跟着封装越来越复杂，实验室性能与工场实验坐蓐之间的差距越来越大。

东谈主们广大合计先进材料在实验室中的阐扬与在坐蓐中的阐扬雷同，但这种假定咫尺正靠近严峻挑战。

频频情况下，实验室检测收尾会成为居品规格，进而成为矍铄基准。而矍铄基准又会成为评判现场性能的法式。在行业发展的大部分历史时间，这套推行体系都相当有用。那时材料种类较少，叠层结构较为轻便，层间互相作用也实足可量度，因此规格表中的数据大意合理地反馈实验坐蓐情况。

但跟着异构集成从工程上的新奇宗旨发展成为高性能诡计的主流架构，单个封装中的材料数目急剧加多。它们之间的互相作用愈加复杂，影响也更大，何况这些封装的运行环境比当初联想用于考证其性能的测试条件更为严苛。

“咫尺的情况和以前不一样了，以前只消有了单个芯片，了解了它的工艺经过，就不错径直干涉坐蓐，” Amkor芯片和FCBGA集成副总裁Mike Kelly说谈。“咫尺大多数封装在机械结构上都相当复杂，电气方面更是如斯。要开导出一个完善可靠的处分决策，需要多数的现场测试和开导使命。这极少的蹙迫性怎样强调都不为过。”

一种材料在孤单环境或受控实验室条件下的阐扬，越来越难以准确量度其在与其他不同材料共存、资格多阶段热历史以及需要在数百万小时运行中保持可靠性能时的性能。如今，先进东谈主工智能硬件所需的封装在机械和电气方面都比前几代居品愈加复杂，也曾使联想决策变得轻便的坐蓐造就如今已不再适用。简而言之，实验室与工场之间的差距并非崭新事，但正在日益扩大。

复杂性问题

材料在坐蓐过程中出现不良性能的最径直证明，亦然最令东谈主难以给与的证明。如今构建的系统过于复杂，任何东谈主都无法预先进行全面建模，而导致问题的互相作用频频是任何一个学科都未始意想要查验的。

“当你把多样不同的材料、多样不同的硅片集成在一齐时，整个这些都会带来固有的变异性，”Critical Manufacturing 的情势司理 Tiago Tavares 说。“指望咱们能在联想阶段就量度并限定整个这些变异性是不现实的。你需要模拟几十年才能涵盖整个情况。这种方法仍是行欠亨了。”

半导体制造一直以来都触及对变异性的管制，但如今的变化在于，单个封装内互相作用的因素数目激增，且这些互相作用的耦合进度也显耀普及。传统的单芯片领受单一材料组合、单一工艺经过，以及一套经过数十年坐蓐造就积攒而具有相当可量度性的互相作用。而当代多芯片封装，举例堆叠式存储器、异构芯片组和有机中介层，则跟着堆叠中每引入一种新材料，潜在的互相作用就会呈爆炸式增长。

“你们在夹层材料里越来越多地使用一些比较额外的材料，”塔瓦雷斯说。“这就好比作念三明治，你压根无法先见火腿和奶酪的因素会有什么变化。是以，经过践诺和经过联想仍然至关蹙迫，但它们仍是远远不够了。你们需要不毫不休地监控坐蓐过程。”

由于封装拼装方式的根人道结构拯救，监控难度进一步加多。在整情势工艺经过中，工艺工程师不错将每个方法视为一个相对镇定的优化问题：拯救蚀刻配方，测量收尾，然后再次拯救。由于一个方法的改变对后续方法的影响有限，因此解放度是可控的。但在异构封装中，这种镇定性不复存在。每个工艺方法都会承袭前一方法的机械、热学和化学历史，每一次拯救都会产生影响，而这些影响频频要到很久以后才能表露。

塔瓦雷斯补充谈：“你不可再像分析孤岛一样分析一个过程了。其中的互相作用越来越显著，也越来越复杂。因此，你不可只是因为改变了A方法就贸然作念出改变，而不去计议B、C、D方法之后会发生什么。”

