聶 磊，武麗麗，黃一凡，劉夢(mèng)然，劉江林

(湖北工業(yè)大學(xué)機(jī)械工程學(xué)院，湖北武漢 430000)

0 引言

硅通孔(TSV，through-silicon-via)是目前主流的一種三維封裝技術(shù)[1-2]。與傳統(tǒng)鍵合方式不同，其主要思想是在堆疊的芯片間制作垂直通孔，通過通孔金屬化實(shí)現(xiàn)芯片間的垂直互連[3]。由于TSV孔徑的不斷縮小、深寬比的持續(xù)增大，在制造過程中容易產(chǎn)生封裝內(nèi)部缺陷，造成器件功能受損、可靠性降低[4-6]。隨著生產(chǎn)制造的自動(dòng)化程度越來越高，為了滿足自主可控的制造需求，芯片封裝技術(shù)水平亟待提升，因此TSV三維封裝內(nèi)部缺陷的有效檢測(cè)具有重要意義。

TSV三維封裝互連結(jié)構(gòu)缺陷檢測(cè)方法通?？煞譃榻佑|式與非接觸式。其中常見的接觸式方法為電測(cè)法，陳壽宏等[7]提出一種將混合極限學(xué)習(xí)機(jī)與S參數(shù)相結(jié)合的缺陷檢測(cè)方法，該方法利用S參數(shù)進(jìn)行訓(xùn)練，實(shí)現(xiàn)缺陷的分類與定位。李豆等[8]通過分析差分信號(hào)激勵(lì)時(shí)TSV的電特性，即利用存在缺陷時(shí)差模和共模S參數(shù)的特點(diǎn)來判斷缺陷類型；利用差模S參數(shù)及其對(duì)頻率的數(shù)值導(dǎo)數(shù)隨缺陷位置變化的特點(diǎn)對(duì)缺陷進(jìn)行定位。文獻(xiàn)[9]提出一種基于機(jī)器學(xué)習(xí)的檢測(cè)方法，TSV內(nèi)不同數(shù)量的空隙顯示出不同的頻率響應(yīng)特性，該方法可以對(duì)S參數(shù)進(jìn)行學(xué)習(xí)，合理預(yù)測(cè)TSV結(jié)構(gòu)中的空隙量。文獻(xiàn)[10]提出了一種使用開關(guān)電容電路的TSV缺陷檢測(cè)和診斷方法，使用參數(shù)測(cè)量有效地檢測(cè)顯著的空洞缺陷、針孔缺陷和缺失微凸塊缺陷，可以診斷開路故障的位置和漏電故障的程度。非接觸式方法能夠在不損傷芯片的情況下對(duì)封裝系統(tǒng)進(jìn)行缺陷檢測(cè)。尚玉玲等[11-12]提出一種基于串?dāng)_耦合理論的非接觸探頭的測(cè)試結(jié)構(gòu)，可以實(shí)現(xiàn)對(duì)TSV裂紋故障的非接觸測(cè)試并能檢測(cè)TSV裂紋故障的大??；并以環(huán)形振蕩器的振蕩周期與占空比為測(cè)試參數(shù)，提出了一種基于粒子群優(yōu)化(PSO)的最小二乘支持向量機(jī)(LSSVM)的TSV故障診斷模型，可以檢測(cè)故障并進(jìn)行故障分類。文獻(xiàn)[13]提出一種使用X射線成像的TSV缺陷檢測(cè)方法，從圖像中提取特征，輸入到自組織映射神經(jīng)網(wǎng)絡(luò)(SOM)中進(jìn)行分類和測(cè)試，可以明顯區(qū)分正常TSV和有缺陷的TSV；使用Otsu算法進(jìn)一步定位TSV內(nèi)的空隙。文獻(xiàn)[14]提出一種基于光束的缺陷定位方法，借助光束感應(yīng)電流，通過感應(yīng)短路TSV的泄漏金屬-半導(dǎo)體結(jié)構(gòu)中的激光誘導(dǎo)光電流來確定TSV陣列結(jié)構(gòu)的擊穿位置，該方法對(duì)于高密度TSV結(jié)構(gòu)中的缺陷定位有更好的定位分辨率。接觸式檢測(cè)法可以有效檢測(cè)出芯片是否失效，但容易損傷測(cè)試芯片。光學(xué)檢測(cè)、射線檢測(cè)等非接觸式方法由于設(shè)備的限制，存在檢測(cè)難度大、檢測(cè)時(shí)間長(zhǎng)、效率不高的問題。

