基于GAF-深度学习及弱电流源结构的TSV测试方法

基于gaf-深度学习及弱电流源结构的tsv测试方法
技术领域
1.本发明提供一种三维集成电路中tsv故障诊断方法，设计信号完整性测试领域。具体涉及一种基于格拉姆角场(gaf，gramianangularfield)与深度学习结合及弱电流源结构的tsv测试方法。


背景技术：

2.随着集成电路技术的迅速发展，集成电路呈现出了规模极大化、尺寸微纳化、功能多样化、材料新型化、信号高频化等特征。传统的二维并排布局已不能满足现有集成电路工艺对速度、功率效率、形状因子等的要求。而由引线键合、倒装芯片或tsv实现的3d堆叠集成可以满足集成电路的高速发展需求。在这些芯片堆叠互连技术中，tsv技术是最优的，它为不同层器件间提供了垂直导电通道，可以大幅度减短互连长度。然而tsv易受制造缺陷影响，tsv制造工艺引入的新缺陷会带来了新的测试挑战，并且传统的tsv探针测试方法存在局限性，这是由于tsv的密集度和tsv间的小间距，使探针测试单个tsv变得很困难。再加上tsv的尺寸非常的小，并且非常脆弱，用探针测试时，探针的机械应力可能会对tsv造成损坏。
3.本发明的设计思想在一定程度上打破了传统的探针测试方法的局限性，避免了探针直接接触造成的探针对与tsv接触点的损伤。将tsv作为负载，并且考虑tsv同时存在泄漏故障、空洞故障以及复合故障的情况，设计一种弱电流源结构，直流电源vdd通过传输门对tsv进行充电，并通过弱电流源进行放电，无论哪种故障，tsv的充放电速度都会发生变化。针对弱电流源结构对于泄漏故障可以很好分辨，但是对于空洞故障不够敏感问题，提出一种基于格拉姆角场法和mobilenetv2网络的tsv无损测试方法。该方法利用格拉姆角场最大限度保留输出端电压时间序列信号所具有特征，将时间序列信号转换为图片，有效地在计算机视觉与故障诊断之间架起桥梁。然后通过mobilenetv2网络进行故障识别与分类。所提方法具有良好的效果并为tsv故障测试提供了一种新的思路。


