特に、半自動モデルと比較して、E2E-CNN ワークフローは手動の特徴抽出手法に依存していません。 したがって、表 1 に示すように、CNN ベースのアプローチは、テスト時間と精度に関して半自動 ML ベースの予測モデルのパフォーマンスを上回っています。実際、半自動モデルはいずれも 90% を超える精度に達しておらず、テスト時間は 10 分未満。 E2E-CNN の効率が高い主な理由は、一連の畳み込み演算を使用して入力画像から複数の空間特徴層を自動的に検出できる機能にあります。

半自動 ML モデル (MLP、DT、RF) と、テスト用の 96 個の TSV を含む SAM C スキャン画像データからの TSV 分類用に開発された完全自動 E2E-CNN モデルとの比較。 半自動モデルの必要な特徴抽出には、CED および FriST 手法を使用します。

以下では、開発された E2E-CNN モデルを利用して、障害分析の統計的可能性を強調します。 自動光学顕微鏡 (AOM) は、ウェーハ検査に利用される従来のコスト効率の高い方法です。 図 8A に示すように、光学顕微鏡に基づいて 2 次元の欠陥マップを提供することにより、TSV アレイ内の欠陥の位置を特定するのに役立ちます。 SAM 測定と組み込まれた E2E-CNN モデルとの比較のために、ウェーハの異なる位置にある A、B、C、D のラベルが付いた 4 つの ROI を選択します。 不均一性がある場合とない場合の TSV の発生に関する統計を評価します。 基礎となる分析用に選択された個々の ROI は 576 個の TSV で構成されます。詳細については、メソッドのセクションを参照してください。 図８ＢおよびＣは、ＳＡＭ画像データから得られた欠陥マップ、ならびにＲＯＩ Ｄについての後続のＥ２Ｅ－ＣＮＮ分析およびＲＯＩ Ｄ－１についてのさらなる拡大をそれぞれ例示的に示す。 後者は、TSV の位置とクラス 1 ～ 5 による TSV 分類を示します。 この ROI では、576 個の TSV のうち 568 個が正しく分類されており、これは 96% を超える精度に相当します。 ROI A、ROI B、ROI CのE2E-CNNモデルに基づく予測結果を伴うさらなるCスキャンを補足資料の図S13に示します。

全自動化されたE2E CNNベースの欠陥解析と光学的欠陥解析から得られる統計解析。 (A) TSV を備えたシリコン ウェーハの自動光学顕微鏡 (AOM) 欠陥マップ。 E2E-CNN モデルとさらに比較するために、4 つの ROI (ROI A ～ ROI D) が選択されます。 欠陥分析用に選択されたこれらの ROI は、赤色の長方形のボックスでマークされます。 欠陥は黒い点として表示されます。 (B) 完全に自動化された E2E-CNN を使用して、ROI D の SAM C スキャン画像に対して実行された欠陥分析。 E2E-CNN モデルによって検出されたすべての不均一な TSV は、黄色で塗りつぶされた長方形のボックスでマークされます。 サブ領域 ROI D-1 は、破線の長方形のボックスとして強調表示されます。 (C) ROI D-1 の拡大画像。 E2E-CNN によって示される局在化および分類された TSV は、緑色 (クラス 1)、青色 (クラス 2)​​、および赤色 (クラス 3) でマークされます。 (D) 選択した ROI の SAM および AOM データから抽出された結果を示す欠陥分析。 プロット内に不均一性がある場合とない場合の TSV について評価された統計は、それぞれ赤色と緑色でマークされます。 (E) SAM の結果に基づいて E2E-CNN から取得された ROI A ～ D のさまざまな障害クラス 1 ～ 5 に関する抽出された統計。

特に、図８Ｄによれば、抽出された統計は、ＡＯＭベースの方法とＳＡＭベースの方法について同様の傾向を示している。 ROI C は両方のアプローチで不均一な TSV の最大カウントを示し、ROI D は最小カウントを示します。 表された結果を表 2 にまとめます。ただし、E2E-CNN モデルを利用した SAM ベースの検査では、光学検査よりも不均一性のある TSV の数が多く表示されます。