模拟的不及之处

如若复杂性问题只是是运行更全面的模拟，那么原则上是不错处分的，即使诡计资本很高。模拟器具的构建基于对哪些效应被视为一级、二级或可忽略效应的明确采用。在大多数情况下，这些采用是合理的。但是，先进封装中碰到的情况并非老是典型的，在轻便封装中出现的二级效应，在更复杂的封装中可能成为主要的失效机制。

Synopsys居品营销总监Marc Swinnen示意：“机械应力不仅会影响可靠性，还会改变受力器件和导线的电气参数。但机械应力和电气应力很少被同期计议。任何仿真器都基于对哪些效应需要纳入考量的基本采用。由此产生的问题是，在某些情况下，一个轻捷的影响实验上会被放大好多。”

因此，封装器件可能通过了电气和机械仿真，但在坐蓐中仍然会失败，因为这两种效应之间的互相作用从未被建模。这是由于仿真器具的历史发展方式形成的，这些器具由一些团队开导，而这些团队在相邻规模的专科学问有限，因此只针对特定的物理规模进行优化。芯片联想师莫得给与过电磁仿真方面的培训，封装工程师也莫得给与过静态时序分析方面的培训。这些规模之间的界限，适值成了模子与现实最容易出现偏差的地方。

“芯片、封装和电路板的联想频频是分开进行的，但它们之间却有着密切的关系，”斯温宁说谈。“这种关系频频被多数的安全裕度所袒护，这些安全裕度是为了搪塞连结芯片、封装和电路板可能带来的未知影响。但安全裕度并非莫得代价。它们会裁减性能并加多资本。”

即使物理模子设定正确，仿真也难以有用处理变异性问题。举例，在标称温度下性能恰当规格的联想，在受到相邻部件的热梯度影响时，其性能可能会发生改变。此外，一种材料在制造安装过程中可能承受远超实验诓骗环境中的应力，即使其机械应力极限被设定为特定值。这些变量在坐蓐过程中可能同期出现，即使使用先进的仿真器具，也很难对其进行全面考证。

材料数据问题

仿真挑战背后避讳着一个更为压根的问题。用作仿真输入的材料属性值频频是失实的，或者至少是不无缺的，而如若莫得制造商不肯共享的数据，这些问题很清苦到考订。

学问产权问题是弥合仿真与坐蓐实验情况之间差距的中枢进犯之一。仿真器具从数据库中获取材料属性，这些数据库汇总了已发表的测量数据、科学文件或代工场提供的规格阐发。关于硅和铜等特色明确的材料，这些数据库相当准确。但关于新式材料，举例新式玻璃因素、特种介电材料和私有团聚物粘合剂，数据库要求选藏，偶然以至落后，偶尔还会出现失实。

Synopsys居品管制追究东谈主郎林示意：“仿真器具会从互联网或科学测量数据中获取一些通用属性，或者使用代工场提供的数据。制造商必须向咱们的仿真器具提供或表露其材料的特定属性，这么咱们才能说仿真收尾具有雅致的关系性。不然，就不存在关系性。”

问题在于，最精准的材料属性数据频频亦然最具营业敏锐性的。一家玻璃基板制造商破耗数年时分研发出特定的材料因素和抛光工艺，却莫得能源将该材料的精准机械和热学性能数据共享给通盘行业。这些数据所蕴含的竞争上风恰是其研发干涉的压根所在。收尾即是结构性错配。最需要精准材料数据来构建可靠模拟的工程师们，却只可使用精度最低的版块，而掌合手精准数据的机构也有充分的原理不予公开。

关于处于包装工艺前沿的新式材料而言，一本大道久久久久精品嫩草这个问题更为压根。关于熟识材料，其材料性能随温度变化的非线性行径已得到充分交融，但关于新式材料，这种行径频频难以捉摸。

