一种微系统金属互联结构可靠性评估方法技术方案

本发明专利技术公开了一种微系统金属互连结构可靠性评估方法，方法包括依据工艺信息构建多物理场合有限元模型，依据工艺指标构建理论边界条件有限元计算，在理论边界条件的基础上利用随机数扩展边界，增加计算样本，构建六层深度学习网络，将实测电流、温度数据作为输入获得互连结构的可靠性状态，无需大量实测历史数据实现深度学习网络构建，将数值模型方法和数据驱动方法有机结合。

【技术实现步骤摘要】
一种微系统金属互联结构可靠性评估方法
本专利技术属于微机电系统封装互连
，特别是涉及一种微系统金属互连结构可靠性评估方法。
技术介绍
随着微电子、微机电系统、LED等微系统制造技术快速发展，以硅通孔（TSV）、引线键合为代表的微互连结构是器件进行电、热能量传递和交换的关键载体，往往成为器件失效的主要根源，一是互连结构受到热应力的作用，导致界面分层、裂纹等缺陷产生；二是电迁移的作用下金属互连结构中产生因原子的聚集或原子的消耗而形成小丘或孔洞等缺陷，从而加速器件的失效扩展。为了提高互连结构的可靠性，并能够对工作中的可靠性状态进行评估和预测，主要方法有两类：一是通过建立半导体器件功能、微加工工艺、封装工艺、可靠性加速试验等环节的多物理场耦合数值仿真模型，以设计、评估、优化微电子封装器件的性能、工艺参数、结构、材料、可靠性等，从而实现提高电子产品性能、提升可靠性；二是根据历史经验数据建立机器学习模型对结构的可靠性进行数据驱动评估预测。数值模型方法的优点是可以计算机中进行大量样本的模拟计算，不足之处是模型的计算需要时间较长，难以满足实时的可靠性评估。数据驱动方法的优点是学习模型建立后，可以依据实时条件进行即时评估预测，不足之处是需要大量有效的历史载荷数据和失效数据，而在实际应用中，各种微系统结构难以进行大量的实验来获取这些数据。
技术实现思路
为解决上述问题，本专利技术提供一种微系统金属互连结构可靠性评估方法，采用混合方法解决训练数据不足和实时性的问题本专利技术通过以下技术方案实现：一种微系统金属互连结构可靠性评估方法，包括如下步骤：步骤一：根据微系统互连结构工艺信息，构建微系统互连结构的精确力电热多物理场耦合有限元模型；步骤二：根据微系统互连机构工艺指标，建立特征电流数组I[i]、电流载荷工作时间数组t1[j]、特征温度数组T[k]、温度载荷时间数组t2[m]；步骤三：建立理论边界条件，分别将特征电流数组I[i]、特征温度数组T[k]的数值随机排序作为载荷条件，分别将电流载荷工作时间数组t1[j]、温度载荷时间数组t2[m]的数值随机排序作为所述载荷条件的加载时间，根据所述载荷条件和载荷条件的加载时间进行有限元模型的时域有限元计算；步骤四：将所述载荷条件数值随机增加或减少，将载荷条件的加载时间数值随机增加或减少，形成大于或等于第一阈值个数的有限元计算模型进行时域有限元计算。步骤五：构建深度学习网络，所述深度学习网络的输入量为微系统互连机构工艺指标构成的矩阵，即特征电流数组I[i]、电流载荷工作时间数组t1[j]、特征温度数组T[k]和温度载荷时间数组t2[m]四个数组构成的矩阵，所述深度学习网络的输出量为理论原子浓度降低比例和理论最大vonMises应力，随机获取整体有限元模型计算结果，依据第二阈值从整体有限元计算结果中选取数据作为学习数据，剩余有限元计算结果作为验证数据，形成深度学习网络；步骤六：对微系统互连结构采用实测方法获得实际特征电流数组Ie[i]、实际电流载荷工作时间数组te1[j]、实际特征温度数组Te[k]、实际温度载荷时间数组te2[m]，并将实测的四个数组数据输入到所述深度学习网络中，从深度学习网络中获取实际当前原子浓度降低比例和实际最大vonMises应力，将理论原子浓度降低比例和理论最大vonMises应力与实际当前原子浓度低比例和实际最大vonMises应力进行分析，以获取微系统金属互连结构的可靠性状态。