さらに、図 8E には、A から D でラベル付けされたさまざまな ROI について E2E-CNN モデルによって予測されたさまざまなクラスに関する統計情報が示されています。図 6 に示されているクラス 2 は、側壁と底部の欠陥の混合を示し、欠陥数が最も多いクラス。 通常、AOM は底部欠陥の検出に適していますが、側壁欠陥の場合はエラーが発生しやすいです 20,22。 ただし、図 8D に示す AOM データと SAM-E2E-CNN データの違いは、主に側壁の欠陥を反映するクラス 3 には、欠陥の約 10 ～ 20% しか含まれていないため、不正確な側壁検出によって完全に説明することはできません。 E2E-CNN モデルによって予測される欠陥の総数。

音響的アプローチで示された欠陥数の増加は、主に検出感度の向上によるものであると我々は主張します。 つまり、調査結果によれば、TSV内で発生した音波は、底部および側壁に存在する不均一性との強い相互作用を引き起こす。

結論として、我々は、(1) ウェーハレベルでの数千の TSV の特性評価、(2) 欠陥のある TSV の位置特定、(3) 欠陥レベルの程度に応じた個々の TSV の分類を可能にする畳み込みニューラル ネットワーク ベースのワークフローを開発しました。分類された TSV に関する統計情報の生成。 当社は独自の SAM アプローチを使用して、最大数千の TSV で構成される産業関連 TSV アレイの画像データをコストと時間効率よく生成します。 SAM アプローチは、AOM で示されているように、より高い検出感度で TSV の底部からだけでなく側壁からも情報を取得できます。 完全に自動化された E2E-CNN ワークフローは、位置特定と分類でそれぞれ 100% と 96% 以上の精度を実現します。 さらに、MLP、デシジョン ツリー、ランダム フォレスト モデルなどのさらなる機械学習アプローチを使用して、E2E-CNN と比較して TSV 検出の可能性を探ります。 実際、分析では、これらの ML アプローチは、時間、コスト、精度の点で、開発された E2E-CNN モデルと競合できないことが示されています。 トレーニング画像とテスト画像の両方に対する特定の特徴抽出手順が不可欠であるため、半自動モデルのトレーニングとテストには時間がかかります。 大きな欠点は、必要なパターン認識アルゴリズムが一般に画像データの品質に大きく依存することです。 したがって、TSV を検出するには十分な画像解像度とコントラストが必須です。 ヒストグラム均等化 41 などのピクセル輝度変換を使用したり、適応しきい値処理 42 やバイナリしきい値処理 43 などのさまざまなしきい値処理技術を適用したりして、取得した SAM C スキャン画像を前処理すると、さらなる処理の画質を向上させるのに役立つ場合があります。 ただし、当社の高精度モデルでは、手動検査や C スキャン画像の前処理といった時間のかかる要件が不要になります。 これにより、E2E-CNN モデルは、数千の TSV の特徴的なパターンを持つ大規模な C スキャン画像の分析に非常に応用可能になります。 さらに、自動故障検査のための提示された E2E-CNN ワークフローは、SAM 画像データの分析に限定されず、他の画像化方法にも適用できます。

貫通シリコン ビア (TSV) は、マイクロ電子デバイスの小型化と機能向上に重要な役割を果たす 3D 統合テクノロジの重要なコンポーネントです 12,44。 TSV により、3D スタックのさまざまな層を介した電気接続が可能になります。 これらのメタライズされたビアは、シリコンに穴をエッチングし、続いて導電性材料で充填またはコーティングすることによって維持されます (それぞれ閉じた TSV と開いた TSV)。 密閉 TSV 設計は接触抵抗が非常に低いにもかかわらず、シリコンと充填材の間の熱膨張係数の不一致により、高度の機械的ストレスを受けます45。 したがって、熱膨張が特に懸念される場合には、タングステンで裏打ちされたオープン TSV テクノロジーがクローズド TSV テクノロジーに取って代わります46。 この研究では、直径 100 μm、深さ 250 μm のオープン TSV テクノロジーを使用します。 オープン設計に関連する潜在的な問題の 1 つは、堆積プロセス後のタングステンの高い残留応力であり、これにより、下層の品質に応じて、側壁または TSV の底部に亀裂、剥離、または付着物が発生する可能性があります45。 この研究のために、オーストリア、プレムシュテッテンの ams-OSRAM AG は、通常の製造プロセスの変更によって TSV に人為的に欠陥を生じさせたウェーハを提供しました。 未知の位置に未知の欠陥があるこれらの TSV は、SAM を使用して非破壊的に検出されます。

