半导体超声波键合焊点质量虚拟量测方法及系统

本发明涉及半导体制造，尤其涉及一种半导体超声波键合焊点质量虚拟量测方法及系统。

背景技术：

1、半导体制造过程中，超声波键合是实现芯片、引线及相关封装结构电气连接和机械连接的重要工艺之一。超声波键合利用超声频率的机械振动能实现材料之间的连接，具有加工速度快、效率高以及自动化程度高等特点，在集成电路、电子元器件及半导体封装等制造过程中得到广泛应用。

2、超声波键合完成后，焊点的机械强度和稳定性直接影响半导体器件的连接可靠性。现有生产过程中，通常通过拉力测试或推力测试对焊点连接强度进行评价。其中，推力测试通过向焊接接头施加外力，并观察焊接接头在受力条件下是否发生断裂或分离，从而确定焊点质量是否满足要求。

3、上述实体推力测试通常需要使用专门的测试设备，并涉及一定的操作及资源投入；同时，由于推力测试具有破坏性，难以对生产过程中的每一个焊点持续实施实体检测。因此，仅依赖传统实体量测方式难以兼顾检测效率、检测成本和产品质量覆盖范围。

4、虚拟量测技术能够利用制造过程中已经采集的工艺参数，通过建立过程参数与产品质量指标之间的数据驱动模型，实现对难以直接或连续实体量测的产品质量指标进行预测。因此，将虚拟量测技术应用于半导体超声波键合过程，可以利用生产过程中已有的工艺数据对焊点质量进行预测，从而减少对破坏性实体推力测试的依赖。

5、但是，超声波键合过程中的工艺数据具有多变量、非线性以及时序相关等特点。仅采用单一卷积网络难以充分提取工艺数据中的前后时序依赖关系，仅采用循环神经网络又难以充分提取不同工艺变量之间的局部关联特征。此外，不同工艺特征对焊点质量的贡献程度不同，模型参数在训练过程中还可能存在收敛效果不足的问题。

6、公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

1、本发明提供了一种半导体超声波键合焊点质量虚拟量测方法及系统，从而有效解决背景技术中的问题。

2、为了达到上述目的，本发明所采用的技术方案是：一种半导体超声波键合焊点质量虚拟量测方法，包括如下步骤：

3、获取半导体器件超声波键合过程中的工艺数据以及用于模型训练的焊点实体推力量测结果；

4、对所述工艺数据进行预处理，并根据工艺变量与焊点质量指标之间的关联关系确定虚拟量测模型的输入特征；

5、将所述输入特征输入卷积特征提取单元，以提取所述工艺数据中的局部关联特征，将所述局部关联特征输入包括正向时序处理支路和反向时序处理支路的双向时序特征提取单元，以获得双向时序特征，并对所述双向时序特征进行特征权重调整，得到加权特征；

6、基于训练工艺样本及其对应的焊点实体推力量测结果建立监督训练数据，并采用基于候选模型参数迭代搜索的模型参数优化方法对焊点质量虚拟量测模型进行训练；

7、将待测焊点对应的超声波键合工艺数据按照与模型训练阶段一致的处理方式进行处理后输入训练完成的焊点质量虚拟量测模型，输出所述待测焊点的质量虚拟量测结果。

8、进一步地，所述预处理包括异常数据识别、异常样本剔除及规范化处理；

9、所述输入特征包括键合时间、实际功率、实际能量、实际下压深度和实际压力；

10、所述监督训练数据中的焊点质量标签根据焊点实体推力量测值与预设质量阈值之间的关系生成。

11、进一步地，所述卷积特征提取单元为一维卷积神经网络，所述一维卷积神经网络包括一维卷积层、最大池化层和丢弃层；

12、所述一维卷积层采用修正线性单元（rectified linear unit，relu）激活函数对所述输入特征进行非线性映射，并经所述最大池化层进行池化处理后输出所述局部关联特征。

13、进一步地，所述双向时序特征提取单元为双向长短期记忆网络，所述双向长短期记忆网络包括相互独立的正向长短期记忆网络和反向长短期记忆网络；

14、所述正向长短期记忆网络按照正向时序对所述局部关联特征进行处理，所述反向长短期记忆网络按照反向时序对所述局部关联特征进行处理，并融合正向处理结果和反向处理结果以获得所述双向时序特征。

15、进一步地，所述特征权重调整采用压缩与激励注意力机制；

16、对所述双向时序特征的各特征通道执行压缩操作以获得通道描述信息，根据所述通道描述信息执行激励操作以确定各特征通道对应的权重系数，并根据所述权重系数对各特征通道进行加权调整。

