当前位置: 首页 > news >正文

高密度扇出面板封装的检测与计量技术追赶之路

AI/HPC领域旺盛需求正推动领先晶圆代工厂加速从晶圆向面板的转型,以适应日益增大的器件尺寸。然而,要确保含有多层再分布层(RDL)的面板达到已知良品标准,检测设备必须应对RDL特征尺寸缩小、凸块间距减小以及大尺寸面板所带来的翘曲问题。

曾经主要应用于小型芯片的面板级封装,随着封装尺寸增长至80×80mm乃至更大,正对AI/HPC器件制造商产生越来越强的吸引力。尽管高能耗带来的热管理问题一直备受关注,但对单一封装内更强算力的需求已触及面积上限。基于硅中介层的封装通常局限于100×100mm,这是在良率、光刻、翘曲和成本方面均可接受的最大尺寸。而面板级封装的尺寸则可从310×310mm延伸至600×600mm。台积电表示,这类封装将在部分超大封装场景中与CoWoS互补,而非取而代之。

然而,高密度扇出(HDFO)所要求的互连密度将面板制造商带入了全新领域。

Yole Group半导体封装高级技术与市场分析师Gabriela Pereira指出:"由于封装尺寸大、同一封装内集成多个芯粒或器件,以及更低间距、更细RDL线宽/间距和更多RDL层数所带来的更高互连密度,这对面板级封装制造商构成了重大挑战。"

扇出面板级封装通常采用芯片后置(chip-last)工艺,因此需要通过检测来确保面板达到已知良品标准。为支持HDFO,RDL层数从3层增至9层,走线与凸块间距从20微米降至5微米。此外,多位业内专家表示,制造商的目标是在未来5年内将间距缩小至2微米。

Onto Innovation产品营销高级总监Monita Pau表示:"对于面板级封装而言,首要挑战在于制造要求日趋严格,最小特征尺寸愈发接近前端(即晶圆处理)水平,这推动了更多检测需求。在面板级封装中,你是将已知良品裸芯片贴装到封装上的,无论是插入层还是基板,在将昂贵的已知良品裸芯片贴装上去之前,必须确保其无缺陷。"

工程团队依靠计量、检测和电气测试来开发并维持具备足够良率和质量的面板制造流程。早期且频繁的测量可提供数据,用于检测工艺漂移、工艺异常和缺陷,进而对工艺开发和材料特性进行调整,并在量产过程中对良率和质量偏差作出及时响应。

在测量工具方面,工程师拥有丰富的选择。光学检测目前仍是主要手段,但非光学解决方案的需求或将随之而来。

Yole的Pereira表示:"现有先进封装计量与检测工具平台主要基于现有光学检测和光学计量平台,针对面板格式进行了适配。主要技术包括光学AOI、光学2D/3D、共聚焦、干涉测量、轮廓仪计量、翘曲与弯曲计量、套刻与CD光学检测,以及针对玻璃面板或玻璃载板的目视与光学载板检测。KLA和Onto Innovation等主要供应商利用跨平台架构,只需少量改动即可适配面板级封装和先进IC基板,而部分厂商则专门开发了面向面板级封装的专用工具。"

尽管如此,向HDFO面板的转型对检测和计量设备提出了更高要求。

Avarustech首席执行官兼首席技术官Arun Aiyer表示:"这一迁移将晶圆/晶圆厂级别的要求带入了历史上以PCB级灵敏度进行检测的格式。这些要求包括:亚2微米RDL线宽/间距、亚20微米凸块间距、亚微米套刻精度、混合键合就绪表面、透明基板处理以及通玻璃过孔(TGV)表征。与此同时,面板尺寸标准化、翘曲控制和设备就绪度问题仍悬而未决。这些变化收窄了工艺窗口,加剧了机械变形。检测和计量因此必须从离散的质量关卡转变为制造可行性的核心使能因素。"

RDL与凸块的XYZ方向测量

多位业内专家指出,在HDFO面板中实现高良率仍然困难重重。计量和检测为良率和质量工程师提供了不可或缺的数据。为支持AI/HPC器件设计,RDL层数增加,走线间距和凸块/微柱间距缩小,而微柱高度则有所增加。每一层都必须增加检测和计量步骤,且随着特征尺寸缩小,测量分辨率必须相应提高。