林说：“你必须对材料的力学性能随温度变化的非线性行径进行建模。咱们可能很了解纯铜。但关于具有某种改性材料特色的玻璃来说，其温度依赖性会是什么样的呢？它可能以咱们未知的方式呈现非线性特征。”

当现场发现实验室遗漏的问题时，这些建模弱势的后果就会在坐蓐中表露，偶然以至会进一步扩展到下贱，导致难以回首根源的现场故障。故障到达现场的方式存在着一定的规章。主要原因很少是材料本身未能达到标称规格，而是制造过程中引入的潜在弱势，而这些弱势并非认证经过所能检测的。

“许多现场问题都源于制造过程中引入的潜在弱势，”安靠公司追究引线键合和BGA居品的副总裁Prasad Dhond示意。“混浊、工艺偏差和建树故障都是潜在弱势的起原，这些弱势在现场可能会加重。除了居品认证除外，坐蓐限定以及工场和安装线的运营方式也至关蹙迫。”

难点在于，潜在弱势并非老是一驱动就以弱势的局势表露出来。最终会导致良率蚀本的信号可能在工艺经过早期以婉曲不清的局势出现：举例微弱的神气变化、光学特殊，或者看起来更像是侵略而非失效机制的情景。早期可见的情景与后期会产生影响的因素之间的关系，唯有在积攒了实足的数据后才能明确。

这是复杂制造经过的一个结构性特征。弱势表露、可测量以及导致故障的时分点各不雷同，频频相隔数周的处理时分和数十个中间方法。矍铄测试位于该经过的末尾，仅商榷器件是否及格。它并不探究故障的根源，而这才是简直大意弥合实验室模子与工场实验坐蓐之间差距的重要所在。

“你会发现弱势，偶然很难发现，分析收尾可能只高慢为变色。如若只是外不雅上的纰谬，其实没什么大碍，” Microtronic的诓骗总监Errol Akomer说谈。“但当这批居品进入检测阶段时，就检测分离格了。这么你才能知谈哪些弱势会形成蚀本，哪些不会，哪些不错忽略，哪些需要仔细查验，因为确乎存在问题。”

坐蓐中故障分析的经济性问题使这一挑战愈加严峻。当芯片在现场发生故障时，东谈主们的第一反应频频是更换芯片并连接坐蓐，而不是将其回收进行分析。原来不错匡助工程师了解故障原因并构建更完善模子的数据，却跟着故障部件一齐被丢弃了。

Amkor公司的Kelly示意： “唯有当有故障发生时，网罗数据来细则故障原因才专门念念。 故障越少，数据越少，模子就越不准确。这是一个悖论。在某个阶段，你会罢手建模，驱动构建，然后在早期坐蓐环境中不休篡改，最终达到你简直想要的场所。但仍然存在差距。”

案例商量揭示差距：在坐蓐线中间金属化过程中引入钼来替代钨，这阐发了从实验室到制造重要的差距，而这与封装无关，却与表征材料和集成材料之间的压根区别息息关系。

在逻辑、DRAM 和 NAND 等器件咫尺追求的小尺寸特征范围内，钼比较钨具有显耀的电阻率上风。更短的平均解放程意味着钼大意在更小的尺寸下充分阐述其导电上风，而钨则越来越难以作念到这极少。此外，由于钼径直粘附在氧化层上，不会渗入到介电层，因此无需单独的抵牾层和衬垫层，从而使更多可用空间大意填充功能金属，而不是高电阻率的营救材料。在实验室中，字据单位工艺考证的重要方针进行测试，钼的性能阐扬雅致。

但将新材料干涉坐蓐则是一个不同的问题。开导单位工艺——包括千里积器具、薄膜性能、均匀性和颗粒行径——需要材料工程师和工艺工程师的齐心同德。单位工艺开导无法在得回坐蓐数据之前处分的是，新材料在特定客户的工艺经过、周围材料和集成决策中的具体阐扬。