技术实现要素：

4.本发明目的在于有效利用人工智能算法在计算机视觉优势，针对现有方法测试技术不足，提出一种基于gaf-深度学习及弱电流源结构的tsv测试方法，避免了探针测试对tsv造成二次损伤的风险。对tsv的开路故障、泄露故障以及两种故障同时存在的复合故障进行测试，在区分故障类型的基础上，对不同故障位置处的微小故障进行测试并有良好的效果，测试集准确率达到96％以上。
5.一种基于gaf-深度学习及弱电流源结构的tsv测试方法。其中弱电流源测试结构部分，包括两个tg传输门a、b和两个反相器c、d以及镜像恒流源结构。
6.该方法将tsv作为负载进行测试，其中脉冲信号通过端口8与反相器c端口5连接，反相器c端口6与传输门端口11连接，反相器c端口5与传输门a端口10连接，其中传输门a的端口2与传输门b端口3连接。传输门b端口14与反相器d端口12连接，反相器d端口7与传输门
b端口13连接，传输门b端口4与镜像恒流源端口16连接，镜像恒流源端口15接地，其中tsv连接到传输门a端口2与传输门端口3之间，组成一个弱电流源测试结构。
7.提出的弱电流源测试结构部分，主要思想是通过脉冲信号控制传输门a打开对tsv进行充电，当tsv充电到预设电压vdd时，打开传输门b通过镜像恒流源进行放电，tsv的充放电时序信号会根据故障类型的不同发生变化。
8.提出的格拉姆角场法是将一维时间序列数据编码为唯一的二维图片，gaf作为良好的图像编码方法，有效地在计算机视觉与故障诊断之间架起桥梁。
9.提出的mobilenetv2网络结构，相比mobilenetv1网络准确率更高，模型更小，并且引用倒残差网络结构，在结构最后一层采用线性层。网络为全卷积的，使得模型可以适应不同尺寸的图像。
10.一种基于gaf-深度学习及弱电流源结构的tsv测试方法，具体包括如下步骤：
11.1)如附图1所示，通过脉冲信号与反相器控制传输门打开关闭，当传输门a打开时，传输门b关闭，tsv由vdd充电到预设电压vdd，随后传输门b打开，传输门a关闭，tsv通过镜像恒流源放电。其中镜像恒流源结构如附图2所示。
12.2)直流电源电压vdd为1.8v，通过附图1的结构获取无故障tsv运行300次蒙特卡洛分析时序信号数据。并且泄漏故障rleak范围设为10-300k，步长为1k，空洞故障ropen范围为10k-310k，步长为1k，复合故障为rleak在10k-20k，步长为1k范围，ropen在10k-25k，步长为1k范围。这样做的目的是不同类型故障获取300个作为数据样本。
13.3)将获取的无故障、泄漏故障、空洞故障以及复合故障的300个数据样本通过格拉姆角场法转换为图片数据集，然后划分训练集与测试集，其中训练集占80％，测试集占20％。
14.4)通过mobilenetv2网络对前两步获得的tsv故障图片数据集进行图像识别与故障分类。
15.本发明的有益效果在于：
16.针对现有方法对tsv存在复合故障研究不足的问题，本发明提出一种基于gaf-深度学习及弱电流源结构的tsv测试方法，研究tsv存在复合故障、单一空洞故障、单一泄漏故障情况下结构参数改变时对信号传输性能的影响。在制造tsv时综合考虑tsv的结构参数，降低制造成本，尽量减少由于tsv堆叠带来的信号完整性问题，规避了探针测试对tsv造成二次损伤的风险。并且考虑弱电流源结构对泄漏故障与复合故障充放电信号不敏感问题，通过引入格拉姆角场与深度学习结合方法进行准确分类，并对tsv不同故障位置处微小故障进行测试并有较好的效果，测试集准确率达到96％以上。
附图说明
17.图1为基于gaf-深度学习及弱电流源结构的tsv测试结构图；
18.图2为tsv测试的镜像恒流源结构图；
19.图3为tsv简化电气模型图；
20.图4为tsv弱电流源测试流程图；
21.图5为tsv故障识别分类方法主要步骤流程示意图；
22.图6为不同故障情况下tsv充放电时序信号图；
23.图7为mobilenetv2对tsv不同故障类型识别结果热力图；
具体实施方式
24.下面结合附图和实施例对本发明做进一步阐述，但不是对本发明的限定。
25.图1所示是基于gaf-深度学习及弱电流源结构的tsv测试结构，该结构中脉冲信号控制传输门打开与关闭，当传输门a打开时，传输门b会关闭，进而vdd对tsv进行充电操作，当达到预设电压，脉冲信号控制传输门a关闭，传输门b打开，通过镜像恒流源进行放电。
26.图2所示是根据镜像恒流源设计的弱电流源结构，值得注意的是设计合适的镜像恒流源可以减小电流会使得放电时间变长，进而更容易区分不同故障信号。
27.图3所示，无故障tsv和故障tsv的等效电路有4种：
①
无故障tsv可以等效为一个电容；
②
当tsv内部金属未填充满时，就会产生空洞缺陷，空洞的出现会增加tsv自身的电阻值，增加部分为ropen，tsv无故障时，ropen为0，tsv发生完全开路时，ropen为无穷大，出现空洞的任意位置x将tsv划分为上下两部分，即等效电容c1和c2；
③
包裹tsv的sio2绝缘层上出现针孔缺陷，导致tsv电流泄漏到衬底，从而引发泄漏故障，泄漏故障电阻值为rleak，针孔缺陷越大，漏电电阻rleak越小，故障越严重，当rleak无穷大时，tsv无故障；
④
由于制作工艺的不成熟，实际制作过程中，在一个tsv里面可能会存在如下情况：包裹tsv的sio2绝缘层出现针孔缺陷，同时其内部金属填充不完全，导致tsv同时出现泄漏故障和电阻开路故障。
28.图4所示tsv故障测试流程图中，电源电压为1.8v，在图1的测试结构中，当tsv测试电路工作，通过脉冲信号控制传输门a打开，b关闭，tsv等效电容由电源进行充电，当tsv等效电容达到预设电压时，传输门a关闭，b打开，进而通过弱电流源放电，最后提取tsv不同类型故障充放电数据。
29.图5是无故障以及tsv泄露故障、空洞故障以及两种故障同时存在的复合故障条件下输出端充放电信号。
30.图6是通过将获取tsv不同类型故障的300个数据样本通过格拉姆角场法转换为图片数据集后，将数据集按照比例划分为训练集与测试集，其中训练集占80％，测试集占20％，根据mobilenetv2良好的图像识别能力，得到测试集实际故障预测准确率热力图。

