i卡會員

在AI與高效能運算驅動下，全球半導體加速走向先進製程與異質整合，使檢測技術成為確保良率與可靠度的核心能力。面對三維結構、多材料堆疊與奈米級缺陷，傳統檢測已不足以因應，AI驅動的智能化量測因而成為主流。本研究從微小缺陷、高深寬比結構(HAR)、寬能隙材料到TGV先進封裝，分析檢測技術的關鍵突破。AI模型(如ES-Net、GAN、虛擬量測)提升缺陷識別與資料覆蓋，多模態整合(光學、紅外、PL、XRT)增強三維與複合材料的缺陷檢出能力；T-SAXS與AI-OCD則將HAR量測推向亞奈米精度。檢測正從「發現缺陷」走向「預測與控制製程」，成為異質整合和智慧製造的重要基礎。展望未來在AI、量子感測與數位雙生的結合，將持續重塑半導體檢測生態。

【內容大綱】

• 一、AI驅動的異質整合檢測技術革新
  • (一)從製程微縮到異質整合架構
  • (二)檢測技術的核心變革驅動
  • (三)異質整合檢測的核心挑戰
  • (四)AI與異質整合作為雙主線
• 二、微小缺陷檢測的智能化與系統化
  • (一)2.1 AI專用架構：從偵測器到智慧感知中樞
  • (二)2.2多模態檢測：跨物理量的資訊融合
  • (三)2.3即時檢測與邊緣智能：從事後把關到前饋控制
  • (四)AI讓「看見」變成「理解」
• 三、高深寬比結構的精密量測與虛擬重建
  • (一)3.1 AI輔助OCD：在繞射極限邊緣拓展量測能力
  • (二)3.2 T-SAXS：從局部截面到三維輪廓的亞納米重建
  • (三)3.3 AI虛擬量測：從實體量測到數位雙生
  • (四)從「量不到」到「算得出」
• 四、寬能隙半導體的檢測架構
  • (一)4.1 SiC晶圓：多模態與AI驅動的差排圖譜
  • (二)4.2 GaN-on-Si：製程整合與缺陷抑制並行
  • (三)4.3生成式AI：解決小樣本缺陷學習的瓶頸
  • (四)4.4致命性缺陷評估：從「有無」到「影響幾何」
  • (五)從材料特性出發的檢測專用化
• 五、先進封裝與TGV製程的三維檢測策略
  • (一)5.1 TGV製程：從雷射改質到成品的全流程監控
  • (二)5.2高速雷射加工與檢測同步：從孔速到孔質
  • (三)5.3深孔影像重建：從切片到體積資訊
  • (四)封裝不只是「最後一里路」
• 六、多技術融合與AI驅動的檢測生態重構
  • (一)6.1多模態、多尺度整合：從設備到平台
  • (二)6.2 AI技術的深化應用：從模組到系統解決方案
  • (三)6.3檢測驅動的產業生態重構
  • (四)從單機思維到平台思維
• 七、邁向AI驅動、異質整合導向的智慧檢測新紀元
  • (一)7.1技術發展總結：從被動發現到主動預測
  • (二)7.2未來技術路線圖與策略建議
• IEKView

•  

【圖表大綱】

• 圖1、ES-Net的方法，在PCB缺陷數據集上測試後得到的實際輸出
• 圖2、基於非積分模型的散射測量原理示意圖
• 圖3、測量孔洞的3D形狀輪廓。(a) T-SAXS測量孔洞的橫截面輪廓，XY橫截面的彩虹色階表示孔洞的深度。(b) T-SAXS測量孔洞的3D顯示圖
• 圖4、MINUK可擷取1400微米深度範圍內的所有訊息，並可沿任意高度進行解析。