透视芯片封装的“隐秘角落”：扫描声学显微镜（SAM）技术如何为先进封装保驾护航

万亿市场下的“看不见的挑战”

半导体行业正处于一个由算力需求驱动的结构性超级周期之中。据行业预测，全球微电子封装市场的规模预计将从2021年的约5900亿美元，增长至2030年突破10650亿美元的大关（如图1所示）。这一增长的背后，是封装技术向着更高密度、更强功能和更小尺寸的持续演进。从传统的双列直插封装（DIP）到如今尖端的3D集成电路（3D-IC）和异构集成，芯片封装正经历一场深刻的革命，其I/O密度呈指数级增长，而特征尺寸则不断微缩（如图2所示）。

图1：2020 年至 2030 年微电子封装市场规模估算

图源：MDPI

图2：微电子封装的发展演变

图源：MDPI

然而，这场技术革命也带来了一个“看不见的挑战”。随着生产步骤的增多和元器件的微型化，制造缺陷的产生概率也随之上升。这些微观缺陷——如界面分层、内部空洞或微裂纹——往往无法通过标准的电学测试发现，却对产品的长期可靠性构成致命威胁。因此，先进的无损检测与评估（NDE/T）技术不再是可有可无的选项，而是保障整个产业链质量与信誉的基石。

在众多无损检测技术中，扫描声学显微镜（Scanning Acoustic Microscopy, SAM）凭借其独特的物理原理和对界面缺陷的超高灵敏度，已成为应对这些新挑战不可或缺的工具。它如同一双“声学之眼”，能够穿透封装材料的层层迷雾，为先进封装的结构完整性保驾护航。

检测技术的困境：传统无损检测方法的局限性

对先进封装进行无损检测是一项极其复杂的任务。这些封装体由多层超薄材料构成，集成了半导体裸片、金属互连、聚合物基底填充剂和塑料封装剂等，其声学特性差异巨大且结构尺寸已达微米级别。这种异构性和微观性使得传统的无损检测方法常常陷入困境。

为了更清晰地理解这一挑战，我们简要评估几种主流的无损检测技术及其在先进封装领域的局限性：

X射线成像 (X-ray Imaging)：

•优势：X射线对材料密度差异极为敏感，因此在检测体积型缺陷（如焊球中的较大空洞或金属填充不足）方面表现出色。

•局限性：它难以识别密度差异不明显的界面平面缺陷，例如材料层之间的分层或粘接不良。此外，高功率的电离辐射可能会对日益敏感的集成电路造成潜在损伤。

红外热成像 (Infrared Thermography, IRT)：

•优势：IRT通过捕捉封装体在热激励下的表面温度分布来识别异常，其检测速度快，非常适合进行在线质量监控。

•局限性：其空间分辨率远低于SAM（>200µm），难以精确定位微小的内部缺陷。对于深埋在封装内部的微小瑕疵，其热信号在传导至表面时会发生弥散，导致定位模糊。

声学显微镜的崛起：深入剖析SAM技术原理与优势

扫描声学显微镜（SAM）正是为解决上述困境而生的理想方案。它作为一种基于沉浸式超声波的技术，已在微电子封装制造行业得到广泛应用。其独特之处在于结合了高频超声波、强聚焦声学透镜和精密的机械扫描，从而实现了微米级的分辨率。

SAM的核心在于其基于高频超声波的物理原理：它将待测样品浸入在水等耦合剂中，通过一个既能发射又能接收声波的换能器（在最常见的脉冲回波模式下），向样品内部发射一束高度聚焦的超高频声波脉冲。当声波在封装内部传播时，每遇到一个由不同材料构成的界面（如芯片-粘接层、填充剂-基板），部分声能会被反射回来。换能器捕捉这些回波信号，通过分析其振幅和到达时间（飞行时间，ToF），便可构建出封装内部的“声学图像”。缺陷（如空洞或分层）会在其界面处（例如硅与空气间）造成显著的声阻抗失配，导致声波近乎完全反射，从而在图像中以高亮或暗区的方式显现出来。

