聶 磊，武麗麗，黃一凡，劉夢然，劉江林

(湖北工業(yè)大學機械工程學院，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[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，芯片封裝技術水平亟待提升，因此TSV三維封裝內部缺陷的有效檢測具有重要意義。

TSV三維封裝互連結構缺陷檢測方法通?？煞譃榻佑|式與非接觸式。其中常見的接觸式方法為電測法，陳壽宏等[7]提出一種將混合極限學習機與S參數(shù)相結合的缺陷檢測方法，該方法利用S參數(shù)進行訓練，實現(xiàn)缺陷的分類與定位。李豆等[8]通過分析差分信號激勵時TSV的電特性，即利用存在缺陷時差模和共模S參數(shù)的特點來判斷缺陷類型；利用差模S參數(shù)及其對頻率的數(shù)值導數(shù)隨缺陷位置變化的特點對缺陷進行定位。文獻[9]提出一種基于機器學習的檢測方法，TSV內不同數(shù)量的空隙顯示出不同的頻率響應特性，該方法可以對S參數(shù)進行學習，合理預測TSV結構中的空隙量。文獻[10]提出了一種使用開關電容電路的TSV缺陷檢測和診斷方法，使用參數(shù)測量有效地檢測顯著的空洞缺陷、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封裝系統(tǒng)進行缺陷檢測。尚玉玲等[11-12]提出一種基于串擾耦合理論的非接觸探頭的測試結構，可以實現(xiàn)對TSV裂紋故障的非接觸測試并能檢測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(LSSVM)的TSV故障診斷模型，可以檢測故障并進行故障分類。文獻[13]提出一種使用X射線成像的TSV缺陷檢測方法，從圖像中提取特征，輸入到自組織映射神經(jīng)網(wǎng)絡(SOM)中進行分類和測試，可以明顯區(qū)分正常TSV和有缺陷的TSV；使用Otsu算法進一步定位TSV內的空隙。文獻[14]提出一種基于光束的缺陷定位方法，借助光束感應電流，通過感應短路TSV的泄漏金屬-半導體結構中的激光誘導光電流來確定TSV陣列結構的擊穿位置，該方法對于高密度TSV結構中的缺陷定位有更好的定位分辨率。接觸式檢測法可以有效檢測出芯片是否失效，但容易損傷測試芯片。光學檢測、射線檢測等非接觸式方法由于設備的限制，存在檢測難度大、檢測時間長、效率不高的問題。

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

1 TSV內部缺陷紅外圖像產(chǎn)生機理

芯片作為整個三維封裝系統(tǒng)的發(fā)熱源，在工作時產(chǎn)生的熱量主要通過熱傳導和熱對流進行散熱[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)境空間進行熱對流；第2條路徑是通過三維封裝系統(tǒng)的內部結構進行熱傳導，直至將熱量傳至基板，最終通過基板背面與環(huán)境空間進行熱對流。

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，各材料的導熱系數(shù)如表1所示。從表1可知金屬的導熱系數(shù)相對較大，由于導熱系數(shù)越大，物體的導熱性能越好，因此正常工作時，芯片產(chǎn)生的80%～90%的熱量通過第二條路徑進行散熱。

表1 各層導熱系數(shù) W/(m·K)

芯片正常工作時產(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，缺陷的存在會導致系統(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，傅里葉定律可表達為歐姆定律的形式，即：

(1)

(2)

式中：φ為熱流量；k為熱導率；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距離上兩側的溫度；Rt為熱阻。

ΔL/A不變時，熱阻與熱導率成反比，由于銅的熱導率大于空氣，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TSV層的銅柱含有缺陷時，由于空氣的存在，該部分的熱阻變大，其傳熱性能會下降，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)絡識別與定位

由前文可知，當三維封裝系統(tǒng)中銅柱含有缺陷時，會引起該區(qū)域熱阻發(fā)生變化，導致傳熱路徑發(fā)生改變，最終影響系統(tǒng)的溫度場分布。所以本文通過獲取TSV三維封裝系統(tǒng)的溫度場來實現(xiàn)缺陷識別與定位。卷積神經(jīng)網(wǎng)絡作為圖像識別的有效方法，通過對輸入圖像進行局部感知、卷積運算等，自動提取圖像特征，找到圖像間的聯(lián)系與差異，以此實現(xiàn)圖像分類[17-21]。因此本文搭建了卷積神經(jīng)網(wǎng)絡模型，對三維封裝結構的溫度場進行迭代訓練，實現(xiàn)缺陷識別與定位。

2.1 TSV內部缺陷紅外檢測仿真分析

為獲得TSV三維封裝系統(tǒng)工作時的溫度場分布，對三維封裝系統(tǒng)進行熱-電耦合仿真分析，主要分為模型建立、材料參數(shù)的設置、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，整個封裝系統(tǒng)自下而上的結構分別為基板層、焊料層、TSV層(嵌有3×3的銅柱陣列)、焊料層、芯片層。仿真時，在芯片層上表面施加1.5 V的電壓，對TSV層銅柱底面施加零電位，環(huán)境溫度設置為20 ℃，封裝系統(tǒng)外表面與空氣對流換熱的換熱系數(shù)為5 W/(m2·℃)。

