Dtalk
活動+
 

矽品用9個月時間將AI落實於封裝瑕疵檢測 成功關鍵:從做中學

矽品技術開發處長萬國輝率領團隊開發AI瑕疵檢測計畫。NVIDIA提供

半導體封測業者矽品自去年開始在視覺檢測流程中導入AI,利用深度學習模型改善過去進行AOI瑕疵檢測時,約有99%機率會出現疑似瑕疵,最終仍需要人工複檢的問題,而歷經9個月開發,現已收穫相當滿意的成果,在NVIDIA「AI策略高峰會」中也大方分享成功經驗。率領團隊的矽品技術開發處長萬國輝也笑稱自己是門外漢,在計畫過程中一路從做中學,未來最終目標則是要讓封裝製程中的瑕疵檢測實現全自動化。

晶圓凸塊(wafer bumping)是在晶圓上所長的金屬凸塊,每個凸點皆是IC信號接點。晶圓凸塊是利用薄膜製程、蒸鍍、電鍍或印刷技術,將銲錫直接置於IC腳墊上,而製程的最後一道關卡,則是視覺檢測流程。在高科技、電子製造業中,自動光學檢測(AOI)是典型用來進行瑕疵檢測的工具。

矽品所遭遇的問題在於,目前AOI以Golden Sample作為對照組進行比對,但卻無法判斷該瑕疵是否為真正影響晶圓品質的「True Defect」,有些瑕疵所在的位置事實上並不會造成影響,可忽略不計,但某些敏感位置,稍有微小的瑕疵則影響重大,因此最終仍須安排人力進行第二道複檢。然而,根據矽品統計,以現階段來說AOI過篩機率高達100:1,也就是說,在被判斷疑似瑕疵的100次結果裡,僅有一次才是真正無法使用的true defect,機率僅有1%。

為了改善AOI檢測缺陷,降低人工複檢的繁瑣流程,矽品在去年開始導入結合AI的ADC(自動瑕疵分類Automatic Defect Classification)方案計畫,集結AOI設備廠與ADC系統方案商共同評估,並在計畫中加入NVIDIA合作開發。截止目前為止,矽品已順利完成深度學習建模,且表現評估已達預期水準。

現階段矽品則是採人機並行模式,統計AI與人工複檢的結果進行分析,並分別透過Over Kill 與Under Kill兩個指標,前者意味通過人工複檢、但AI判斷瑕疵,此為過篩,而後者則反之。矽品非常重視的是Under Kill的部分,因為其代表出現漏檢,將會造成後續製程的良率降低、可靠性出現問題,而矽品正希望透過AI的協助下達到精準檢測的水準。

在導入AI的開發過程中,矽品也是一路從做中學。萬國輝表示,在開始這項計畫前自己也是門外漢,更大膽啟用完全沒有工作經驗的新鮮人加入團隊。而談到開發過程,萬國輝也分享實際經驗,他表示,一般業者在AI大門前大多跟他一樣是門外漢,對訓練AI模型這件事的印象大多抱持著兩種想法,一是影像數據越多,二則是訓練時間越長,在這兩種理想情況下,訓練結果應是呈正向發展。

但實際投入AI開發才發現仍有很多眉角。例如,影像資料並非一昧大量投入,而是得要取得有價值的部分。他舉例,像是訓練AI模型時遇到的最大問題就是良好樣本與瑕疵樣本取得的比例相差懸殊,從AOI取得的影像中,兩者比例大約僅為100:1,瑕疵樣本的不足,也導致難以有效訓練能夠辨識瑕疵的AI模型。而未來矽品則是計畫透過AI生成瑕疵樣本,除了可解決樣本數不足的問題,也能讓AI模型訓練能在不靠實際影像的訓練下進行。其次,AOI設備也是訓練過程中的影響參數之一,設備採買時間不一導致新舊機台所拍攝出來的影像品質不均,例如拍攝亮度的不同。

自去年實施這項計畫,矽品也預期在今年第三季訓練出100個AI模型,並導入3個廠區實施。而矽品的最終目標則是希望做到零複檢,在視覺檢測流程中完全屏除人力複檢的步驟。但萬國輝坦言,要做到零複檢仍有待商榷,由於目前產線上仍存在眾多潛在變因,例如機台、製程參數隨時變化,一旦出現偏移,如何確保模型的準確性就成了相當大的挑戰,而現階段矽品則是先採取人機並行模式。除此之外,未來矽品也希望在AI的輔助下,除了進行瑕疵檢測,更進一步做到瑕疵分類。


  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 矽品 AOI 深度學習 人工智慧 影像辨識