封装数字孪生：桥接设计、晶圆厂、测试和可靠性

数字孪生在今年的 SEMICON West 上占据了讨论的主导地位，出现在主题演讲、小组会议和研讨会中。这次谈话反映了行业对这项技术的看法发生了明显转变。

曾经主要与设计探索相关的内容现在跨越了制造生命周期。在封装和装配领域，数字孪生正在成为一种将设计意图与流程执行联系起来、监控多个阶段的变化以及在某些情况下实时规定纠正措施的方式。

虚拟化包装的压力越来越大。先进的集成方案正在增加工程师必须管理的变量数量。互连更紧密，材料更多样化，系统要求也更苛刻。即使是平面度、热膨胀或翘曲的微小偏差也会引发级联故障。虽然统计过程控制、配方鉴定和下游根本原因分析等传统方法仍然很重要，但一旦出现问题，它们的反应往往太慢，无法防止产量损失。工程师正在寻找能够更早预测问题并在损坏发生之前提供可作选择的工具。

“客户要求异构集成路径，在单个封装中包含多种芯片类型，”Amkor总裁兼首席执行官Giel Rutten说。“为了保持产量和可靠性，我们不能仅仅依赖反应性修复。我们必须预先模拟耦合、应力和热相互作用。

图 1：Amkor 首席执行官 Giel Rutten 在 Semicon West 讨论先进封装挑战。资料来源：Gregory Haley/Semiconductor Engineering

这一观点强调了为什么该行业正在转向封装数字孪生。它们没有取代物理测试或检查，而是提供了一个预测层，用于在问题在线显现之前了解芯片、基板和材料之间的相互作用。

作为反馈引擎

进行测试许多公司首先在封装级测试单元中试验孪生。测试提供了衡量包装性能的早期机会，但从历史上看，测试数据仅用于回顾性分析。记录故障，工程师调查原因，并在事后采取纠正措施。

在测试单元构建的数字孪生改变了这种动态。通过模拟探头行为、负载板应力和封装边界，它可以提供出现问题的早期信号，并在良率崩溃之前将该信息反馈回装配中。

“在我们的测试单元孪生中，我们模拟了探测环境、负载板和封装边界，”Cohu Analytics 解决方案公司 Tignis 的解决方案工程总监 Boyd Finlay 说。“这使我们能够提前检测信号和热应力问题，并相应地调整封装参数。”

这种方法将测试从通过-失败检查点转变为流程优化的反馈机制。如果模型检测到接触电阻上升，它可以建议改变粘结压力。如果它看到热应力的产生，则可能表明底部填充固化条件发生了变化。挑战在于速度和准确性。模型必须足够快地运行以匹配大批量测试的速度，并且它们必须可靠地将真实漂移与随机噪声区分开来。

从晶圆厂到装配

的前馈将测试孪生连接到装配和封装只是其中的一部分。导致封装故障的许多变量都源于晶圆加工。沉积厚度、图案均匀性或缺陷密度的变化通常在组装过程中表现为应力或错位。为了可信，封装孪生必须从晶圆厂和计量模型中吸收前馈数据，以便它们反映真实的输入，而不是理想化的假设。

“为了使封装孪生在大规模上具有可信度，您需要从晶圆测试到组装的前馈，将晶圆坐标通过基板映射到封装中，”PDF Solutions 解决方案架构高级总监 Marc Jacobs 说。“否则，双胞胎对上游变化视而不见。”

这种对连续性的需求延伸到了在设备层面开发的工艺模型。蚀刻和沉积的模拟已经降低了晶圆厂的风险。将这些模型向下游扩展到封装中，可以让工程师对互连层或表面形态在组装后的表现有现实的期望。

“我们需要在多个尺度上进行仿真——系统级、电路板级、封装级、芯片级和IP级，”新思科技旗下的Ansys研发高级总监Sudarshan Mallu说。“一些小芯片可能已经完全实施，而另一些小芯片仍处于平面规划或 RTL 阶段。我们需要能够吸收不同抽象并一起分析的方法和仿真功能。

预测方法还可以利用稀疏计量学与基于物理的算法相结合。这些模型没有尝试测量每个晶圆和每个芯片，这是不切实际的，而是使用有限的数据点来推断工艺漂移。当传递到下游时，该信息允许打包孪生模拟微小的上游偏差如何影响装配结果。

“我们使用稀疏计量和肖克利建模来推断上游漂移，”西门子 EDA 产品管理总监 Joe Kwan 说。“这些信息成为下游孪生的上下文输入，例如打包或测试。”

图 2：西门子 EDA 的 Joe Kwan 在 Semicon West 上分享数字孪生演示。资料来源：Gregory Haley/Semiconductor Engineering

更大的愿景是一连串相互关联的孪生，涵盖从设计到晶圆厂、封装和测试。每个节点都通知下一个节点，从而更全面地了解设备如何从晶圆演变到成品系统。然而，障碍是巨大的。跨组织边界调整数据格式、保护知识产权和同步模型需要新的框架。然而，即使是部分采用也被证明是有用的。

