[發(fā)明專(zhuān)利]一種基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910796375.6
• 申請(qǐng)日: 2019-08-27
• 公開(kāi)（公告）號(hào): CN110543905A
• 公開(kāi)（公告）日: 2019-12-06
• 發(fā)明（設(shè)計(jì)）人: 陳壽宏;康懷強(qiáng);馬峻;侯杏娜;尚玉玲;郭玲
• 申請(qǐng)（專(zhuān)利權(quán)）人: 桂林電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 11429 北京中濟(jì)緯天專(zhuān)利代理有限公司
• 代理人: 石燕妮<國(guó)際申請(qǐng)>=<國(guó)際公布>=<進(jìn)入

本發(fā)明公開(kāi)了一種基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，包括獲取TSV半徑，并以半徑為數(shù)據(jù)分類(lèi)依據(jù)，設(shè)置標(biāo)簽；獲取樣本數(shù)據(jù)基于極限學(xué)習(xí)機(jī)算法輸出節(jié)點(diǎn)個(gè)數(shù)；其中，所述樣本數(shù)據(jù)包括激勵(lì)頻率、輸入反射系數(shù)、反向傳輸系數(shù)和標(biāo)簽；基于粒子群算法對(duì)節(jié)點(diǎn)個(gè)數(shù)進(jìn)行優(yōu)化，得到期望節(jié)點(diǎn)個(gè)數(shù)；實(shí)現(xiàn)通過(guò)不同頻率的激勵(lì)信號(hào)和S參數(shù)，利用PSO?ELM模型對(duì)其進(jìn)行分類(lèi)處理，預(yù)測(cè)發(fā)生空洞故障的大小，提高了TSV故障檢測(cè)準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及TSV空洞檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法。

背景技術(shù)

隨著3DTSV技術(shù)的迅速發(fā)展，對(duì)于TSV故障的檢測(cè)，提高產(chǎn)品的良率就顯得尤為重要。在2010年，半導(dǎo)體業(yè)界提出了CuTSV工藝方法，因此在近幾年三維集成技術(shù)獲得了空前的發(fā)展。硅通孔(through silicon via,TSV)是通過(guò)在硅片上制作通孔，再向內(nèi)填充導(dǎo)電物質(zhì)，結(jié)合凸點(diǎn)實(shí)現(xiàn)芯片和芯片間的垂直導(dǎo)通。但是由于TSV制造的方法和工藝技術(shù)并沒(méi)有完全統(tǒng)一，且TSV的制造過(guò)程又都在微米級(jí)上進(jìn)行，因此在不同工藝和技術(shù)下制造的TSV極易發(fā)生故障并且不易發(fā)現(xiàn)。TSV故障難以準(zhǔn)確檢測(cè)且對(duì)產(chǎn)品的良品率影響較大，作為新型互連技術(shù)，針對(duì)TSV的故障檢測(cè)至關(guān)重要，這也是電子成品性能的重要保證，因此急需準(zhǔn)確檢測(cè)TSV空洞的方法。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，通過(guò)采用有監(jiān)督的機(jī)器學(xué)習(xí)方法，訓(xùn)練發(fā)生空洞故障TSV模型中的S參數(shù)，通過(guò)不同頻率的激勵(lì)信號(hào)和S參數(shù)，利用PSO-ELM模型對(duì)其進(jìn)行分類(lèi)處理，預(yù)測(cè)發(fā)生空洞故障的大小，提高了TSV故障檢測(cè)準(zhǔn)確率。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，包括：

獲取TSV半徑，并以半徑為數(shù)據(jù)分類(lèi)依據(jù)，設(shè)置標(biāo)簽；

獲取樣本數(shù)據(jù)基于極限學(xué)習(xí)機(jī)算法輸出節(jié)點(diǎn)個(gè)數(shù)；其中，所述樣本數(shù)據(jù)包括激勵(lì)頻率、輸入反射系數(shù)、反向傳輸系數(shù)和標(biāo)簽；

基于粒子群算法對(duì)節(jié)點(diǎn)個(gè)數(shù)進(jìn)行優(yōu)化，得到期望節(jié)點(diǎn)個(gè)數(shù)。

在一實(shí)施方式中，所述獲取樣本數(shù)據(jù)基于極限學(xué)習(xí)機(jī)算法輸出節(jié)點(diǎn)個(gè)數(shù)，包括：

建立ELM模型；

獲取樣本數(shù)據(jù)輸入ELM模型中，以預(yù)設(shè)標(biāo)簽為期望輸出，所述ELM模型包括輸入層、隱含層和輸出層；

獲取初始激活函數(shù)、初始權(quán)重和偏置，并基于特征映射矩陣輸出節(jié)點(diǎn)個(gè)數(shù)。

在一實(shí)施方式中，所述獲取樣本數(shù)據(jù)輸入ELM模型中，以預(yù)設(shè)標(biāo)簽為期望輸出，所述ELM模型包括輸入層、隱含層和輸出層，包括：

獲取所述輸入層接收的外來(lái)數(shù)據(jù)，并將外來(lái)數(shù)據(jù)傳遞至所述隱含層進(jìn)行計(jì)算、整理處理；

輸出所述隱含層的計(jì)算結(jié)果。

在一實(shí)施方式中，所述獲取初始激活函數(shù)、初始權(quán)重和偏置，并基于特征映射矩陣輸出節(jié)點(diǎn)個(gè)數(shù)，其中所述樣本數(shù)據(jù)中共有N個(gè)不同的樣本(x_i，t_i)，X_i為其對(duì)應(yīng)的第i個(gè)樣本，標(biāo)簽為t_i，所述特征映射矩陣為：

Hβ＝T；

其中，ω_i表示連接第i個(gè)隱含層神經(jīng)元和輸入層神經(jīng)元的輸入權(quán)值，b_i表示第i個(gè)隱含層神經(jīng)元的偏置，β表示輸出層和隱含層之間的權(quán)值矩陣，T表示訓(xùn)練樣本期望輸出矩陣。

在一實(shí)施方式中，所述獲取初始激活函數(shù)、初始權(quán)重和偏置，并基于特征映射矩陣輸出節(jié)點(diǎn)個(gè)數(shù)，其中所述初始權(quán)重和偏置滿足第一函數(shù)，所述第一函數(shù)為：