この研究に使用された SAM は、ドイツの PVA TePla Analytical Systems GmbH からの改良セットアップであり、8 ビット分解能および 5 ギガ サンプル/秒のサンプリング レートの ADC カード、および 10 ns バースト長のトーン バースト構成を備えています。 私たちのアプローチを使用して特徴的なパターンを取得するために、中心周波数 100 MHz のトランスデューサーと、レイリー波を励起できる開口角 60° のレンズを利用します30。 サンプルからの反射は、PVA TePla によって提供されるソフトウェア「WinSAM 8.0.2293.0」を使用して分析されます。 私たちのアプローチを使用した SAM のスキャン速度は、2 µm/ピクセルの解像度で 45 分あたり約 1000 TSV です。

半自動および完全自動の ML モデルを使用して、特徴的な C スキャン SAM パターンを分類します。 完全に自動化されたモデルの場合、CNN1 と CNN2 で示される 2 つの CNN アーキテクチャを備えたエンドツーエンド畳み込みニューラル ネットワーク (E2E-CNN) が、それぞれ TSV の位置特定と分類に特化します。

CNN1 - CNN1 のアーキテクチャは、32、32、64 フィルターを備えた 3 つの畳み込み層と、積み重ねられた順序で配置された 2 つの最大プーリング層で構成されます。アーキテクチャ選択プロセスに関する補足の図 S7 も参照してください。 2D カーネルを使用して、CNN の各レベルで画像から特徴を抽出しました。 これらのカーネルは、画像内のサブ領域とそれ自体との間のドット積をとることによって特徴抽出を実行します。 CNN1 の最初の層は、カーネル サイズが 3 × 3 の畳み込み層で構成され、入力の次元が 98 × 98 × 32 に削減されます。2 番目の層は、カーネル サイズが 2 × 2 の最大プーリング層です。 3 番目の層は、別の 3 × 3 カーネルを含む畳み込み層です。 この層は、特徴の次元を 47 × 47 × 32 に削減します。 3 番目の層の出力は、最大プーリング層である 4 番目の層に転送されます。 この層のカーネル サイズは、最初のプーリング層と同じです。 5 番目の層も、カーネル サイズが 3 × 3 の別の畳み込み層であり、特徴の次元が 21 × 21 × 64 にさらに縮小されます。CNN1 の出力層は、ゼロの範囲で予測するシグモイド活性化関数 47 を備えた畳み込み層を表します。 TSV が検出されたかどうかに応じて 1 に変わります。 出力畳み込み層は、カーネル サイズが 21 × 21 の 1 つのフィルターで構成されます。CNN1 をトレーニングするには、全体で 20,000 枚の画像を含むデータセットを使用します。 CNN1 の画像データ全体をトレーニング用に 70%、検証用に 30% に分割し、モデルのパフォーマンスを評価します。 つまり、トレーニング バッチと検証バッチは、それぞれ 14,000 枚と 6000 枚の画像で構成されます。

CNN2 - 32、32、64、64、64、128 フィルターを備えた 6 つの畳み込み層と 3 つの最大プーリング層で構成されます。アーキテクチャ選択プロセスに関する補足の図 S7 も参照してください。 CNN2 の出力層は、各クラスに 10 進数の確率を割り当てるソフトマックス活性化関数 47 を備えた全結合層です。 CNN2 のデータセット全体は、100 × 100 ピクセルの 6865 枚の画像で構成されています。 これは、C スキャン画像に示されているさまざまな特徴的なパターンを表す 5 つの出力クラス ラベルを示しています (図 5)。6,865 枚の画像のデータセットのうち、5,151 枚の画像がモデルのトレーニングに使用され、1,714 枚の画像がモデルの検証に使用されます。 上述したように、CNN2 への入力は 10,000 個のピクセル値を持つ C スキャン画像パッチ、つまり個々の TSV の特徴的なパターンを持つ画像パッチです。 入力は 2 つの 32 3 × 3 フィルターで畳み込まれます。 これにより、入力の次元が 96 × 96 × 32 に削減されます。 3 番目の層は、ストライド 2 の最大プーリング層です。次の 3 つの層は、積み上げられ、3 × 3 フィルターを通じて 64 個の特徴を学習する畳み込み層です。 これらの層の出力のサイズは 42 × 42 × 64 で、これは次の最大プーリング層に転送されます。 CNN2 の 8 番目の層は、3 × 3 フィルターを通じて 128 個の特徴を学習する別の畳み込み層です。 次の最大プーリング層の出力は平坦化され、5 つの出力ノードを持つ高密度層への入力として提供されます。 CNN2 のすべての畳み込み層は、ストライド = 1 および修正線形単位 (ReLu) アクティベーションで実行されます。

