机构名称：
¥ 1.0
晶体管技术的不断扩展和下一代封装技术的快速发展给当前的故障分析技术带来了有趣的挑战。在物理故障分析 (PFA) 之前和期间定位和可视化缺陷的能力对于成功的根本原因分析至关重要。故障分析 (FA) 通常遵循一套工作流程来有效隔离故障并确定根本原因。近年来，机器学习方法已应用于 FA 工作流程的故障隔离和非破坏性成像步骤，以帮助辅助缺陷检测，因为在更密集、更复杂的半导体封装中，缺陷变得更加细微且更难以区分 [2]。根据技术的不同，会应用不同的机器学习方法。本文概述了机器学习在半导体 FA 工作流程中的最新应用。涉及的领域包括使用基于机器学习的方法通过对合格产品和不合格产品进行图像比较来实现基于计算机视觉（CV）的缺陷检测[8]，使用独立成分分析（ICA）分析声学显微镜数据的无监督和监督学习技术[11, 12]，以及基于深度学习的高分辨率重建技术3D X射线成像[13, 14]。
机器学习在故障分析新领域的应用
主要关键词
相关文件推荐