17、进一步地，所述模型参数优化方法为向量加权平均优化算法；

18、所述采用基于候选模型参数迭代搜索的模型参数优化方法对焊点质量虚拟量测模型进行训练，包括：

19、在模型参数搜索空间中初始化由多个候选模型参数向量构成的候选种群；

20、根据各候选模型参数向量对应的模型训练结果确定适应度，并确定当前优选候选参数向量；

21、基于候选参数向量的加权平均结果以及所述优选候选参数向量更新候选模型参数；

22、对更新后的候选模型参数执行向量组合和局部搜索，并重新确定对应的适应度；

23、在未满足预设终止条件的情况下继续执行候选模型参数更新、向量组合及局部搜索，在满足所述预设终止条件的情况下输出用于所述焊点质量虚拟量测模型的优化模型参数。

24、进一步地，在用于模型训练的焊点实体推力量测样本数量受限的情况下，所述卷积特征提取单元采用深度可分离卷积；

25、所述深度可分离卷积包括深度卷积和逐点卷积，所述深度卷积分别对各输入特征通道执行卷积处理以提取各特征通道的局部特征，所述逐点卷积采用1×1卷积对不同特征通道的局部特征进行融合，并将融合后的特征输入所述双向时序特征提取单元。

26、进一步地，获取历史生产周期的超声波键合工艺数据及对应的焊点实体推力量测结果作为源域训练数据；

27、采用所述焊点质量虚拟量测模型对所述源域训练数据进行源域预训练，并保存经所述源域预训练获得的源域预训练模型参数；

28、将所述源域预训练模型参数作为当前生产周期对应的目标域虚拟量测模型的初始化参数，利用当前生产周期的目标域训练数据对所述目标域虚拟量测模型的模型参数进行迁移微调，所述迁移微调采用第一迁移学习策略或者第二迁移学习策略；

29、其中，所述第一迁移学习策略为：将所述目标域虚拟量测模型中至少部分前级网络层设置为参数冻结状态，使被冻结的网络层保持所述源域预训练模型参数不变，并将靠近模型输出端的至少一个网络层设置为可训练状态，利用所述目标域训练数据更新所述可训练状态网络层的模型参数；

30、所述第二迁移学习策略为：将所述目标域虚拟量测模型的全部网络层设置为可训练状态，利用所述目标域训练数据对全部网络层的模型参数进行更新。

31、进一步地，在用于模型训练的真实超声波键合工艺样本数量受限的情况下，采用包括生成器和判别器的生成对抗网络对训练样本进行数据增强；

32、将随机噪声输入所述生成器以生成合成超声波键合工艺样本，将真实超声波键合工艺样本和所述合成超声波键合工艺样本输入所述判别器进行真实性判别，并根据判别结果交替更新所述判别器的参数和所述生成器的参数，以获得用于扩充训练数据的合成训练样本；

33、将真实训练样本及其对应的质量标签与所述合成训练样本及其对应的质量标签组成联合训练数据集，所述合成训练样本采用与真实训练样本相同的质量标签类别体系，利用所述联合训练数据集训练所述焊点质量虚拟量测模型。

34、本发明还包括一种半导体超声波键合焊点质量虚拟量测系统，包括：

35、数据获取模块，用于获取半导体器件超声波键合过程中的工艺数据以及用于模型训练的焊点实体推力量测结果；

36、特征确定模块，用于对所述工艺数据进行预处理，并根据工艺变量与焊点质量指标之间的关联关系确定虚拟量测模型的输入特征；

37、特征提取模块，用于将所述输入特征输入卷积特征提取单元，以提取所述工艺数据中的局部关联特征，将所述局部关联特征输入包括正向时序处理支路和反向时序处理支路的双向时序特征提取单元，以获得双向时序特征，并对所述双向时序特征进行特征权重调整，得到加权特征；

38、模型训练模块，用于基于训练工艺样本及其对应的焊点实体推力量测结果建立监督训练数据，并采用基于候选模型参数迭代搜索的模型参数优化方法对焊点质量虚拟量测模型进行训练；

39、虚拟量测模块，用于将待测焊点对应的超声波键合工艺数据按照与模型训练阶段一致的处理方式进行处理后输入训练完成的焊点质量虚拟量测模型，输出所述待测焊点的质量虚拟量测结果。

40、本发明的有益效果为：利用生产过程工艺数据实现焊点质量虚拟量测，可减少对破坏性实体推力测试的依赖；通过局部特征提取和双向时序特征提取相结合，同时获取局部关联和双向时序信息；通过特征权重调整及候选模型参数迭代搜索改善模型训练；在小样本条件下，可通过深度可分离卷积降低模型复杂度，通过历史生产周期参数迁移复用已有模型知识，或者利用生成对抗网络扩充训练数据。