特徴抽出器の入力は、10,000 ピクセルの TSV の 3044 個の SAM C スキャン画像、つまり TSV の特徴的なパターンを持つ境界ボックスです。 この境界ボックスは、ハフ円を使用して検出された TSV の中心から取得されます。 アプローチ 1 (CED) とアプローチ 2 (FriST) を使用して、この画像パッチから 2 セットの特徴が抽出されます。 表 1 に示す MLP、DT、RF モデルのトレーニングでは、モデルのトレーニングにデータセット全体の 70% を使用し、モデルの検証にデータセット全体の 30% を使用します。 デシジョン ツリーとランダム フォレストのトレーニングと検証のために、CED と FriST 手法を使用して MLP と同じ特徴を抽出しました。 モデル化された MLP は、1000 ノードの入力層、250、125、50 ノードの隠れ層、および 1 つの出力ノードで構成されます。 重みの最適化に使用されるソルバーは、Limited Memory Broyden Fletcher Goldfarb Shanno (LBFGS) と、予測に関連するペナルティ (損失関数) を測定するためのクロス エントロピーです。

Canny Edge Detection (CED): TSV フリンジからエッジ情報を抽出する前に、画像上に存在するスキャン アーティファクトやノイズを除去するためにガウス フィルターを適用しました。 次に、CED アルゴリズムを適用して、これからフリンジ エッジを検出しました。 このようにして得られたエッジ特徴は、このデータに PCA を適用することによってさらに絞り込まれます。

フリンジ セグメンテーション テクニック (FriST): ここで、境界ボックスには、適応しきい値処理を使用して前処理された特徴的なパターンが含まれています。 次に、前処理された画像の中心に単位半径の円が考慮されます。 この円の半径は、境界ボックスの端に到達するまで繰り返し増加します (補足の図 S10 を参照)。 C スキャン画像から、TSV に関する情報は主に内側の 2 つの縞にあります。 各ステップで、この円の周囲にある黒いピクセルの総数がプロットされます。 プロットの最初と 2 番目のピークは対象の縞に対応するため、これら 2 つのピークを越えるすべてのピクセルを 255 に設定することで、画像セグメントのこれらの領域を保持します (補足図 S10 および S11 を参照)。 これらのステップは、フリンジから関連する特徴を抽出するために、TSV ごとに順番に繰り返されます。 FriST 技術を使用してセグメント化された関連する ROI も PCA に供給されます。

E2E-CNN モデルの場合、SAM C スキャン画像の前後処理は必要ありませんが、半自動 TSV 位置特定と分類では、SAM C スキャン画像の品質に応じて、さまざまな画像処理技術を使用して画像を準備する必要があります。コントラスト強調、フィルタリング、閾値処理など。 通常、10,000 TSV を分析できます。 2 μm/ピクセルの 1 つの画像ファイルは、600 MB のファイル サイズを示します。 したがって、限られた計算能力を考慮して、さらなる分析のために約 576 個の TSV を持つ ROI を選択します。 CNN 2 では、クラス 4 とクラス 5 に属する特徴的なパターンで TSV を強化しました。このような C スキャン画像は水の泡とスキャン アーティファクトを示しており、かなりまれです。 クラス 4 とクラス 5 を合わせた拡張データ セットのサイズは 537 です。拡張には主に反転、回転、ズームイン、ズームアウトを使用しました。