当双胞胎变得规范时

当双胞胎超越预测进入处方时，风险就会增加。诊断模型可能会告诉工程师空隙率正在增加，但规范性模型可以运行场景并提出具体的调整建议。在试点案例中，这些模型已经建议在运行中期更改参数以回收否则会丢失的产品。工程师仍然处于控制之中，但模型可以评估权衡并提出最安全的选择这一事实代表着迈向闭环作的重要一步。

“在构建预测模型时，您基本上有两种选择，”EMD Electronics 数字解决方案运营数据科学和数字业务主管 Gianni Klesse 说。“一种是依赖基于物理和化学的机理模型。二是依赖根据经验数据训练的人工智能和机器学习。根据我们的经验，机理模型几乎总是无法进行大量化学，因此机器学习是我们数字孪生的引擎。如果我们只部署一个静态模型，它最终会漂移并变得不可靠。这就是为什么强大的人工智能需要持续监控、定期再训练和严格量化不确定性的原因。

这个承诺是令人信服的。小而及时的校正可以避免数千台设备免于报废，但风险同样明显。如果模型校准不当，其建议可能会加剧问题。如果它不能足够快地运行，它的建议可能会来得太晚，无关紧要。目前，大多数实施都是咨询性的，为工程师提供建议的行动方案，同时将决策权交给人类。双胞胎最终是否会被信任自主行动仍然是一个悬而未决的问题。

随时间

推移的可靠性建模除了产量之外，长期可靠性正在成为双胞胎可能提供价值的另一个领域。传统的可靠性测试依赖于加速应力方法，例如热循环、湿度暴露和电迁移分析。这些测试速度慢且成本高昂，并且无法在线进行。将退化模型嵌入到封装孪生中提供了一种虚拟模拟生命周期行为的方法，从而提供有关潜在故障模式的早期反馈。

“我们将化学稳定性、扩散和应力随时间推移的模型嵌入到双胞胎中，”Klesse 说。“这可以让您模拟粘合剂或密封剂在数月或数年后如何降解。”

此功能使工程师能够权衡短期产量和长期耐用性，同时优化材料和工艺。但可靠性领域也有其自身的挑战。模型依赖于将加速应力数据缩放到现实世界的条件下，如果这些缩放定律不一致，则预测将与现场性能不匹配。根据实际故障数据进行校准至关重要。

数字孪生也正在进入设计领域。多芯片系统在分区、互连和供电方面存在困难的选择。在设计早期做出的决定直接影响装配过程中发生的情况。如果在没有制造业的现实反馈的情况下做出这些选择，工程师可能会发现自己在不切实际的道路上走得太远。使用数字孪生进行架构探索可以帮助在流片之前识别风险，使团队能够比较权衡与封装限制。

“当我们进入多芯片（基于硅、基于小芯片的封装）时，许多客户仍然想知道何时该下跌，”新思科技研发执行董事 Sutirtha Kabir 说。“关键驱动因素是扩展、重用和缩短设计时间。如果没有基于孪生的架构探索，你就有可能在一条后来被证明是行不通的道路上走得太远。

这强化了双胞胎不仅限于生产车间的想法。它们是连接设计和制造的更广泛生态系统的一部分。当数据可以双向移动时，设计为工艺选择提供信息，制造反馈到设计中，节省成本和减少时间的潜力就会显着提高。

采用

障碍一些未解决的挑战削弱了对数字孪生的热情。首先是数据信任。封装孪生需要来自晶圆加工、组装和测试的信息，通常跨越公司边界。这引发了人们对知识产权风险的担忧。如果没有安全的框架和明确的治理，公司可能会犹豫是否提供有意义的模型所需的深度数据。即使在单个组织内，也可能存在限制集成的孤岛。仅看到部分信息的数字孪生可能会产生误导性而不是预测性。

与之密切相关的是模型信任问题。工程师不会采用数字孪生，除非其预测始终与现实世界的结果相匹配。验证不是一次性事件。必须经常根据生产数据检查模型以检测漂移。在早期试验中表现良好的模型可能会随着工艺配方的发展、材料的变化或包装类型的多样化而出现分歧。持续重新校准至关重要，但它会消耗资源并且需要严格的相关性研究。

另一个障碍是可解释性。工程师不太可能在不了解背后的原因的情况下遵循黑盒建议。如果模型建议增加压力或改变固化时间，团队需要知道原因。基于物理的孪生的优点是以工程师熟悉的方程为基础，但对于实时使用来说，它们可能太慢了。虽然机器学习模型运行得更快，但它们通常是不透明的。

现在正在探索混合方法，但它们需要提供工程师可以评估的解释。如果没有可解释性，无论预测的准确性如何，采用都会停滞不前。

延迟和计算成本对实施造成了很大影响。只有当模型能够足够快地执行以跟上生产速度时，实时校正才重要。高保真物理模拟是出了名的缓慢。降阶模型为了速度而牺牲了细节，但它们可能会错过重要的交互。将 AI 添加到组合中会有所帮助，但训练和维护这些模型会增加开销。在部分数据或近似值上运行的打包孪生可能会提供一些价值，但在它们能够在大批量制造窗口内提供可作的结果之前，它们的使用将仍然受到限制。

