AI图像增强技术提升倒装芯片互连缺陷检出率，MCL与ASE联合发表新方法

在半导体后端制程（BEOL）持续微缩的背景下，倒装芯片（Flip-Chip）封装中的互连可靠性问题日益突出。尤其当芯片采用极低介电常数（extreme low-K）材料构建互连层时，微米级甚至亚微米级的裂纹极易引发信号失效或热阻升高，但传统失效分析（FA）手段难以有效捕捉此类缺陷。近日，Materials Center Leoben（MCL）、PVA TePla与日月光（Advanced Semiconductor Engineering, ASE）联合在《Journal of Failure Analysis and Prevention》发表论文《AI-Based Image Enhancement Improves Detection of Interconnect Defects in Microelectronic Packaging》，提出一种专为扫描声学显微镜（SAM）图像定制的AI增强工作流，旨在提升对‘白凸点’（white bumps）等隐蔽结构缺陷的检出能力。

所谓‘白凸点’，是指在倒装芯片焊球阵列中因界面分层、空洞或微裂纹导致声学反射异常而呈现高亮区域的缺陷形态。由于其尺寸小、对比度低且常被邻近结构干扰，在标准SAM成像下极易漏检。研究团队指出，随着2.5D/3D集成与Chiplet技术普及，芯片堆叠层数增加、互连密度提升，使得此类缺陷的定位与归因愈发困难，传统依赖人工判读或简单图像滤波的方法已接近性能瓶颈。

该研究的核心创新在于构建了一个端到端的AI图像增强管道：首先对原始SAM图像进行预处理以消除系统噪声与非均匀照明影响；随后输入轻量化卷积神经网络（CNN）模型，该模型经由大量标注的真实缺陷样本与合成数据联合训练，能够精准恢复被模糊掩盖的边缘细节与局部声阻抗变化；最终输出增强后的图像供FA工程师进一步分析或接入自动缺陷分类系统。值得注意的是，该流程并非直接替代人工判断，而是作为前置增强模块，将原本信噪比不足的图像提升至可判读水平——实验表明，在特定测试集上，关键缺陷的检出率从原始图像的68%提升至92%，误报率同步下降约35%。

图中所示为典型倒装芯片封装的自动化检测平台，包含精密探针台、声学换能器及图像采集系统。此类设备广泛用于晶圆级与封装级失效分析环节，但其成像质量受限于物理分辨率与材料声学特性，尤其在低K介质中声衰减显著，导致深层缺陷信噪比恶化。本研究正是针对这一工程现实痛点展开。

技术实现层面，研究团队强调了数据构建的关键作用。由于真实缺陷样本稀缺且标注成本高昂，项目采用了半监督学习策略：一方面利用有限的真实缺陷图像进行监督微调；另一方面通过物理建模生成符合声学传播规律的合成缺陷图像，补充训练集多样性。例如，基于有限元仿真生成不同深度、取向与尺寸的微裂纹在SAM下的响应特征，并将其与实测背景图像融合，形成逼真的合成数据。这种“真实+合成”混合训练方式有效缓解了小样本问题，也避免了纯合成数据导致的域偏移风险。

该方法已在ASE内部试点产线完成初步验证。在一批量产级FC-BGA（倒装芯片球栅阵列）样品中，AI增强流程成功识别出3例被常规FA流程遗漏的界面分层案例，后续切片验证确认其存在潜在电迁移风险。尽管目前该方案尚未完全集成至在线检测系统，但其作为离线辅助分析工具已展现出实用价值。PVA TePla方面表示，正考虑将该AI模块嵌入其下一代SAM设备软件栈中，以支持实时增强与初步分类功能。

需要指出的是，此项工作并非孤立进展。近年来，AI在半导体制造与检测环节的应用正快速铺开：从光刻缺陷的深度学习分类，到电子束显微图像的自动分割，再到X射线断层扫描（CT）的三维重构优化，算法正在补足传统仪器的感知局限。与之类似，2026年11月初《Sensors and Actuators Reports》亦报道了一项AI集成表面等离子共振成像（SPRi）的研究，通过foundation model驱动的微孔阵列识别实现皮升级生物传感的高通量并行读出——尽管应用场景不同（生物传感 vs 封装检测），但其核心思路一致：利用AI弥补物理传感器的分辨率或信噪比短板，而非追求硬件极限。

另一项相关研究来自Newton期刊2026年11月刊载的ARPES（角分辨光电子能谱）实验质量评估工作，同样采用合成数据训练CNN模型，以解决实验中因样品不均或仪器漂移导致的数据失真问题。这反映出一个共性趋势：在高精度科学测量领域，AI正从“事后分析工具”转向“过程增强组件”，即在数据采集阶段即介入，提升原始信号质量。

回到倒装芯片检测场景，该AI增强方案的落地仍面临若干挑战。首先是模型泛化能力：不同厂商的SAM设备参数（频率、聚焦方式、增益设置）差异较大，单一模型难以覆盖全部产线；其次是工艺适配性——随着新材料（如porous SiOCH、有机聚合物低K介质）引入，声学特性持续演变，需建立动态更新机制。研究团队在论文中提出，未来可结合在线反馈闭环，将FA工程师的修正标注反哺模型迭代，形成“检测-标注-再训练”的持续优化路径。

此外，该技术路线与当前行业推动的“数字孪生+AI”质量管控体系高度契合。例如，英特尔在其先进封装路线图中已明确将“AI增强的无损检测”列为关键使能技术之一；台积电也在CoWoS封装良率提升项目中部署了类似图像增强模块。可以预见，随着Chiplet异构集成成为主流，对互连层可靠性的要求将更为严苛，而AI驱动的图像增强有望成为FA实验室的标准配置。

值得补充的是，该研究由MCL主导，其长期聚焦于微电子材料失效机理与表征技术；PVA TePla提供SAM设备与工程集成支持；ASE则贡献实际产线样本与失效案例库。三方协作模式体现了学术界、设备商与封测厂在解决共性技术难题上的高效协同。论文作者Wilhelmer、Djuric-Rissner与Czurratis等人均来自上述机构，成果已于2026年10月正式开源发布，DOI为10.1007/s11668-026-02537-z。

总体而言，这项工作并未颠覆现有检测流程，而是以务实姿态在既有工具链中嵌入智能增强层。它提醒我们：在摩尔定律放缓、封装复杂度激增的当下，提升“看得见”的能力，有时比追求“做得更小”更具现实意义。对于封测厂商而言，此类轻量级AI模块的部署成本远低于更换整套检测设备，具备较高的性价比与推广潜力。