この研究の結果を裏付けるすべてのデータは、合理的な要求に応じて責任著者から入手できます。

この研究の結果を裏付けるすべてのコードは、合理的な要求に応じて責任著者から入手できます。

Raj, B.、Jayakumar, T.、Thavasimuthu, M. 実用的な非破壊検査。 （ウッドヘッド出版、2002）。

Kumar, S. & Mahto, DG 非破壊検査の産業およびその他のエンジニアリング用途における最近の傾向: レビュー。 内部。 J.Sci. 工学解像度 4、(2013)。

Virkkunen, I.、Koskinen, T.、Jessen-Juhler, O.、Rinta-Aho, J. 機械学習用の拡張超音波データ。 J. 非破壊。 評価 40、1–11 (2021)。

記事 Google Scholar

Huang、Y.-J.、Pan、C.-L.、Lin、S.-C. & 郭、M.-H. TSV ベースの 3D IC の欠陥の検出と分類における機械学習アプローチ。 IEEEトランス。 コンポ。 パッケージ。 メーカーテクノロジー。 8、699–706 (2018)。

記事 CAS Google Scholar

スー、P.-N. 他。 3D IC の信頼性予測のための人工知能ディープラーニング。 科学。 議員第 12 号、1–7 (2022)。

記事 ADS Google Scholar

Liu, H.、Fang, R.、Miao, M.、Yang, Y. & Jin, Y. 機械学習アプローチを使用した TSV 伝送チャネルの欠陥検出、2019 IEEE 69th Electronic Components and Technology Conference (ECTC) 2168– 2172年（2019年）。

Wang, Z.、Liu, X.、He, Z.、Su, L. & Lu, X. 走査型超音波顕微鏡と一般回帰ニューラル ネットワークによるフリップ チップのインテリジェントな検出。 マイクロ電子。 工学 217、111127 (2019)。

記事 CAS Google Scholar

Albawi, S.、Mohammed, TA & Al-Zawi, S. 畳み込みニューラル ネットワークの理解、2017 年国際工学技術会議 (ICET) 1–6 (2017)。

Aloysius, N. & Geetha, M. ディープ畳み込みニューラル ネットワークに関するレビュー。 2017 年通信および信号処理に関する国際会議 (ICCSP) 588–592 (2017)。

Gu、J.ら。 畳み込みニューラル ネットワークの最近の進歩。 パターン認識。 77、354–377 (2018)。

記事 ADS Google Scholar

ケスター、SJら。 ウエハーレベルの3D統合技術。 IBM J. Res. 開発者 52、583–597 (2008)。

記事 CAS Google Scholar

元吉 M. シリコン貫通ビア (TSV)。 手順 IEEE 97、43–48 (2009)。

記事 CAS Google Scholar

シェン、W.-W. & チェン、K.-N. 三次元集積回路 (3D IC) の主要技術: シリコン貫通ビア (TSV)。 ナノスケール解像度レット。 12、1–9 (2017)。

記事 ADS Google Scholar

Lu、KHら。 3D 相互接続におけるシリコン貫通ビアの熱応力による剥離、2010 年議事録第 60 回電子部品および技術会議 (ECTC) 40–45 (2010)。

Ranganathan、N.、Prasad、K.、Balasubramanian、N.、Pey、KL 熱機械応力とシリコン貫通ビアに対するその影響の研究。 Ｊ．Ｍｉｃｒｏｍｅｃｈ． マイクロエング。 18、75018 (2008)。

記事 Google Scholar

Tsai, M.、Klooz, A.、Leonard, A.、Appel, J. & Franzon, P. 3D-IC 用スルー シリコン ビア (TSV) 欠陥/ピンホール セルフ テスト回路、2009 年 3D システム インテグレーションに関する IEEE 国際会議1–8 (2009)。

Chakrabarty, K.、Deutsch, S.、Thapliyal, H. & Ye, F. TSV 欠陥と TSV 誘発回路故障: テストおよびテスト用設計の 3 次元、2012 IEEE 国際信頼性物理シンポジウム (IRPS) 5F–1 (2012)。