小型化对光学系统的分辨率及单块面板检测吞吐时间带来了压力。

Koh Young Technology客户成功总监JD Shin表示:"当目标对象变小时,光学分辨率也必须小于被检测对象的尺寸。目前量产中RDL最小线宽为5微米,未来预计将缩小至2微米。简单来说,若线宽从5微米缩小到1微米,分辨率需提升5倍。如果在使用同类相机的前提下将分辨率提高一倍,检测速度将降低四倍。"

吞吐时间的增加与相机的视野、像素数量以及对更高分辨率的需求直接相关。测量灵敏度与测量速度之间的权衡,通常通过更快的物理扫描及相关计算来解决,但同时也带来了数据管理挑战。以此为参照,对一块600mm面板以1微米分辨率进行检测,每层将产生约10??个像素。

Onto的Pau表示:"始终是灵敏度与吞吐量之间的取舍。要么灵敏度高、吞吐量低,要么吞吐量高、灵敏度低。通常需要在两者之间寻求平衡,既不遗漏致命缺陷,又不能将速度拖得过慢。"

过孔连接各RDL层,随着层数增加,过孔叠层增多,但过孔面积减小。材料特性、过孔尺寸缩小以及制造工艺所固有的机械应力影响着过孔的形成质量,而AOI在评估过孔质量方面存在局限性。

Amkor Technology研发执行副总裁Kyoung Rok Park表示:"RDL层数从3层增至9层,这对层间堆叠即过孔产生了影响。即便在每一层都进行AOI检测,如何判断层间堆叠的质量也是一大难题。"

Park指出,目前电气测试被用于筛查过孔缺陷。然而,更早的检测方法能为工程师提供更及时的数据以纠正工艺问题,同时筛选已知良品面板,这也为红外和X射线等其他检测模态的引入打开了大门。

随着凸块/微柱间距缩小、纵横比增大,传统2D检测已难以满足需求,因为凸块/微柱质量直接影响键合良率和质量。采用多角度相机,光学测量设备可生成3D图像,从而提供更丰富的数据洞察。

Koh Young的Shin指出:"3D测量/检测比过去凸块尺寸较大时更为关键。尺寸越小,制造出形状一致的完美凸块就越具挑战性,这正是需要3D检测的原因。我们的设备能够提供包括凸块高度和体积在内的这类测量。"

在凸块/微柱光刻工艺中,光刻胶厚度是一个重要参数。面板曝光前,光刻胶的不均匀性可通过去除和重新沉积来检测和返工。但这需要在数百微米厚的薄膜上实现纳米级分辨率,这一组合规格对传统光学测量技术是一大挑战。

Bruker FilmTek产品线研发高级总监Chris Claypool表示:"凸块或微柱共面性不佳会造成良率损失。随着3D堆叠高度增加、裸芯片尺寸增大,微柱上承载的组件越来越多;而柱高越高,平面度要求却保持不变,这使制造难度进一步加大。现有计量工具可在凸块和微柱成形后测量共面性,我们则在光刻阶段更早介入,测量光刻胶厚度和均匀性,因为此阶段可以进行返工。通常椭偏仪或反射仪无法测量30微米以上的厚度。"

Bruker的光学设计可实现最高2000微米介电层厚度的测量。Claypool表示:"这对前端应用并不需要,但在封装领域,特别是对于凸块和微柱的平面度而言,针对超厚薄膜实现纳米级分辨率至关重要。我们观察到,封装中凸块的厚度最初在50至100微米范围内,上一代已达450微米,我们目前正在攻关的下一代将达到650微米。"

应对翘曲挑战

随着面板面积增大,工程师越来越担忧翘曲对制造工艺的影响。这包括为RDL走线间距、污染缺陷、过孔或微柱上的金属缺失或多余等问题提供关键反馈的计量和检测方法。因此,作为首选的光学测量系统,需要在存在翘曲的情况下仍能提供高质量的测量结果。