SAM的数据可以通过三种主要方式呈现，如图3所示：

图3： UT 结果的示意图：A 扫描显示信号幅度与飞行时间的关系；B 扫描沿一条线编译 A 扫描以提供深度分辨信息；C 扫描在选定的飞行时间窗口（时间门）内，将门控幅度映射到二维栅格上，该时间窗口对应于多层结构中的特定界面，图源：MDPI

·A-扫描 (A-scan)：这是最基础的数据形式，显示在单个固定点上，接收到的回波信号振幅随时间（深度）变化的波形图。它提供了沿深度方向的详细信息；

·B-扫描 (B-scan)：当换能器沿一条直线扫描时，将该路径上所有的A-扫描数据并排排列，即可构成一幅深度剖面图。它直观地展示了样品沿扫描线的内部层级结构和缺陷的深度位置；

·C-扫描 (C-scan)：这是失效分析中最常用的模式。通过设置一个特定的“时间门”（Time Gate）来选定一个感兴趣的深度范围（例如芯片粘接层界面），然后在整个样品表面进行二维光栅扫描。系统只记录每个点在该时间门内的回波振幅，最终生成一幅特定深度的平面图像，清晰地揭示该层面的缺陷分布。

相较于其他无损检测技术，SAM的最大优势在于其对界面缺陷（如分层、空洞、粘接不良）的极高灵敏度。这些恰恰是影响封装可靠性的关键因素，也是X射线等技术难以有效检出的“盲区”。

然而，尽管SAM优势明显，但随着封装特征尺寸不断缩小，传统SAM在分辨率上也面临着新的挑战，这直接催生了技术的进一步革新。

SAM技术前沿：突破分辨率极限的软硬件革命

为了应对先进封装带来的微米乃至亚米级的检测需求，SAM技术在硬件和软件层面均实现了关键性突破。这些技术革命极大地拓展了SAM的应用边界，使其能够洞察更精细的微观结构。

硬件革命：千兆赫兹SAM（GHz-SAM）的威力

传统SAM技术面临一个核心的权衡：检测深度与空间分辨率之间的矛盾。声波的频率越高，其波长越短，能够分辨的特征就越小，分辨率也越高；但同时，高频声波在材料中衰减得也越快，导致其穿透深度受限。

千兆赫兹扫描声学显微镜（GHz-SAM）1µm左右，实现了数量级的提升。

图4：使用两种不同的声学换能器评估由 25 μm 铜线形成的球键合完整性：（a）焦距为 2.5 mm 的传统 300 MHz 换能器（横向分辨率约为 10–15 μm）；（b）焦距为 80 μm 的超高分辨率 1.12 GHz 换能器（横向分辨率约为 1 μm）；（c ）图像（ b ）的放大区域，强调了在吉赫兹频率下实现的亚微米特征清晰度

图4中的对比图像极具说服力地展示了GHz-SAM的威力。在检测直径仅为25µm的铜球焊点时：

•左图 (300 MHz)：由传统高频传感器获得的图像模糊不清，焊点的轮廓和内部细节难以分辨。

•右图 (1 GHz)：由GHz传感器获得的图像则纤毫毕现，每个焊点的圆形轮廓、表面特征甚至微小的界面缺陷都清晰可见，展现了压倒性的细节分辨能力。

这种分辨率的飞跃并非仅仅是增量改进，它更是一项使能技术，为混合键合（Hybrid Bonding）等下一代互连技术的质量控制提供了可能——在这些应用中，一个10µm的缺陷即是灾难性的失效。

当然，GHz-SAM也存在其固有的局限性。极高频率的声波在材料中衰减非常剧烈，导致其穿透深度受到严格限制，通常仅适用于近表面（几十微米内）的检测。在某些应用中，为了使目标区域进入可检测范围，甚至需要对封装进行减薄处理，这在一定程度上牺牲了其纯粹的无损特性。

软件赋能：先进信号处理算法让缺陷无所遁形

在硬件升级之外，先进的信号与图像处理算法开辟了另一条提升SAM检测能力的有效路径。这些软件技术的核心目标是，在不牺牲穿透深度（即不提高工作频率）的前提下，通过复杂的数学运算分离重叠的回波信号、抑制噪声，从而提高图像的清晰度和缺陷的可分辨性。