(a)組成模塊

由于TSV獨特的制造工藝，銅柱內部極易產(chǎn)生缺陷，其中填充缺失、底部空洞的存在會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TSV三維封裝系統(tǒng)溫度場分布造成的影響，考慮到整個封裝系統(tǒng)及TSV層銅柱陣列的對稱性，將含缺陷的銅柱分別布置到TSV層3個不同的位置，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TSV關鍵層的仿真溫度場分布。無缺陷溫度場分布如圖6(a)所示，溫度場對稱分布，且中心位置溫度最高，呈中心向四周擴散狀態(tài)；當缺陷位于位置A時溫度分布如圖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稱區(qū)域溫度；當缺陷位于位置B時溫度場分布如圖6(c)所示，溫度場呈對稱分布，溫度由中心向四周逐漸降低，但相對于無缺陷TSV，整體溫度偏低；當缺陷位于位置C時溫度場分布如圖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TSV關鍵層的仿真溫度場分布。當缺陷位于位置A時溫度場分布如圖7(a)所示，該區(qū)域等溫線呈現(xiàn)往左下角凹陷的現(xiàn)象；當缺陷位于位置B時溫度場分布如圖7(b)所示，整體溫度對稱分布，相對于無缺陷TSV系統(tǒng)，整體溫度分布相對較低；當缺陷位于位置C時溫度場分布如圖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

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

2.2 卷積神經(jīng)網(wǎng)絡識別架構

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)絡模型，主要包括4個卷積層、4個最大池化層、1個全連接層。其中每個卷積層與池化層之間包含1個正則化層，且每個池化層后面有1個Dropout層，用來降低神經(jīng)網(wǎng)絡過度擬合的風險[22]。卷積核的大小及數(shù)量的選取會影響“特征”選取的質量，進而影響網(wǎng)絡的訓練效果。本文將卷積層的卷積核大小設置為19×19，步長為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測標簽。為保證訓練速度與模型分類準確率，將batch_size設置為40。

圖8 卷積神經(jīng)網(wǎng)絡模型結構

訓練前首先對圖像進行歸一化處理，在保證圖像的特征信息不丟失的前提下，將采集的關鍵層仿真圖片的尺寸統(tǒng)一為200×200。表2為所搭建網(wǎng)絡的具體參數(shù)設置。

表2 卷積神經(jīng)網(wǎng)絡的參數(shù)

2.3 數(shù)據(jù)集構建

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

2.4 結果分析

2.4.1 仿真數(shù)據(jù)集識別與分類結果分析

將仿真數(shù)據(jù)集輸入所搭建的CNN模型進行訓練，隨著迭代次數(shù)的增加，模型分類準確率先上升后逐漸趨于收斂，在整個訓練周期內選取具有最佳驗證損失的模型，分類準確率達98.65%。由此可以看出，該模型可以對溫度場分布圖像進行分類，實現(xiàn)內部缺陷的有效識別與定位。

2.4.2 試驗結果對比分析

為驗證方案的可行性，通過紅外熱成像試驗獲得無缺陷實驗芯片與含缺陷實驗芯片的溫度場分布，利用CNN模型對紅外熱圖像進行分類訓練。圖9(a)為部分實驗芯片，它由芯片層和TSV層組成，其中TSV層復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)為搭建的試驗平臺，試驗中用加熱棒對實驗芯片施加外部熱激勵，模擬三維封裝系統(tǒng)正常工作時的發(fā)熱狀態(tài)，待溫度分布趨于平衡狀態(tài)時，利用紅外熱成像儀獲取實驗芯片的溫度場分布。

(a)實驗芯片

2.4.2.1 大范圍溫度分布采集測試結果

圖10為實驗芯片的紅外熱圖像，圖像中灰度值越小表示該處溫度越高，由圖10(a)可知，實驗芯片不含缺陷時，整個溫度場基本呈由中心向外溫度逐漸降低的對稱分布，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，當給實驗芯片施加外部熱激勵時，含缺陷與不含缺陷實驗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模型對實驗芯片紅外熱圖像進行訓練，分類準確率可達100%。

2.4.2.2 發(fā)熱芯片附近溫度分布采集測試結果

從圖10可以看到，缺陷位置特征較為明顯，CNN模型可以達到理想的識別效果。但是在實際生產(chǎn)工作環(huán)境中，獲取的紅外圖像達不到如此理想的效果，因此對獲取的紅外圖像進行處理，得到實驗芯片中心局部區(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模型進行學習訓練，最佳分類模型準確率達98.36%，仍可以達到較好的缺失識別效果。結果表明利用紅外熱圖像可以對芯片缺陷類型及位置進行有效識別。

(a)無缺陷

(a)無缺陷TSV

由仿真、試驗的溫度場分布及CNN模型分類結果可得以下結論：

(1)理論研究機理與仿真分析研究表明，TSV三維封裝系統(tǒng)通電時，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對熱阻值產(chǎn)生影響，傳熱性能改變，導致傳熱路徑發(fā)生變化，最終引起溫度場分布的差異性。

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

(3)CNN模型對仿真溫度云圖的分類準確率達98.65%，對實驗芯片紅外圖像的分類準確率達98.36%。充分說明，缺陷的存在會影響溫度場分布，且這種差異是可以被識別的，可以利用溫度場分布實現(xiàn)TSV內部缺陷的有效識別與定位。

3 結束語

針對TSV三維封裝系統(tǒng)內部缺陷的識別與定位問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡的溫度場分類方法，基于仿真及試驗的圖像數(shù)據(jù)，利用CNN對溫度場分布圖像進行特征訓練，實現(xiàn)了對TSV內部缺陷識別與定位的目的。與目前存在的其他缺陷檢測方法相比，該方法既可以實現(xiàn)缺陷識別，又可以對缺陷進行定位，且效率較高、對樣品無損傷。仿真及試驗結果表明：內部缺陷對溫度場分布有影響，且可用于識別缺陷并進行類別的判定。利用CNN模型可實現(xiàn)TSV三維封裝系統(tǒng)內部缺陷的準確識別及定位。