Yole的Pereira表示:"最大挑战集中在规模、平整度、对准和工艺变异性方面。由于温度、压力和材料特性在更大面积范围内可能存在差异,工艺均匀性变得更难保障。翘曲控制是最关键的挑战之一,会导致搬运不稳定、芯片位移、光刻对准误差、良率损失、可靠性问题和电气性能下降。因此,需要将现有AOI、光学计量、翘曲计量、轮廓仪、干涉测量和3D检测平台适配至更大面板,设备供应商正在扩展视野、载台搬运、数据处理、翘曲测量和自动化能力,使晶圆级方法能够适用于更大的面板格式。"

对于光学测量系统而言,视野和焦深影响着分辨率和吞吐量,而翘曲可能影响光学对焦,进而影响测量精度。

Shin表示:"另一个挑战在于,分辨率越高,从光学角度来看焦深就越关键。分辨率越小,焦深就越窄,因此即使是很小的翘曲,所获得的图像也可能非常模糊。"

对面板的搬运处理可在一定程度上缓解翘曲问题。

Onto的Pau表示:"面板级封装的最大挑战之一是需要处理比晶圆大得多的尺寸,其搬运方式也不同于晶圆。面板的表面积远大于晶圆,始终需要与翘曲做斗争。如何固定面板以完成检测,是一个持续存在的难题。"

其他人也强调了翘曲缓解对面板搬运和对焦能力的要求。

Bruker TSOM业务单元高级总监兼总经理Samuel Lesko表示:"首要挑战是翘曲——如何处理翘曲面板,即如何将其吸附压平?因为要保证吞吐量,系统需要在各点之间快速移动。但光学仪器有特定的工作距离来实现对焦,因此需要谨慎地将整块面板压平,并避免与仪器发生碰撞。第二个挑战是吞吐量——需要有参考基准,使自动对焦时间最短。解决方案要么是想办法将面板吸附压平,要么是实现快速自动对焦,或者两者结合。这一选择还取决于面板/基板材料。"

然而,日益复杂的制造工艺产生了一系列光学手段无法识别的缺陷。

Avarustech的Aiyer指出:"核心挑战在于,面板封装将晶圆级特征尺寸与PCB级机械不稳定性结合在了一起,对分辨率、吞吐量和稳定性带来的压力超出了现有工具的设计范畴。大尺寸面板的变形、翘曲、收缩、膨胀和局部位移远比晶圆难以预测。扇出面板级封装(FOPLP)表现出比等效扇出晶圆级封装(FOWLP)高得多的翘曲,因为热膨胀系数(CTE)引起的翘曲随尺寸扩大而加剧。聚合物、金属和硅裸芯片之间的差异热膨胀,可在固化和解键合过程中导致严重的弯曲和芯片位移。因此,关键缺陷不再纯粹是视觉可见的,而是与基板变形、残余应力、RDL变形、共面性和埋入式界面行为耦合在一起。一块面板通过了常规AOI检测,仍可能因局部高度、套刻或应力特征未在相应背景下测量而最终失效。"

结语

AI/HPC器件预计将向HDFO面板级封装转型,但这一转型并非简单地将已知的晶圆级高密度RDL技术移植到面板基板上。随着RDL层数增加、间距和尺寸缩小,检测和计量在制造工厂中的重要性比以往任何时候都更为突出。

光学检测和计量设备(AOI)仍是RDL面板制造工程师最常用的手段。但面板材料和尺寸所伴随的机械不稳定性,使这一组合规格及面板形态对其探测能力构成了挑战。换言之,翘曲使光学测量技术的每个环节都更加复杂。

Avarustech的Aiyer指出:"面板级封装的检测与计量正处于拐点。传统PCB和基板AOI已被推至极限,与此同时,半导体级计量技术对于最大约600×600mm的大型矩形基板的规模、材料和机械不稳定性,也仅实现了部分适配。最重要的转变在于,检测不再仅仅是一个通过/失败的关卡,而正在成为自适应光刻的数据引擎——离线芯片位移计量数据反馈给机器学习算法,驱动全局、分区、每颗芯片或逐站点的套刻校正。尽管如此,业界目前仍缺乏一个高吞吐量、闭环、面板原生的平台,能够在整块面板的统一坐标系内对视觉缺陷、尺寸误差和工艺引起的变形进行关联分析。"

Q&A

Q1:高密度扇出面板级封装对检测设备提出了哪些新要求?