一般性是另一个问题。包装发展迅速。在一代中介层或材料堆栈上训练的模型可能不适用于下一代。工程师担心再培训的成本和过度拟合的风险。迁移学习方法正在研究中，但很少有方法在多代封装技术中得到证实。该行业将需要随着流程的变化而更新和调整孪生的策略，而不必每次都从头开始重建它们。

“双胞胎不仅仅是一个一劳永逸的模型，”PDF 的雅各布斯说。“你需要一个框架来进行持续验证、漂移检测，以及在底层流程发展时进行再训练。没有这一点，看起来像预测工具的东西就会变成一种负担。

设计和 EDA 专家也赞同这一警告观点，他们表示，如果没有强大的数据集成，封装孪生将失败。他们认为，除非就制图、坐标和界面的标准达成一致，否则模型将保持碎片化。

“我们看到了确保设计和制造一致性的挑战，”新思科技的 Kabir 说。“数字孪生必须充当桥梁，而不是另一个孤岛。否则，你最终会得到多个部分视图，这些视图加起来并不能构成一个完整的画面。

可靠性建模又增加了一层复杂性。可以对应力、扩散和退化机制进行建模，但只能在一定程度上建模。从短期加速测试中预测长期性能一直很困难，将这些推断嵌入到数字孪生中会增加风险。高估可靠性的模型可能会让过早的故障逃逸到现场。低估可靠性的模型可能会导致矫枉过正和产量降低。使用现场数据进行校准至关重要，但现场返回很少见且累积缓慢。

还有组织和文化障碍。许多晶圆厂和 OSAT 都习惯于保护他们的数据。分享它，即使是抽象的形式，也会挑战既定的做法。EDA、设备和装配公司之间的合作是必要的，但调整这些参与者之间的激励措施绝非易事。行业团体开始讨论标准化，但采用需要的不仅仅是技术解决方案。它将需要平衡竞争优势与共享基础设施的新商业模式。

孪生的下一步

走向尽管存在这些障碍，但人们对包装数字孪生的兴趣仍在继续增长，因为其优势非常引人注目。如果双胞胎能够在漂移成为故障之前发现漂移，建议在运行中途进行工艺更改，或者突出显示长期可靠性风险，可以节省数百万美元的产量和保修成本。将设计、晶圆厂、封装和测试链接到一个连续模型中的可能性仍然令人向往，但轨迹是明确的。

这种势头也是由外部力量推动的。市场窗口正在缩小，客户期望更快地交付复杂系统，减少意外。与此同时，产量损失的成本正在攀升。先进节点的报废和返工以及细间距封装的成本比过去几代要高得多，这使得预测控制的经济理由更加强大。

大多数工程师更喜欢提供建议的咨询系统，让人类专家做出最终决定。与航空业自动驾驶仪的使用一样，咨询系统可以减少工作量并处理日常任务，但飞行员仍然负责在异常情况下做出判断。包装双胞胎可能会遵循相同的轨迹，从咨询辅助工具开始，随着信心的建立，慢慢进入更具规范性的角色。

数字孪生的推动也与人工智能、机器学习和边缘计算等更大的行业趋势相交。随着越来越多的传感器添加到设备中，以及人工智能工具在处理嘈杂的多维数据方面的改进，实时模型的可行性也随之增加。但没有物理的人工智能可能会变得脆弱，而没有人工智能的物理可能会变得太慢。真正的价值可能在于将两者结合起来，使用物理来约束模型，使用人工智能来加速其执行。找到适当的平衡将是未来十年包装双胞胎面临的决定性挑战之一。

“挑战不仅仅是构建孪生，还在于使其在真实环境中可用，并在准确性、速度和可解释性之间取得适当的平衡，”西门子的 Kwan 说。“如果工程师不能每天使用它，那么模型多么优雅也无关紧要。”

结论

随着技术的成熟，数字孪生的范围可能会扩大。最初是优化单个流程步骤的一种方式，可能会演变成管理整个装配线的框架。孪生可用于调度工具、优化物料流，甚至模拟劳动力需求。可靠性孪生可以成为客户沟通的一部分，提供长期耐用性的证据。设计集成孪生可以通过更早地验证架构来缩短上市时间。

但所有这些都取决于对数据、模型和支持它们的生态系统的信任。如果没有这种信任，双胞胎就有可能成为另一层复杂性，而不是解决方案。有了它，他们可以将包装从一门被动的学科转变为一种预测性和规范性的学科，使设计意图与制造现实保持一致。

数字孪生的出现不是因为它们很时尚，而是因为它们的替代方案变得难以管理。复杂性正在超过传统方法。包装已成为一个关键的咽喉要道，小错误可能会演变成大故障。工程师需要新的工具来应对。尽管面临所有挑战，但数字孪生是最有前途的方法之一。