Dom, BE & Brecher, V. 集積回路のパターン欠陥の自動検査における最近の進歩。 マッハ。 ヴィス。 応用 8、5–19 (1995)。

記事 Google Scholar

Bazu, M. & Bajenescu, T. 故障解析: 電子部品およびシステムの製造者のための実践ガイド。 巻。 4 (ジョン ワイリー & サンズ、2011)。

コジック、E.ら。 走査型音響顕微鏡と音響シミュレーションを使用した、3D 統合コンポーネントの金属化欠陥の検出。 マイクロ電子。 安心。 88、262–266 (2018)。

記事 Google Scholar

Chen, Q.、Huang, C.、Wu, D.、Tan, Z.、Wang, Z. 環状エアギャップ絶縁層を備えた超低容量シリコン貫通ビア。 IEEEトランス。 電子デバイス 60、1421–1426 (2013)。

記事 ADS CAS Google Scholar

Abd Al Rahman, M. & Mousavi, A. エレクトロニクス業界における自動光学検査および品質監視方法のレビューと分析。 IEEE Access 8、183192–183271 (2020)。

記事 Google Scholar

Reimer, L. 走査型電子顕微鏡: 画像形成と微量分析の物理学。 測定。 科学。 テクノロジー。 11(12)、1826 ～ 1826 年 (2000)。

記事 ADS Google Scholar

Zhou, W.、Apkarian, R.、Wang, ZL & Joy, D. 走査電子顕微鏡 (SEM) の基礎、ナノテクノロジーのための走査顕微鏡 1–40 (Springer、2006)。

Pacheco, M. および Goyal, D. マイクロエレクトロニクスにおける非破壊故障解析のための X 線コンピューター断層撮影法、2010 年の IEEE 国際信頼性物理シンポジウム 252–258 (2010)。

Zschech、E. et al. 実験室用コンピュータ X 線断層撮影 – 材料の 3D 微細構造分析のための非破壊技術。 練習してください。 メタロガー。 55、539–555 (2018)。

記事 ADS Google Scholar

Cassidy, C.、Teva, J.、Kraft, J.、Schrank, F. 側面発光顕微鏡を使用したシリコン ビア (TSV) 欠陥の調査。 マイクロ電子。 安心。 50、1413–1416 (2010)。

記事 CAS Google Scholar

ダ・フォンセカ、RJMら。 走査型音響顕微鏡 - 材料科学における最近の応用。 上級メーター。 5、508–519 (1993)。

記事 Google Scholar

Zhang, G.-M.、Harvey, DM & Braden, DR 走査型音響顕微鏡を使用したマイクロエレクトロニクス パッケージの特性評価。 NDT E インターナショナル 40、609–617 (2007)。

記事 CAS Google Scholar

ブリッグス、A.、ブリッグス、GAD & コロソフ、O. 音響顕微鏡。 巻。 67 (オックスフォード大学出版局、2010)。

Zou, Z.、Shi, Z.、Guo, Y.、Ye, J. 20 年間の物体検出: 調査。 arXiv 準備中。 arXiv:1905.05055 (2019)。

LeCun, Y.、Huang, FJ & Bottou, L. 姿勢と照明に対する不変性を備えた汎用オブジェクト認識の学習方法、コンピュータ ビジョンとパターン認識に関する 2004 IEEE Computer Society Conference の議事録、2004 年。CVPR 2004。 2 II--104 (2004)。

Delakis, M. & Garcia, C. 畳み込みニューラル ネットワークによるテキスト検出。 ビザップ 2、290–294 (2008)。

Google スカラー

Sermanet, P. et al. Overfeat: 畳み込みネットワークを使用した統合された認識、位置特定、および検出。 arXiv 準備中。 arXiv1312.6229 (2013)。

Lu, H. 機械学習アプリケーション用の準直交正規符号化。 arXiv 準備中。 arXiv2006.00038 (2020)。

Chen, T.、Min, MR & Sun, Y. コンパクトな埋め込み表現のための k ウェイ d 次元離散コードの学習、機械学習に関する国際会議 854–863 (2018)。

Redmon, J.、Divvala, S.、Girshick, R. & Farhadi, A. You Only look Once: Unified, real-time object detecting、Proceedings of the IEEE Con​​ference on Computer Vision and Pattern Recognition 779–788 (2016) 。