所述步骤一种工艺信息包括互连结构的几何参数、材料本构关系。所述步骤二中特征电流数组I[i]、电流载荷工作时间数组t1[j]、特征温度数组T[k]和温度载荷时间数组t2[m]各数组的数组个数为1至n个，n为大于1的一个整数。所述步骤二中电流载荷工作时间数组t1[j]对应特征电流数组I[i]的载荷经历时间，温度载荷时间数组t2[m]对应特征温度数组T[k]，特征电流数组I[i]和电流载荷工作时间数组t1[j]中数值个数相同，且一一对应，特征温度数组T[k]和温度载荷时间数组t2[m]中数值个数相同且一一对应。所述电流载荷工作时间数组t1[j]和温度载荷时间数组t2[m]的各自数组元素之和相等，且电流载荷工作时间数组t1[j]中t1[j]时段的有限元计算结果形成t1[j+1]时段计算模型的初始状态。所述载荷条件数值以载荷条件数值范围内的10%-20%随机增加或减少，所述载荷条件加载时间数值以载荷条件加载时间数值范围内的20%-30%随机增加或减少。所述步骤四中第一阈值的数值为10，所述步骤五中，第二阈值的百分比为60%。所述深度学习网络为六层深度学习网络，所述六层深度学习网络第一层采用稀疏自动编码器，第二至五层采用通用自动编码器，第六层采用支持向量机。所述步骤六中实际特征电流数组Ie[i]、实际电流载荷工作时间数组te1[j]、实际特征温度数组Te[k]、实际温度载荷时间数组te2[m]为历史测量数据计算而得。本专利技术提供一种微系统金属互连结构可靠性评估方法，将数值模拟仿真和人工智能数据驱动方法混合，充分考虑互连结构热应力和电迁移两种主要失效模式，所构建的载荷边界条件能够更充分的反应不同电流、温度载荷及时间组合下互连结构电迁移和热应力状态内在的非线性关系。通过训练形成的深度学习网络能够快速有效评估微系统互连结构在实际工作中的可靠性状态。附图说明图1是微系统金属互连结构可靠性评估架构框图。具体实施方式下面将结合本专利技术中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例实例仅仅是本专利技术一部分实施实例，而不是全部的实施实例，基于本专利技术的实施实例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施实例，都属于本专利技术保护的范围。如图1所示，一种微系统金属互连结构可靠性评估架构框图，下面以硅通孔互连结构的可靠性评估为例进行详细描述。根据硅通孔互连结构工艺信息，构建硅通孔有限元仿真模型，模型中硅通孔的直径为50um，间距为300um，厚度为100um，焊盘的厚度为5um，直径为100um，其中硅通孔中金属和焊盘金属均为铜；根据硅通孔互连结构工艺设计指标，建立特征电流数组I[i]=(2×109，2.5×109，3×109，3.5×109)，单位为A/㎡，各电流对应的电流载荷工作时间数组t1[j]=(102，104，105，106)，单位为分钟；特征温度数组T[k]=(25，50，100，150)，单位为℃，特征温度数组对应的温度载荷时间数组t2[m]=(102，104，105，106)，单位为分钟；而后建立理论边界条件，分别将特征电流数组I[i]、特征温度数组T[k]内的数值随机排序作为有限元分析的载荷条件，将电流载荷工作数组t1[j]、温度载荷时间数组t2[m]中的数值随机排序作为对应载荷条件加载时间，形成计算模型进行计算，比如随机生成特征电流数组I[i]=(2.5×109，2×109，3.5×109，3×109)、电流载荷工作时间数组t1[j]=(104，102，105，106)、特征温度数组T[k]=(25，100，50，150)和温度载荷时间数组t2[m]=(102，104，105，106)作为有限元分析的边界条件，按照这种方法形成200个以上模型进行时域有本文档来自技高网...