本文針對(duì)TSV三維封裝系統(tǒng)的封裝內(nèi)部缺陷檢測(cè)，提出一種基于溫度場(chǎng)的非接觸式缺陷識(shí)別與定位方法。該方法通過理論分析，充分理解缺陷導(dǎo)致溫度場(chǎng)分布與變化的規(guī)律；以仿真方法，獲取無缺陷與帶有缺陷的樣品的溫度場(chǎng)分布圖像，利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)，對(duì)這些溫度場(chǎng)分布圖像進(jìn)行訓(xùn)練，建立缺陷識(shí)別與定位的分類模型，并在芯片紅外測(cè)試實(shí)驗(yàn)中驗(yàn)證了該模型的有效性。

1 TSV內(nèi)部缺陷紅外圖像產(chǎn)生機(jī)理

芯片作為整個(gè)三維封裝系統(tǒng)的發(fā)熱源，在工作時(shí)產(chǎn)生的熱量主要通過熱傳導(dǎo)和熱對(duì)流進(jìn)行散熱[15-16]。如圖1所示，TSV三維封裝系統(tǒng)的主要散熱路徑有2條，第1條路徑是通過芯片上表面與環(huán)境空間進(jìn)行熱對(duì)流；第2條路徑是通過三維封裝系統(tǒng)的內(nèi)部結(jié)構(gòu)進(jìn)行熱傳導(dǎo)，直至將熱量傳至基板，最終通過基板背面與環(huán)境空間進(jìn)行熱對(duì)流。

圖1 TSV三維封裝系統(tǒng)橫截面散熱示意圖

TSV三維封裝系統(tǒng)主要由銅圓柱、硅芯片、基板、焊料、TSV層組成，各材料的導(dǎo)熱系數(shù)如表1所示。從表1可知金屬的導(dǎo)熱系數(shù)相對(duì)較大，由于導(dǎo)熱系數(shù)越大，物體的導(dǎo)熱性能越好，因此正常工作時(shí)，芯片產(chǎn)生的80%～90%的熱量通過第二條路徑進(jìn)行散熱。

表1 各層導(dǎo)熱系數(shù) W/(m·K)

芯片正常工作時(shí)產(chǎn)生的熱量使系統(tǒng)原本的熱平衡狀態(tài)被打破，TSV層的銅柱作為系統(tǒng)的傳熱部分，缺陷的存在會(huì)導(dǎo)致系統(tǒng)熱阻發(fā)生變化，影響熱量的傳遞，系統(tǒng)傳熱路徑隨之發(fā)生改變，從而影響三維封裝系統(tǒng)溫度場(chǎng)的分布。

通過將熱量的傳遞類比于電量的傳遞，傅里葉定律可表達(dá)為歐姆定律的形式，即：

(1)

(2)

式中：φ為熱流量；k為熱導(dǎo)率；A為同方向傳熱面積；ΔL為同方向傳熱距離；T1和T2分別為L(zhǎng)距離上兩側(cè)的溫度；Rt為熱阻。

ΔL/A不變時(shí)，熱阻與熱導(dǎo)率成反比，由于銅的熱導(dǎo)率大于空氣，所以銅的熱阻小于空氣的熱阻，即銅的傳熱性能優(yōu)于空氣。如圖2所示，當(dāng)TSV層的銅柱含有缺陷時(shí)，由于空氣的存在，該部分的熱阻變大，其傳熱性能會(huì)下降，散熱路徑發(fā)生變化。

圖2 含缺陷TSV層的散熱路徑示意圖

2 TSV缺陷紅外圖像的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別與定位

由前文可知，當(dāng)三維封裝系統(tǒng)中銅柱含有缺陷時(shí)，會(huì)引起該區(qū)域熱阻發(fā)生變化，導(dǎo)致傳熱路徑發(fā)生改變，最終影響系統(tǒng)的溫度場(chǎng)分布。所以本文通過獲取TSV三維封裝系統(tǒng)的溫度場(chǎng)來實(shí)現(xiàn)缺陷識(shí)別與定位。卷積神經(jīng)網(wǎng)絡(luò)作為圖像識(shí)別的有效方法，通過對(duì)輸入圖像進(jìn)行局部感知、卷積運(yùn)算等，自動(dòng)提取圖像特征，找到圖像間的聯(lián)系與差異，以此實(shí)現(xiàn)圖像分類[17-21]。因此本文搭建了卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)三維封裝結(jié)構(gòu)的溫度場(chǎng)進(jìn)行迭代訓(xùn)練，實(shí)現(xiàn)缺陷識(shí)別與定位。