Shih、FY 画像処理とパターン認識: 基礎とテクニック。 （ジョン・ワイリー＆サンズ、2010）。

Grünwald, E. et al. 走査型音響顕微鏡によるタングステンコーティングされたTSVの自動故障解析。 マイクロ電子。 安心。 64、370–374 (2016)。

記事 Google Scholar

Rong, W.、Li, Z.、Zhang, W. & Sun, L. 改良された CANNY エッジ検出アルゴリズム、2014 IEEE International Conference on Mechatronics and Automation 577–582 (2014)。

Petrou、MMP および Petrou、C. 画像処理: 基礎。 （ジョン・ワイリー＆サンズ、2010）。

Bradley, D. & Roth, G. 積分画像を使用した適応しきい値処理。 J.グラフ。 ツール 12、13–21 (2007)。

記事 Google Scholar

Kohler, R. しきい値処理に基づくセグメンテーション システム。 計算します。 グラフ。 画像処理。 15、319–338 (1981)。

記事 Google Scholar

Puech、M. et al. DRIE を使用した 3D パッケージング TSV の製造、2008 年の MEMS/MOEMS の設計、テスト、統合およびパッケージングに関するシンポジウム 109–114 (2008)。

Singulani, AP、Ceric, H. & Langer, E. 集積回路の物理的および故障解析に関する第 20 回 IEEE 国際シンポジウム (IPFA) の議事録、「オープンスルーシリコンビア技術のタングステン薄膜における応力進化」 212– 216 (2013)。

Filipovic、L.、Singulani、A.、Roger、F.、Carniello、S.、Selberherr、S. タングステンで裏打ちされたオープン TSV の固有応力解析。 マイクロ電子。 安心。 55、1843–1848 (2015)。

記事 CAS Google Scholar

Sharma, S.、Sharma, S. & Athaiya, A. ニューラル ネットワークの活性化関数。 に向けて。 データサイエンス 6、310–316 (2017)。

Google スカラー

リファレンスをダウンロードする

我々は、Bridge Young Scientist、Proj. の下で Die Österreichische Forschungsförderungsgesellschaft (FFG) からの財政的支援に感謝します。 このプログラムは、K2 センター内の COMET プログラム「統合計算材料、プロセスおよび製品エンジニアリング (IC-MPPE) (プロジェクト番号 886385、P2.22)」の範囲内にあります。このプログラムは、によってサポートされています。オーストリア研究促進庁（FFG）が代表を務めるオーストリア連邦の気候変動対策、環境、エネルギー、モビリティ、イノベーションおよび技術省（BMK）および労働経済省（BMAW）、およびシュタイアーマルク州、オーバーエスターライヒ州、シュタイアーマルク州の連邦州チロル. SEM 測定に関しては、ams-OSRAM AG の M. Gritzner からのサポートに感謝します。

Materials Center Leoben Research GmbH、レオーベン、オーストリア

プリヤ・ポーラチャン & ローランド・ブルナー

ams-OSRAM AG、プレムシュテッテン、オーストリア

イェルク・ジーゲルト

PVA TePla Analytical Systems GmbH、ヴェストハウゼン、ドイツ

インゴ・ヴィースラー

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

RB、PP は ML ワークフローを計画し、実行しました。 PP は RB の監督の下で CNN アーキテクチャを開発しました。 JS がサンプルを提供しました。 RB は SAM 測定を計画しました。 PP は SAM 測定を実施しました。 IWはSAMの修正を支持した。 PP は RB の監督の下で分析を実行しました。 RBとPPが論文を書きました。 著者全員が結果について議論し、論文についてコメントしました。

ローランド・ブルナーへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Paulachan、P.、Siegert、J.、Wiesler、I. 他。 3D 相互接続の自動障害位置特定と特性評価のためのエンドツーエンドの畳み込みニューラル ネットワーク。 Sci Rep 13、9376 (2023)。 https://doi.org/10.1038/s41598-023-35048-0

引用をダウンロード

受信日: 2023 年 1 月 19 日

受理日: 2023 年 5 月 11 日

公開日: 2023 年 6 月 9 日

DOI: https://doi.org/10.1038/s41598-023-35048-0

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。