【技术保护点】
1.一种微系统金属互连结构可靠性评估方法，其特征在于：包括如下步骤：步骤一：根据微系统互连结构工艺信息，构建微系统互连结构的精确力电热多物理场耦合有限元模型；步骤二：根据微系统互连机构工艺指标，建立特征电流数组I[i]、电流载荷工作时间数组t1[j]、特征温度数组T[k]、温度载荷时间数组t2[m]；步骤三：建立理论边界条件，分别将特征电流数组I[i]、特征温度数组T[k]的数值随机排序作为载荷条件，分别将电流载荷工作时间数组t1[j]、温度载荷时间数组t2[m]的数值随机排序作为所述载荷条件的加载时间，根据所述载荷条件和载荷条件的加载时间进行有限元模型的时域有限元计算；步骤四：将所述载荷条件数值随机增加或减少，将载荷条件的加载时间数值随机增加或减少，形成大于或等于第一阈值个数的有限元计算模型进行时域有限元计算；步骤五：构建深度学习网络，所述深度学习网络的输入量为微系统互连机构工艺指标构成的矩阵，即特征电流数组I[i]、电流载荷工作时间数组t1[j]、特征温度数组T[k]和温度载荷时间数组t2[m]四个数组构成的矩阵，所述深度学习网络的输出量为理论原子浓度降低比例和理论最大vonMises应力，随机获取整体有限元模型计算结果，依据第二阈值从整体有限元计算结果中选取数据作为学习数据，剩余有限元计算结果作为验证数据，形成深度学习网络；步骤六：对微系统互连结构采用实测方法获得实际特征电流数组Ie[i]、实际电流载荷工作时间数组te1[j]、实际特征温度数组Te[k]、实际温度载荷时间数组te2[m]，并将实测的四个数组数据输入到所述深度学习网络中，从深度学习网络中获取实际当前原子浓度降低比例和实际最大vonMises应力，将理论原子浓度降低比例和理论最大vonMises应力与实际当前原子浓度低比例和实际最大vonMises应力进行分析，以获取微系统金属互连结构的可靠性状态。...

【技术特征摘要】
1.一种微系统金属互连结构可靠性评估方法，其特征在于：包括如下步骤：步骤一：根据微系统互连结构工艺信息，构建微系统互连结构的精确力电热多物理场耦合有限元模型；步骤二：根据微系统互连机构工艺指标，建立特征电流数组I[i]、电流载荷工作时间数组t1[j]、特征温度数组T[k]、温度载荷时间数组t2[m]；步骤三：建立理论边界条件，分别将特征电流数组I[i]、特征温度数组T[k]的数值随机排序作为载荷条件，分别将电流载荷工作时间数组t1[j]、温度载荷时间数组t2[m]的数值随机排序作为所述载荷条件的加载时间，根据所述载荷条件和载荷条件的加载时间进行有限元模型的时域有限元计算；步骤四：将所述载荷条件数值随机增加或减少，将载荷条件的加载时间数值随机增加或减少，形成大于或等于第一阈值个数的有限元计算模型进行时域有限元计算；步骤五：构建深度学习网络，所述深度学习网络的输入量为微系统互连机构工艺指标构成的矩阵，即特征电流数组I[i]、电流载荷工作时间数组t1[j]、特征温度数组T[k]和温度载荷时间数组t2[m]四个数组构成的矩阵，所述深度学习网络的输出量为理论原子浓度降低比例和理论最大vonMises应力，随机获取整体有限元模型计算结果，依据第二阈值从整体有限元计算结果中选取数据作为学习数据，剩余有限元计算结果作为验证数据，形成深度学习网络；步骤六：对微系统互连结构采用实测方法获得实际特征电流数组Ie[i]、实际电流载荷工作时间数组te1[j]、实际特征温度数组Te[k]、实际温度载荷时间数组te2[m]，并将实测的四个数组数据输入到所述深度学习网络中，从深度学习网络中获取实际当前原子浓度降低比例和实际最大vonMises应力，将理论原子浓度降低比例和理论最大vonMises应力与实际当前原子浓度低比例和实际最大vonMises应力进行分析，以获取微系统金属互连结构的可靠性状态。2.根据权利要求1所述的微系统金属互连结构可靠性评估方法，其特征在于：所述步骤一种工艺信息包括互连结构的...

【专利技术属性】
技术研发人员：宋晓辉，赵华东，张瑞，李和林，吕鹏，许俊杰，宋方超，张景双，
申请(专利权)人：郑州大学，郑州郑大智能科技股份有限公司，
类型：发明
国别省市：河南,41