“当咱们进入测试阶段，客户驱动尝试领受这款薄膜时，简直的挑战在于如何将薄膜集成到他们的工艺经过中，” Lam Research公司副总裁兼总司理 Kaihan Ashtiani 示意。“薄膜的各项要求，举例运行速率、触点填充效果、电阻率是否恰当规格、均匀性以及颗粒行径——这些都是咱们在建树开导方面需要存眷的。但如何将薄膜集成到客户现存的工艺经过中，才是简直需要学习的地方。DRAM、NAND 和逻辑芯片的要求各不雷同，这些都是咱们在进入测试阶段乃至最终量产阶段时靠近的挑战。”

重要不在于钼本身存在职何根人道弱势，而在于任何新材料在坐蓐中的阐扬都取决于其与特定工艺环境的互相作用，而这种环境无法在材料表征的开导环境中全都复制。每个客户的集成都有其自身的热预算、相邻材料和工艺方法限制。在单位工艺开导中看似微不及谈的薄膜特色，一朝与下贱特定的蚀刻化学反应发生互相作用，或者千里积在经过一系列实验室从未模拟过的预处理方法的名义上时阐扬出与预期不同的行径，就可能成为重要计议因素。Lam公司多年来在钼的单位工艺开导上干涉巨资，最终得回了特色明确的薄膜。但它无法得回预先表征的集成决策，因为每个集成决策都因客户和器件类型而异。实验室收尾与坐蓐环境的最终交织点，恰是差距所在。

弥合差距

面对这些挑战，业界并未袖手旁不雅。咫尺，多数的工程研发使命正极力于通过机器学习来构建虚构寰球和物理寰球之间更缜密的关系，从而探索隧谈基于物理建模无法触及的联想空间，并将制造车间视为模子校准的不绝起源，而非下贱至极。

但是，不受拘谨的机器学习诓骗于制造数据时，它本身并不了解它所处的物理空间，这意味着它不错在其考试数据中进行激进的优化，但产生的收尾却会在坐蓐中失败，而失败的原因恰是该模子从未被考试去计议的。

“你不错用现存的数据集进行考试，但机器学习实验上并不了解它所处的空间，也不知谈如安在该空间内进行优化，”Lam Research旗下Semiverse Solutions的总司理Joseph Ervin说谈。“使用虚构硅不错为机器学习空间引入拘谨和物理规章，从而调换工艺方法和参数在哪些方面大意简直取得效果。”

该方法包括构建正在建造的建树的三维虚构示意，将其与实验坐蓐过程中的在线计量数据对皆，并使用对皆的虚构模子来调换机器学习优化，同期针对多种良率失效模式进行优化。

数据问题依然难以处分。弥合实验室与工场坐蓐之间差距所需的数据至少在表面上是存在的。简直的挑战在于，网罗、解读这些数据并将其与正确的工程决策关系起来，需要一定进度的机构学问和合作意愿，而这方面咫尺仍在发展之中。

“东谈主们仍在了解多样影响和组合，”重要制造公司的塔瓦雷斯说。“这需要一段时分才能被东谈主们给与。数据是存在的，但当先你需要知谈本人在寻找什么。数据并不等同于信息。将数据滚动为信息的能力仍然是一个挑战。”

用于弥合实验室到工场差距的器具正在不休篡改。咱们领有更完善的仿真框架、受物理拘谨的机器学习、更丰富的在线计量技艺以及更先进的数字孪生模子。但是，这些新环境下需要阐述作用的材料确乎是全新的，它们之间的互相作用也仅被部分交融，而用于可靠表征其在坐蓐中性能的造就基础仍在积攒之中。这种差距的存在是因为材料诓骗的速率卓绝了咱们充分交融自后果的速率。

*声明：本文系原作家创作。著作内容系其个东谈主不雅点，本人转载仅为共享与筹谋，不代表本人赞美或认可，如有异议，请关系后台。