Ein automatisiertes, optisches Inspektionssystem (AOI), das auf vorgegebenen Regeln und konventionellen Techniken der Bildverarbeitung basiert, führt in der Regel schnelle und korrekte Inspektionen durch. Allerdings erkennt das System manchmal kosmetische Abweichungen, die sich auf Prozessvarianten zurückführen lassen und nicht die Leistung beeinträchtigen. Sie werden einzig deshalb als fehlerhaft eingestuft, weil sie die Erkennungskriterien des AOI-Systems nicht bestanden haben.

Die routinemäßige Ausmusterung von Wafer-Dies mit akzeptablen Defekten könnte zu einer deutlichen Häufung von unnötigem Ausschuss führen. Immer mehr Waferfabriken suchen nach Methoden zur Reduzierung dieser Art von Overkill, um Materialverlust zu vermeiden und Erträge zu verbessern.

Fallstudie einer Waferfabrik

Betrachten wir einen Fall aus der realen Welt als Beispiel. Im Zuge der Waferherstellung werden Risse gewöhnlich als schwerwiegende Defekte betrachtet, die in Folge zu einem unzuverlässigen Endprodukt führen könnten. Es ist jedoch möglich, dass andere visuelle Abweichungen zu AOI-Overkills an derselben Position führen können. Nehmen wir Überlauf als Beispiel, denn Überlauf wirkt sich normalerweise nicht auf die Leistung von Wafer-Dies aus und wird als akzeptabler Defekt betrachtet. Allerdings sind sich Risse und Überläufe in Farbe oder Muster sehr ähnlich, sodass herkömmliche AOI Überläufe häufig als Risse verkennt, da es dieser Inspektionsart an Abstraktionsvermögen mangelt, wobei ein unerwartet hoher Overkill entsteht. Nachprüfungen haben ergeben, dass der Anteil echter Risse gerade mal 10 % der Defekte ausmacht, wohingegen akzeptable Überläufe bis zu 90 % erreichen können, wodurch sich eine unglaubliche hohe Anzahl an Overkills ergibt.

AOI in Kombination mit KI zur Verhütung einer Falscheinschätzung von Wafer-Dies

Wenn es der auf konventionellen Regeln basierenden AOI immer schwerer fällt, zwischen tatsächlichen Defekten und akzeptablen kosmetischen Abweichungen zu unterscheiden, sind vielseitigere Werkzeuge der künstlichen Intelligenz (KI) erforderlich, um das AOI-Leistungsvermögen zu erhöhen.
Der Hauptunterschied zwischen KI und AOI-Inspektion ist, dass für KI keine Regeln erstellt zu werden brauchen. Mittels effektiver Defektkennzeichnung und Deep Learning kann der Computer miteinander verbundene Informationen aus einer Myriade von veränderlichen Eigenschaften erlernen, sodass das System präzise Urteile abgeben kann.

In diesem Fall werden „Risse“ und „Musterüberläufe“ zuerst gekennzeichnet und dann separat erlernt. Während der automatisierten Produktionsinspektion führt AOI Inspektionen in verschiedenen Bereichen von Interesse (ROI) durch. Bei den von AOI erkannten Defekten kann es sich sowohl um Risse als auch Musterüberläufe handeln. Mittels KI-Inferenz kann dann eine präzise Klassifizierung durchgeführt werden, sodass Überlauf als „fehlerfreies Produkt“ neu klassifiziert werden kann, um Overkill und damit verbundene Materialverluste zu vermeiden.

Durch Kombination von KI und AOI löst der Chroma 7945 dieses seit Langem bestehende Problem, das in vielen Waferfabriken auftritt. Diese Lösung erreicht folgende Ziele:

1. Deutlich reduzierte Overkillrate von 90 % auf 2 %
2. Komplettlösung zur Reduzierung von AOI-Overkills, ermöglicht Neuklassifizierung von Overkills als gute Wafer-Dies in Echtzeit
3. Eine Neuklassifizierung bestimmter Wafer-Dies ist dabei behilflich, Auswirkungen auf KI-Verarbeitungszeiten zu minimieren

Im Wafer-Fertigungsinspektionssystem Chroma 7945 wurde KI-Deep-Learning zur Anwendung gebracht, um AOI-Erkennungsergebnisse präzise zu klassifizieren. Dadurch wird das AOI-Problem, dass abstrakte Regeln nicht einfließen können, effektiv behoben, und es verhindert Overkill, der sich auf falsche Einschätzung akzeptabler Varianten zurückführen lässt.

Wenn Sie mehr über unsere Produkte und Lösungen erfahren möchten, besuchen Sie bitte unsere Website und geben Sie dort Ihre Kontaktdaten an. Wir freuen uns, Ihnen zu Diensten zu sein!