Nos últimos anos computação clássica continuou a evoluir, impulsionado principalmente pela crescente miniaturização e Integração 3D de circuitos integrados (ICS). Ao mesmo tempo, Computação Quântica (QC) surge como uma abordagem fundamentalmente diferente, utilizando princípios mecânicos quânticos em vez da lógica binária clássica. O QC permite que os pesquisadores resolvam problemas complexos que são inviáveis ou lentos em computadores clássicos, como modelagem molecular ou otimização numérica em larga escala.
Entre um dos candidatos mais promissores Para bits quânticos escaláveis e tolerantes a falhas (qubits), são computadores quânticos baseados em armadilhas de íons. Eles oferecem controle excepcional no nível atômico e, o mais importante, podem ser fabricados usando processos compatíveis com CMOS disponíveis no setor. No entanto, a transição desses sistemas de CQ do laboratório para o mundo actual ainda enfrenta desafios substanciais devido aos padrões de alta qualidade necessários nos sistemas quânticos. Um dos desafios mais notáveis a esse respeito é garantir a confiabilidade dos processos avançados de integração 3D, como a ligação de bolacha ou a fabricação de vias de silício (TSV). Essas técnicas, que permitem que as dens embalagens e interconexão de qubits, são delicadas e até pequenos defeitos, como vazios, delaminações ou micro-ralagens, podem levar à falha de todo o dispositivo.
Métodos tradicionais para detectar e localizar esses defeitos empregam imagens de alta resolução e não destrutivas como Microscopia acústica de varredura (SAM). No entanto, a digitalização de bolachas em larga escala em altas resoluções é demorada e, portanto, cara.
Para abordar esta limitaçãoo grupo Brunner no Centro de Materiais Leoben (MCL) e no aluno de doutorado em partluar, Raphael Wilhelmer, juntamente com uma equipe em Infineon e PVA-Tepla, introduziu um fluxo de trabalho de análise de imagem AI-Ai-i-Itent que pode acelerar significativamente e melhorar as capacidades de detecção de defeitos em {hardware} baseado em trapa-iOn.
O fluxo de trabalho Começa fazendo uma varredura rápida e de grande área, por exemplo, uma bolas de bolas ou TSV ligadas com baixa resolução. Essas imagens de baixa resolução são então aprimoradas posteriormente, empregando um algoritmo de super-resolução baseado em aprendizado de máquina. Entre os vários modelos testados no estudo, o DCSCN (rede neural convolucional profunda com rede residual, conexão de pular e uma rede na rede) A arquitetura proporcionou o melhor desempenho ao equilibrar a qualidade da imagem, generalização e consumo de energia durante o treinamento.
O DCSCN permitiu aos pesquisadores aumentar a resolução das imagens SAM por um fator de dois, além de evitar armadilhas comuns, como alucinações generativas de IA, que podem introduzir estruturas falsas e não físicas na imagem.
As imagens aprimoradas são passadas para algoritmos avançados de detecção e segmentação de objetos baseados em aprendizado de máquina. Como mostrado, o modelo de detecção de objetos YOLO (você olha apenas uma vez) se precede significativamente melhor nas imagens aprimoradas e, além disso, fornece acelerações na análise de falhas em comparação aos métodos automatizados tradicionais. Para tarefas como a identificação de delaminações em larga escala em interfaces de wafer coladas, é empregada uma segmentação de rede em U, mostrando novamente o aumento do desempenho quando aplicado às imagens aprimoradas. Juntos, essas ferramentas fornecem melhorias estatisticamente relevantes na análise de dados de falha em larga escala e permitem a tomada de decisão mais informada durante as fases de desenvolvimento e fabricação de processos.
Para as amostras testadas neste estudo, o fluxo de trabalho movido a IA diminui os tempos de varredura e análise por aproximadamente um fator de quatro para inspeção de TSV e seis para análise de delaminação. Mais importante, o faz sem comprometer a precisão da análise de falhas e sem danificar fisicamente a amostra usando SAM não destrutivo.
Embora esse fluxo de trabalho baseado em IA tenha sido desenvolvido e testado no contexto de dispositivos quânticos de armadilha de íons, ele é amplamente aplicável em toda a fabricação de semicondutores. Da produção clássica de IC a MEMS ou fotônica, toda tecnologia que depende da integração 3D complexa pode se beneficiar de um fluxo de trabalho de análise não destrutivo mais rápido e automatizado. O estudo em si oferece um exemplo convincente de como a inteligência synthetic pode combinar medições de alta precisão com velocidades rápidas de varredura e como aplicá-las em ambientes industriais de alto rendimento.