2.1 TSV內(nèi)部缺陷紅外檢測(cè)仿真分析

為獲得TSV三維封裝系統(tǒng)工作時(shí)的溫度場(chǎng)分布，對(duì)三維封裝系統(tǒng)進(jìn)行熱-電耦合仿真分析，主要分為模型建立、材料參數(shù)的設(shè)置、載荷的施加以及求解。TSV三維封裝系統(tǒng)的有限元模型如圖3所示，整個(gè)封裝系統(tǒng)自下而上的結(jié)構(gòu)分別為基板層、焊料層、TSV層(嵌有3×3的銅柱陣列)、焊料層、芯片層。仿真時(shí)，在芯片層上表面施加1.5 V的電壓，對(duì)TSV層銅柱底面施加零電位，環(huán)境溫度設(shè)置為20 ℃，封裝系統(tǒng)外表面與空氣對(duì)流換熱的換熱系數(shù)為5 W/(m2·℃)。

(a)組成模塊

由于TSV獨(dú)特的制造工藝，銅柱內(nèi)部極易產(chǎn)生缺陷，其中填充缺失、底部空洞的存在會(huì)降低器件的可靠性甚至造成性能失效，圖4為無缺陷TSV、底部空洞TSV、填充缺失TSV的銅柱剖面示意圖。

(a)無缺陷 (b)含底部空洞缺陷 (c)含填充缺失缺陷

為研究缺陷銅柱位置對(duì)TSV三維封裝系統(tǒng)溫度場(chǎng)分布造成的影響，考慮到整個(gè)封裝系統(tǒng)及TSV層銅柱陣列的對(duì)稱性，將含缺陷的銅柱分別布置到TSV層3個(gè)不同的位置，如圖5所示的位置A、位置B、位置C。

圖5 含缺陷銅柱不同位置分布示意圖

圖6為底部空洞缺陷位于不同銅柱時(shí)TSV關(guān)鍵層的仿真溫度場(chǎng)分布。無缺陷溫度場(chǎng)分布如圖6(a)所示，溫度場(chǎng)對(duì)稱分布，且中心位置溫度最高，呈中心向四周擴(kuò)散狀態(tài)；當(dāng)缺陷位于位置A時(shí)溫度分布如圖6(b)所示，該處的等溫線呈現(xiàn)往左下角偏移的現(xiàn)象，右上角區(qū)域整體溫度低于其對(duì)稱區(qū)域溫度；當(dāng)缺陷位于位置B時(shí)溫度場(chǎng)分布如圖6(c)所示，溫度場(chǎng)呈對(duì)稱分布，溫度由中心向四周逐漸降低，但相對(duì)于無缺陷TSV，整體溫度偏低；當(dāng)缺陷位于位置C時(shí)溫度場(chǎng)分布如圖6(d)所示，銅柱C附近的等溫線往左偏移且變平緩。

(a)無缺陷

圖7為填充缺失缺陷銅柱位于不同位置時(shí)TSV關(guān)鍵層的仿真溫度場(chǎng)分布。當(dāng)缺陷位于位置A時(shí)溫度場(chǎng)分布如圖7(a)所示，該區(qū)域等溫線呈現(xiàn)往左下角凹陷的現(xiàn)象；當(dāng)缺陷位于位置B時(shí)溫度場(chǎng)分布如圖7(b)所示，整體溫度對(duì)稱分布，相對(duì)于無缺陷TSV系統(tǒng)，整體溫度分布相對(duì)較低；當(dāng)缺陷位于位置C時(shí)溫度場(chǎng)分布如圖7(c)所示，銅柱C附近的等溫線發(fā)生明顯形變，該區(qū)域溫度相比于其他對(duì)稱區(qū)域明顯偏低。

(a)缺陷銅柱位于位置A

從有限元仿真結(jié)果可以看出，銅柱含有缺陷時(shí)，其溫度分布與無缺陷TSV的溫度分布有明顯差異；不同類型的缺陷對(duì)溫度場(chǎng)分布產(chǎn)生不同影響；且當(dāng)含缺陷銅柱位于不同位置時(shí)，TSV關(guān)鍵層的溫度分布產(chǎn)生明顯變化。

2.2 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別架構(gòu)

基于本文所研究的問題，建立了如圖8所示的卷積神經(jīng)網(wǎng)絡(luò)模型，主要包括4個(gè)卷積層、4個(gè)最大池化層、1個(gè)全連接層。其中每個(gè)卷積層與池化層之間包含1個(gè)正則化層，且每個(gè)池化層后面有1個(gè)Dropout層，用來降低神經(jīng)網(wǎng)絡(luò)過度擬合的風(fēng)險(xiǎn)[22]。卷積核的大小及數(shù)量的選取會(huì)影響“特征”選取的質(zhì)量，進(jìn)而影響網(wǎng)絡(luò)的訓(xùn)練效果。本文將卷積層的卷積核大小設(shè)置為19×19，步長(zhǎng)為2，激活函數(shù)為Relu，池化層采用2×2的最大池化法；全連接層使用Softmax激活函數(shù)，輸出概率最大的類別作為輸入的預(yù)測(cè)標(biāo)簽。為保證訓(xùn)練速度與模型分類準(zhǔn)確率，將batch_size設(shè)置為40。

