基于极限学习机的TSV缺陷定位系统V1.0

完 成 人：尚玉玲 

公布年份：2022年

关 键 词：极限学习机 仿真建模软件 缺陷定位系统 

摘      要：三维堆叠集成技术的产生为半导体工业的发展开辟了一条新的道路。作为三维堆叠集成的关键技术和重要组成部分，硅通孔(ThRough SiliCoN ViA，TSV)的可靠性问题不可忽视。TSV本质上是多根由绝缘层包裹后镶嵌在不同基体中的导电铜柱，该技术广泛应用在三维集成电路芯片和芯片间的垂直互连上。但是由于TSV本身极易发生结构缺陷，且发生位置不定，类型复杂，这些微小的结构缺陷都会对TSV的信号传输性能产生较大影响，严重影响了三维集成电路成品的良品率。因此，针对TSV的建模和缺陷检测技术研究很有必要。随着TSV的物理尺寸逐渐减小，制造材料日趋多样，空间布局不断复杂，传统的TSV检测方法难以对TSV缺陷进行准确检测。 提出一种基于粒子群算法(PARtiCle SwARm OPtimizAtioN，PSO)优化极限学习机(ExtReme LeARNiNg MAChiNe，ELM)的混合极限学习机TSV缺陷检测方法，以地-信号-信号-地TSV(GrouND-SigNAl-SigNAl-GrouND TSV，GSSG-TSV)为研究对象，利用3D仿真建模软件HFSS进行无故障TSV建模，并利用ADS软件搭建等效电路对无故障GSSG-TSV进行有效性分析。针对GSSG-TSV空洞缺陷、针孔缺陷和微衬底未对齐缺陷，分别利用极限学习机(ExtReme LeARNiNg MAChiNe，ELM)、人工神经网络(ArtifiCiAl NeuRAl NetwoRks，ANN)、K近邻(K NeARest NeighboR，KNN)、随机森林(RANDom FoRest，RF)、支持向量机(SuPPoRt VeCtoR MAChiNes，SVM)等常见的机器学习分类算法对TSV缺陷检测问题进行探索研究，并分析以上算法对样本数据分类效果不同的原因。基于GSSG-TSV模型得到的样本数据，利用粒子群算法(PARtiCle SwARm OPtimizAtioN，PSO)对极限学习机(ELM)的权重，偏置和最优节点个数进行优化。利用优化后的混合极限学习机模型采用有监督的机器学习方法，通过不同频率的激励信号和S参数，预测TSV发生的缺陷类型，并在确定缺陷类型后对具体的TSV缺陷进行定位。