技术特征：
1.基于gaf-深度学习及弱电流源结构的tsv测试方法，其特征在于：所述tsv故障识别分类方法是按照下列步骤进行的：(1)通过hspice搭建弱电流源测试结构采集tsv四类充放电信号，四类信号分别是无故障、泄漏故障、空洞故障以及泄漏故障、空洞故障同时存在的复合故障。(2)为保证图片信息的充足，取信号中连续长度为300的时间短序列作为格拉姆算法的输入，将截取到的时间序列转化为(.csv)格式文件，导入格拉姆算法，运行后可得到这个时间段内的tsv充放电信号特征图，设置图片大小为256
×
256；(3)将信号特征图输入mobilenetv2网络的卷积层，通过深度可分离卷积模块，提取深层的图片特征，最后通过全连接层和softmax映射到最后的分类数目上，最后得到tsv故障分类结果。2.根据权利要求1提出的基于gaf-深度学习及弱电流源结构的tsv测试方法，其特征在于：步骤(1)提出的弱电流源结构包括两个反相器和两个传输门以及一个镜像恒流源，传输门可以看做开关，通过在cmos管栅极由反相器产生的互补脉冲信号电压控制；镜像恒流源的部分，作用是减缓tsv放电速度，有利于故障检测。3.根据权利要求1提出的基于gaf-深度学习及弱电流源结构的tsv测试方法，其特征在于：步骤(2)包含以下步骤：(1)给定时间序列为x＝[x1,x2,
…
,xn]，首先进行最大最小值特征缩放：(2)通过编码如下值表示极坐标中重新定标的时间序列x：在上面等式中，t
i
是时间戳，而n是调整极坐标范围的常数因子，φ为时间序列中各值的角余弦，且其取值范围为最后将缩放后的时间序列转换为极坐标系统中的值。(3)格拉姆角场法有两种不同编码方法，格拉姆角和场法(gasf)和格拉姆角差场法(gadf)，定义了格拉姆角和场法，如下：定义了格拉姆角差法，如下：4.根据权利要求1提出的基于gaf-深度学习及弱电流源结构的tsv测试方法，其特征在于：步骤(3)提出的mobilenetv2网络是一个轻量型卷积神经网络，使用深度可分离卷积，其引入倒残差结构和线性激活函数，相较于传统残差神经网络结构，其对于输入特征矩阵采用1x1卷积核将通道变得更深，再通过3x3的卷积核进行逐通道卷积提取特征，最后再采用1x1卷积核进行降维处理。针对倒残差结构的最后一个1x1卷积层，使用了线性激活函数代
替原本的非线性激活变换，防止非线性激活变换破坏太多信息。

技术总结
本发明公开一种基于GAF-深度学习及弱电流源结构的TSV测试方法，包括首先引入格拉姆角场算法对TSV故障信号的时间域进行预处理，将一维的时间信号转换为二维的图片信息；然后利用机器视觉优势，通过一种深度学习MobileNetV2算法识别二维图片信号中的特征并进一步完成分类，其中TSV故障信号通过搭建弱电流源测试结构提取。该方法有效解决探针测试会对TSV造成二次损伤和内建自测试方法识别精度不足问题，以及针对现有方法对于TSV存在复合故障研究较少情况，对复合故障进行研究。并且该方法对不同故障位置处的微小故障进行测试，测试集准确率达到96％以上。测试集准确率达到96％以上。测试集准确率达到96％以上。


技术研发人员：尚玉玲 段阁飞 梅礼鹏 李春泉 耿龙禄 侯杏娜
受保护的技术使用者：桂林电子科技大学
技术研发日：2023.06.30
技术公布日：2023/8/13