圖8 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

訓(xùn)練前首先對(duì)圖像進(jìn)行歸一化處理，在保證圖像的特征信息不丟失的前提下，將采集的關(guān)鍵層仿真圖片的尺寸統(tǒng)一為200×200。表2為所搭建網(wǎng)絡(luò)的具體參數(shù)設(shè)置。

表2 卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)

2.3 數(shù)據(jù)集構(gòu)建

數(shù)據(jù)集分別由TSV三維封裝系統(tǒng)建模仿真及實(shí)驗(yàn)芯片試驗(yàn)得到的溫度場(chǎng)分布組成。訓(xùn)練前將數(shù)據(jù)集按照4∶1比例劃分為訓(xùn)練集與測(cè)試集。所搭建的CNN模型是有監(jiān)督的訓(xùn)練，因此訓(xùn)練前要對(duì)數(shù)據(jù)“貼”標(biāo)簽，以仿真數(shù)據(jù)為例，不含缺陷TSV的數(shù)據(jù)標(biāo)簽為0；銅柱含填充缺失缺陷且分別位于位置A、B、C時(shí)，對(duì)應(yīng)的標(biāo)簽為1、2、3；銅柱含底部空洞缺陷且分別位于位置A、B、C時(shí)，對(duì)應(yīng)的標(biāo)簽為4、5、6。

2.4 結(jié)果分析

2.4.1 仿真數(shù)據(jù)集識(shí)別與分類結(jié)果分析

將仿真數(shù)據(jù)集輸入所搭建的CNN模型進(jìn)行訓(xùn)練，隨著迭代次數(shù)的增加，模型分類準(zhǔn)確率先上升后逐漸趨于收斂，在整個(gè)訓(xùn)練周期內(nèi)選取具有最佳驗(yàn)證損失的模型，分類準(zhǔn)確率達(dá)98.65%。由此可以看出，該模型可以對(duì)溫度場(chǎng)分布圖像進(jìn)行分類，實(shí)現(xiàn)內(nèi)部缺陷的有效識(shí)別與定位。

2.4.2 試驗(yàn)結(jié)果對(duì)比分析

為驗(yàn)證方案的可行性，通過紅外熱成像試驗(yàn)獲得無缺陷實(shí)驗(yàn)芯片與含缺陷實(shí)驗(yàn)芯片的溫度場(chǎng)分布，利用CNN模型對(duì)紅外熱圖像進(jìn)行分類訓(xùn)練。圖9(a)為部分實(shí)驗(yàn)芯片，它由芯片層和TSV層組成，其中TSV層復(fù)合了基板層與焊料層，尺寸為7 cm×7 cm×300 μm，芯片層尺寸為4 cm×4 cm×300 μm。圖中第一排樣品不含缺陷，第二排樣品含有底部空洞缺陷，第三排樣品含有填充缺失缺陷，樣品的缺陷均位于右上角；底部空洞缺陷半徑為300 μm，高為30～90 μm；填充缺失缺陷半徑為300 μm，高為100 μm。

圖9(b)為搭建的試驗(yàn)平臺(tái)，試驗(yàn)中用加熱棒對(duì)實(shí)驗(yàn)芯片施加外部熱激勵(lì)，模擬三維封裝系統(tǒng)正常工作時(shí)的發(fā)熱狀態(tài)，待溫度分布趨于平衡狀態(tài)時(shí)，利用紅外熱成像儀獲取實(shí)驗(yàn)芯片的溫度場(chǎng)分布。

(a)實(shí)驗(yàn)芯片

2.4.2.1 大范圍溫度分布采集測(cè)試結(jié)果

圖10為實(shí)驗(yàn)芯片的紅外熱圖像，圖像中灰度值越小表示該處溫度越高，由圖10(a)可知，實(shí)驗(yàn)芯片不含缺陷時(shí)，整個(gè)溫度場(chǎng)基本呈由中心向外溫度逐漸降低的對(duì)稱分布，圖10(b)中含底部空洞缺陷區(qū)域的溫度明顯高于周圍區(qū)域；圖10(c)中填充缺失位置的外圈溫度比周圍區(qū)域溫度高，而填充缺失區(qū)域的溫度明顯低于周圍區(qū)域。由此可知，當(dāng)給實(shí)驗(yàn)芯片施加外部熱激勵(lì)時(shí)，含缺陷與不含缺陷實(shí)驗(yàn)芯片的紅外熱圖像有明顯的差異，并且可以通過紅外熱圖像確定缺陷所在的位置。利用CNN模型對(duì)實(shí)驗(yàn)芯片紅外熱圖像進(jìn)行訓(xùn)練，分類準(zhǔn)確率可達(dá)100%。

