Michael Kögel vom Fraunhofer IMWS auf ISTFA 2019 ausgezeichnet

17. Dezember 2019

Mit seiner Arbeit »Machine learning assisted signal analysis in Acoustic Microscopy for non-destructive defect identification« wurde Michael Kögel vom Fraunhofer-Institut für Mikrostruktur von Werkstoffen und Systemen IMWS in Halle (Saale) mit dem Preis für das »Attendees‘ Best Paper« der internationalen Fachkonferenz ISTFA 2019 in Portland/USA ausgezeichnet.

Mann präsentiert vor Publikum
© ASM InternationalFraunhofer
Beim International Symposium for Testing and Failure Analysis (ISTFA) in Portland wur-den insgesamt sechs Preise verliehen.
© Fraunhofer IMWS
Michael Kögel wurde für das »Attendees‘ Best Paper« ausgezeichnet.

Das »International Symposium for Testing and Failure Analysis (ISTFA)« ist eine der weltweit wichtigsten Fachtagungen für die Fehlerdiagnostik in den Materialwissenschaften. Das Fraunhofer IMWS ist dort regelmäßig präsent und stellt neue Erkenntnisse insbesondere zur Fehlerdiagnostik und -analyse mikroelektronischer Technologien vor.

Die Publikation von Michael Kögel, an der Dr. Sebastian Brand und Frank Altmann vom Fraunhofer IMWS mitgewirkt haben, stellt die Möglichkeiten vor, die sich durch die Kombination zweier innovativer Technologien ergeben: Die akustische Mikroskopie (SAM, Scanning Acoustic Microscopy), also die Untersuchung von Materialien mit fokussierten Ultraschallwellen, ermöglicht eine zerstörungsfreie Fehlerinspektion in Werkstoffen und komplexen Systemen. Maschinelles Lernen kann genutzt werden, um die dabei gemessenen Signale schneller und zuverlässiger zu analysieren und relevante Erkenntnisse aus den Daten zu extrahieren.

»Die Signalverarbeitung und Dateninterpretation in der akustischen Mikroskopie ist oft eine Herausforderung und basiert auf den subjektiven Entscheidungen des Operators. Dadurch hängen die Ergebnisse der Defekterkennung und -klassifizierung stark von dessen Erfahrung ab. Wir haben ein Verfahren entwickelt, das die Signalanalyse über die derzeit verfügbaren Möglichkeiten hinaus erweitert, um vom Bediener unabhängige, objektive Entscheidungen aus den Messdaten ableiten zu können«, sagt Kögel.

Im Paper zeigen die Experten des Fraunhofer IMWS zwei Verfahren, die überwachte und unüberwachte Lerntechniken (supervised/unsupervised learning) für die Merkmalsextraktion und Bildsegmentierung verwenden und auch kombinieren. So wird eine automatisierte Klassifizierung und prädiktive Fehleranalyse auf der Basis von SAM-Daten möglich.

Exemplarisch nutzten die Forscher eine defekte CPU (Central Processing Unit), die in Flip-Chip-Technologie aufgebaut waren. Bei dieser Technik, die vor allem bei sehr komplexen Schaltkreisen genutzt wird, ist die aktive Kontaktierungsseite der Chips elektrisch direkt mit dem Substrat verbunden, also ohne die Notwendigkeit, die elektrische Kontaktierung über Drähte zu realisieren. Die Kontaktpunkte zwischen Substrat und den Schaltungsstrukturen der Chips werden als »Bumps« bezeichnet und mittels Beschichtungen und Ätzverfahren erzeugt. Dabei können Defekte entstehen – fehlerhafte Bumps unterbrechen die elektrischen Verbindungen im Schaltkreis und beeinträchtigen entsprechend die Funktionalität. Informationen über derartige Defekte können mit akustischer Mikroskopie zerstörungsfrei erfasst werden. Die relevante Information kann dabei aber in den gemessenen Echosignalen »versteckt« sein.

Der von Kögel und seinen Kollegen entwickelte Ansatz nutzt eine große Datenmenge, identifiziert darin auffällige Signalkomponenten der akustischen Echosignale und erlaubt es somit, Aussagen über den Zustand der Bumps zu treffen. Ob anhand der Machine-Learning-Methode richtige Vorhersagen getroffen wurden, überprüften die Fraunhofer-Forscher durch Untersuchungen der entsprechenden Chips mit hochauflösenden Bildgebungsverfahren und konnten ihr Modell somit verifizieren.

Mit weiteren Daten wurde das Modell, basierend auf einem eindimensionalen Convolutional Neural Network (CNN), dann zur Feinabstimmung weiter trainiert. »Das Modell war empfindlich gegenüber kritischen Merkmalen der akustischen Echosignale und ermöglichte die automatisierte Klassifizierung zwischen intakten Bumps, defekten Bumps und separaten Probenstrukturen. Auch diesen Ansatz haben wir durch eine zusätzliche physikalische Analyse der Testproben, die mehrere Defekte in den Flip-Chip-Kontakten enthielten, verifiziert«, erklärt Kögel. Das Klassifikationsmodell erreichte eine Genauigkeit von über 97 Prozent und konnte bereits erfolgreich auf eine unbekannte Probe angewendet werden. Kögel ist überzeugt vom Potenzial der Konzepte des maschinellen Lernens: »Künstliche Intelligenz kann uns helfen, die Fehleranalyse in der Zukunft noch effizienter und genauer zu machen.«