Beim Hochskalieren von Advanced-AIartificial intelligenceAI ist englisch für KI: künstliche Intelligenz-Packages rücken Prozessstabilität und schnelle Übergänge von der Entwicklung in die High-Volume Manufacturing (HVMhigh volume manufacturing) stärker in den Vordergrund. Gerade bei Fan-out panel-level packaging (FOPLP) wächst der Druck, neue Prozesse zügig zu qualifizieren und zugleich eine hohe Ausbeute zu sichern.
FOPLP gilt dabei als wirtschaftlich interessanter Ansatz, weil sich das Substrat besser ausnutzen lässt als bei waferbasierten Verfahren. Genannt werden drei Vergleichsbeispiele: Auf einem 300-mm-Wafer wurden etwa 55 % Substratausnutzung und sechs Packages pro Wafer erreicht, auf einem 300-mm-Panel 86 % Ausnutzung mit 12 Packages pro Panel und auf einem 510 × 515-mm-Panel 74 % Ausnutzung mit 30 Packages pro Panel. Daraus ergeben sich mehr Packages pro Substrat und potenziell niedrigere Kosten pro Package.
Die technischen Hürden liegen vor allem in der Lithografie. Mit zunehmender Panelgröße treten Pattern Distortion, Die Shift und daraus resultierende Overlay-Fehler stärker auf. Diese Effekte wirken sich direkt auf die Ausbeute aus und machen die Prozessoptimierung deutlich schwieriger als bei klassischen waferbasierten Abläufen. Zusätzlich verhalten sich Verformungen auf Panelebene nicht gleichmäßig, sondern können lokal stark variieren.
Für Prozessingenieure entsteht damit ein Zielkonflikt zwischen Overlay-Ausbeute und Durchsatz. Globale Korrektur erhält den Durchsatz, lässt aber lokale Fehler häufig stehen. Zonenkorrektur kann die Ausbeute verbessern; in den genannten Felddaten lagen die Werte zwischen 40 % und 80 %, allerdings bei geringerem Durchsatz. Die-By-Die-Korrektur verbessert die Ausbeute weiter, kostet aber zusätzlich Taktzeit. Site-by-site-Korrektur liegt dazwischen und versucht, beides besser auszubalancieren.
Genau an dieser Stelle setzt Yield-Prediction an. Kombiniert mit Offline-Metrologie soll sich damit die Prozessleistung abschätzen lassen, bevor umfangreiche physische Versuche auf Produktionssubstraten gefahren werden. Aus detaillierten Messdaten zu Pattern-Fehlern und Die Shift sowie Parametern wie Exposure-Field-Konfiguration, Panel-Layout, Die-Layout und Overlay-Schwellen lassen sich erwartete Yield-Werte berechnen und unterschiedliche Prozessstrategien vergleichen.
Den praktischen Nutzen zeigt ein Vergleich mit Produktionssubstraten in einem HVMhigh volume manufacturing-Prozess. Zu Beginn lagen die Abweichungen zwischen vorhergesagter und gemessener Ausbeute bei 1,2 % bis 2,7 %. Nach einer Standardisierung der manuellen Inspektion sanken diese Abweichungen auf 0,2 % bis 0,8 %. Als wichtigste Fehlerquelle wurde also nicht das Modell selbst, sondern die Variabilität der Inspektionsbewertung sichtbar.
Die Technik lässt sich bereits während der Prozessentwicklung einsetzen, um mehrere Parameterkombinationen zunächst per Simulation zu bewerten und erst anschließend mit Qualification Substrates zu verifizieren. Zusätzlich kann sie in der Massenfertigung in den Lithografie-Workflow eingebunden werden, um Prozessmonitoring in Echtzeit und eine frühere Fehlererkennung zu unterstützen. Dadurch sollen Nacharbeit, Zeitaufwand und Kosten sinken, während sich Lernzyklen in der FOPLP-Lithografie verkürzen.