2.4.2.2 發(fā)熱芯片附近溫度分布采集測(cè)試結(jié)果

從圖10可以看到，缺陷位置特征較為明顯，CNN模型可以達(dá)到理想的識(shí)別效果。但是在實(shí)際生產(chǎn)工作環(huán)境中，獲取的紅外圖像達(dá)不到如此理想的效果，因此對(duì)獲取的紅外圖像進(jìn)行處理，得到實(shí)驗(yàn)芯片中心局部區(qū)域的溫度分布圖像如圖11所示。將處理后的圖像作為輸入，利用CNN模型進(jìn)行學(xué)習(xí)訓(xùn)練，最佳分類模型準(zhǔn)確率達(dá)98.36%，仍可以達(dá)到較好的缺失識(shí)別效果。結(jié)果表明利用紅外熱圖像可以對(duì)芯片缺陷類型及位置進(jìn)行有效識(shí)別。

(a)無缺陷

(a)無缺陷TSV

由仿真、試驗(yàn)的溫度場(chǎng)分布及CNN模型分類結(jié)果可得以下結(jié)論：

(1)理論研究機(jī)理與仿真分析研究表明，TSV三維封裝系統(tǒng)通電時(shí)，系統(tǒng)原本的熱平衡狀態(tài)發(fā)生變化，作為系統(tǒng)的傳熱部分，TSV層銅柱缺陷的存在會(huì)對(duì)熱阻值產(chǎn)生影響，傳熱性能改變，導(dǎo)致傳熱路徑發(fā)生變化，最終引起溫度場(chǎng)分布的差異性。

(2)由仿真及試驗(yàn)溫度云圖可以看出，正常TSV與含缺陷TSV三維封裝系統(tǒng)溫度場(chǎng)分布有顯著差異，無缺陷TSV三維封裝系統(tǒng)的溫度場(chǎng)呈由中心向四周發(fā)散的對(duì)稱分布，而含缺陷TSV三維封裝系統(tǒng)，由于熱阻的變化，導(dǎo)致溫度場(chǎng)分布呈現(xiàn)不同程度的偏移；缺陷類型不同時(shí)，對(duì)溫度場(chǎng)分布的影響不同，填充缺失缺陷對(duì)溫度分布的影響更明顯；缺陷銅柱位于不同位置時(shí)，由于熱阻的對(duì)應(yīng)變化，傳熱路徑發(fā)生相應(yīng)改變，溫度場(chǎng)最終呈現(xiàn)不同分布狀態(tài)。

(3)CNN模型對(duì)仿真溫度云圖的分類準(zhǔn)確率達(dá)98.65%，對(duì)實(shí)驗(yàn)芯片紅外圖像的分類準(zhǔn)確率達(dá)98.36%。充分說明，缺陷的存在會(huì)影響溫度場(chǎng)分布，且這種差異是可以被識(shí)別的，可以利用溫度場(chǎng)分布實(shí)現(xiàn)TSV內(nèi)部缺陷的有效識(shí)別與定位。

3 結(jié)束語

針對(duì)TSV三維封裝系統(tǒng)內(nèi)部缺陷的識(shí)別與定位問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的溫度場(chǎng)分類方法，基于仿真及試驗(yàn)的圖像數(shù)據(jù)，利用CNN對(duì)溫度場(chǎng)分布圖像進(jìn)行特征訓(xùn)練，實(shí)現(xiàn)了對(duì)TSV內(nèi)部缺陷識(shí)別與定位的目的。與目前存在的其他缺陷檢測(cè)方法相比，該方法既可以實(shí)現(xiàn)缺陷識(shí)別，又可以對(duì)缺陷進(jìn)行定位，且效率較高、對(duì)樣品無損傷。仿真及試驗(yàn)結(jié)果表明：內(nèi)部缺陷對(duì)溫度場(chǎng)分布有影響，且可用于識(shí)別缺陷并進(jìn)行類別的判定。利用CNN模型可實(shí)現(xiàn)TSV三維封裝系統(tǒng)內(nèi)部缺陷的準(zhǔn)確識(shí)別及定位。