A:高密度扇出(HDFO)面板级封装要求RDL层数从3层增至9层,走线与凸块间距从20微米缩小至5微米,未来目标为2微米。这意味着检测设备需要更高的光学分辨率,但分辨率提升会导致扫描速度下降。同时,600mm面板以1微米分辨率检测时,每层将产生约10??个像素,带来巨大的数据处理压力。此外,现有AOI工具难以评估多层过孔的堆叠质量,红外和X射线等新型检测手段的引入需求日益迫切。

Q2:面板翘曲对光学检测有什么影响,如何应对?

A:面板尺寸越大,翘曲问题越突出。翘曲会影响光学系统的对焦精度——分辨率越高,焦深越窄,即便是轻微翘曲也可能导致图像模糊。应对措施包括:通过真空吸附将面板压平以减少翘曲影响;提升自动对焦速度以缩短对焦时间;或两种方法结合使用。此外,翘曲还会引发芯片位移、光刻对准误差和良率损失,因此翘曲计量本身也成为面板制造的关键检测环节。

Q3:为什么凸块和微柱的检测需要从2D升级到3D?

A:随着凸块和微柱的尺寸缩小、纵横比增大,制造出高度和体积一致的凸块难度大幅上升,而共面性不佳会直接影响键合良率。2D检测无法获取凸块的高度和体积信息,而3D测量可提供更全面的数据,帮助工程师评估共面性和形态质量。此外,在光刻阶段对光刻胶厚度进行纳米级精度测量,可在成本较低的工序阶段提前发现问题并返工,避免后续良率损失。

http://www.jsqmd.com/news/1144894/

相关文章:

  • 2026论文全流程终极榜单:10款降AIGC平台, 合规修正一路顺畅
  • 教你2.5秒学会使用Python
  • BS-RoFormer终极指南:快速掌握SOTA音乐分离深度学习模型
  • 自研直线电机在3D打印设备中的应用验证与性能优化
  • 服务器上架vastai平台,我有一个4090服务器,想上架vast平台,有没有人懂这个!
  • NumPy 2.5 性能对比:原生列表、np.corrcoef() 与 SciPy 3 种相关系数计算效率
  • 团建研学活动文创礼品怎么选?景德镇陶瓷配套产品场景采购指南
  • 煤矿井下矿工人员目标检测:基于YOLO11的训练流程与数据集构建实践
  • Task异步练习(进度条)
  • BUUCTF findit
  • 用 conda-pack 打包带走,连网都不用
  • 本地知识库搭好了但不好用?RAG 调优实战:检索准确率从 40% 拉到 90%
  • BUUCTF luck_guy
  • WE Learn网课助手:5分钟掌握终极学习效率工具
  • 新功能解读系列文章(4):SSL 加密连接——数据校验传输安全再升级
  • 松下 A5/A6 伺服驱动器 X4 接口接线实战:位置模式 8 个关键引脚与 PLC 连接详解
  • 怎样高效使用Linux桌面便签工具Sticky:实用技巧完整教程
  • PayPal Ventures关停:60亿基金因战略调整落幕,被投企业何去何从?
  • Claude 有了“内心独白”?Anthropic 的 J-space 研究到底说明了什么
  • 【单片机毕业设计】基于 STM32/51 单片机的 MPU6050 倾角检测与倾斜报警装置设计,基于单片机的姿态角度采集与 LCD1602 显示报警系统设计(021201)
  • 什么是 IndexedDB?
  • Ragas 自动化评估代码示例
  • nVisual:基于历史趋势自动预测,扩容规划数据支撑率达90%
  • Translumo实战指南:Windows平台实时屏幕翻译高效方案
  • 为什么很多降重越改越高?如何选能同步降低查重率与 AIGC 标记的 AI 工具?
  • 【没想到我国的科技开发已经发展到这个地步】Super-LIO 项目分析与 Mid-360 无人机移植指南
  • BSON(二进制 JSON)
  • 【8】补充与拓展:Langchain的联网搜索Agent,使用Tavily工具
  • 穿透物理边界,重构时空秩序:基于纯视觉的营房全景透视与无感智控
  • Java集合扩容机制解析:ArrayList与HashMap底层原理及性能差异