D Forum 2019
DForum
 

矽品用9个月时间将AI落实于封装瑕疵检测 成功关键:从做中学

矽品技术开发处长万国辉率领团队开发AI瑕疵检测计画。NVIDIA提供

半导体封测业者矽品自去年开始在视觉检测流程中导入AI,利用深度学习模型改善过去进行AOI瑕疵检测时,约有99%机率会出现疑似瑕疵,最终仍需要人工复检的问题,而历经9个月开发,现已收获相当满意的成果,在NVIDIA「AI策略高峰会」中也大方分享成功经验。率领团队的矽品技术开发处长万国辉也笑称自己是门外汉,在计画过程中一路从做中学,未来最终目标则是要让封装制程中的瑕疵检测实现全自动化。

晶圆凸块(wafer bumping)是在晶圆上所长的金属凸块,每个凸点皆是IC信号接点。晶圆凸块是利用薄膜制程、蒸镀、电镀或印刷技术,将焊锡直接置于IC脚垫上,而制程的最后一道关卡,则是视觉检测流程。在高科技、电子制造业中,自动光学检测(AOI)是典型用来进行瑕疵检测的工具。

矽品所遭遇的问题在于,目前AOI以Golden Sample作为对照组进行比对,但却无法判断该瑕疵是否为真正影响晶圆质量的「True Defect」,有些瑕疵所在的位置事实上并不会造成影响,可忽略不计,但某些敏感位置,稍有微小的瑕疵则影响重大,因此最终仍须安排人力进行第二道复检。然而,根据矽品统计,以现阶段来说AOI过筛机率高达100:1,也就是说,在被判断疑似瑕疵的100次结果里,仅有一次才是真正无法使用的true defect,机率仅有1%。

为了改善AOI检测缺陷,降低人工复检的繁琐流程,矽品在去年开始导入结合AI的ADC(自动瑕疵分类Automatic Defect Classification)方案计画,集结AOI设备厂与ADC系统方案商共同评估,并在计画中加入NVIDIA合作开发。截止目前为止,矽品已顺利完成深度学习建模,且表现评估已达预期水平。

现阶段矽品则是采人机并行模式,统计AI与人工复检的结果进行分析,并分别透过Over Kill 与Under Kill两个指标,前者意味通过人工复检、但AI判断瑕疵,此为过筛,而后者则反之。矽品非常重视的是Under Kill的部分,因为其代表出现漏检,将会造成后续制程的良率降低、可靠性出现问题,而矽品正希望透过AI的协助下达到精准检测的水平。

在导入AI的开发过程中,矽品也是一路从做中学。万国辉表示,在开始这项计画前自己也是门外汉,更大胆启用完全没有工作经验的新鲜人加入团队。而谈到开发过程,万国辉也分享实际经验,他表示,一般业者在AI大门前大多跟他一样是门外汉,对训练AI模型这件事的印象大多抱持著两种想法,一是影像数据越多,二则是训练时间越长,在这两种理想情况下,训练结果应是呈正向发展。

但实际投入AI开发才发现仍有很多眉角。例如,影像资料并非一昧大量投入,而是得要取得有价值的部分。他举例,象是训练AI模型时遇到的最大问题就是良好样本与瑕疵样本取得的比例相差悬殊,从AOI取得的影像中,两者比例大约仅为100:1,瑕疵样本的不足,也导致难以有效训练能够辨识瑕疵的AI模型。而未来矽品则是计画透过AI生成瑕疵样本,除了可解决样本数不足的问题,也能让AI模型训练能在不靠实际影像的训练下进行。其次,AOI设备也是训练过程中的影响参数之一,设备采买时间不一导致新旧机台所拍摄出来的影像质量不均,例如拍摄亮度的不同。

自去年实施这项计画,矽品也预期在今年第三季训练出100个AI模型,并导入3个厂区实施。而矽品的最终目标则是希望做到零复检,在视觉检测流程中完全屏除人力复检的步骤。但万国辉坦言,要做到零复检仍有待商榷,由于目前产在线仍存在众多潜在变因,例如机台、制程参数随时变化,一旦出现偏移,如何确保模型的准确性就成了相当大的挑战,而现阶段矽品则是先采取人机并行模式。除此之外,未来矽品也希望在AI的辅助下,除了进行瑕疵检测,更进一步做到瑕疵分类。


  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 矽品 AOI 深度学习 人工智能 影像辨识