在先进封装中，由于各功能层非常薄，来自相邻界面的回波信号常常在时间上发生重叠，使得传统的时间门方法难以将它们区分开。为此，研究人员开发了多种先进算法，例如小波分解（wavelet decomposition）和频域分析（frequency-domain analysis）等。

图5：测试功率模块堆获得的时域图像与频域图像的比较

图源：MDPI

图5的案例清晰地展示了频域分析的优势。在检测一个包含空洞的功率模块堆叠结构时：

•时域图像 (Time Domain)：传统的C-扫描图像虽然能显示出结构，但不同层级间的对比度有限，细节不够清晰。

•频域图像 (Frequency Domain)：通过对A-扫描信号进行傅里叶变换，分析其频谱特征，可以生成频域图像。该图像更清晰地区分了不同层级的界面，有效增强了缺陷与背景的对比度，提升了缺陷定位的准确性。

虽然硬件和软件正在不断突破我们“看清”微观世界的物理极限，但如何高效、一致地解读这些日益复杂的数据集，依然是一个严峻的挑战。这种“专家瓶颈”正是推动人工智能技术与SAM深度融合的核心驱动力。

智能显微镜：人工智能（AI）驱动的自动化缺陷检测

传统SAM检测的一个主要瓶颈是其高度依赖操作员的专业知识和经验，无论是在设置扫描参数、定义时间门，还是在判读最终的C-扫描图像时，主观因素都可能导致结果不一致。引入人工智能（AI）和机器学习（ML）的核心动机，正是为了克服这一依赖，实现更客观、高效和自动化的质量控制。

目前，AI在SAM图像分析中的应用主要循着两条技术路径发展：

除了上述主流方法，前沿研究正在探索更深度的AI应用。例如，深度学习模型不仅被应用于二维C-扫描图像，还被直接用于分析一维的A-扫描波形，这使得检测那些在C-扫描图像中不可见的低对比度缺陷成为可能。更进一步，物理信息神经网络（PINN）将声波传播的物理学原理嵌入AI模型中，确保了图像重建的物理一致性，从而实现卓越的降噪效果。此外，诸如YOLOX等先进的目标检测架构，能够像专家一样在图像中自动定位不同类型的分层缺陷，实现了从“分类”到“定位”的跨越。

然而，深度学习模型的强大性能通常建立在海量标注数据的基础上，而这恰恰是工业无损检测领域面临的主要挑战——获取大量且多样的缺陷样本成本高昂，导致“有限的数据集”问题尤为突出。为应对这一挑战，报告中提到了一种前沿的解决方案：利用生成对抗网络（Generative Adversarial Networks, GAN）等技术来生成高质量的合成SAM图像。GAN可以通过学习真实缺陷图像的分布特征，创造出以假乱真的新图像，从而有效扩充训练数据集，显著提升深度学习模型在实际检测任务中的鲁棒性和准确性。

AI的集成不仅极大地提升了缺陷检测的效率和准确性，更重要的是，它为实现完全自动化的“NDT 4.0”和构建贯穿产品全生命周期的数字孪生（Digital Twin）系统奠定了坚实的数据和算法基础。

SAM技术与微电子质保的未来之路

扫描声学显微镜（SAM）技术已经证明，它在保障先进微电子封装的结构完整性方面扮演着不可或缺的角色。它以其对界面缺陷的无与伦比的敏感性，为这个价值万亿美元的行业提供了关键的质量保障。展望未来，随着芯片技术不断向更高密度、更复杂的三维结构演进，SAM技术自身也必将朝着更智能、更自动化的方向发展。

基于当前的挑战与机遇，SAM技术在半导体行业的未来发展将主要聚焦于以下几个方向：

硬件与算法的深度融合 未来，GHz-SAM的超高分辨率硬件将与更先进的信号处理及AI算法紧密结合。这种融合旨在突破单一技术的局限，例如通过物理信息神经网络（PINN）等方法，在利用GHz硬件获取精细结构信息的同时，通过算法补偿其穿透深度的不足，从而在保证精度的前提下，全面优化检测深度与效率。

机器人技术与全流程自动化 为了适应半导体工厂（Fab）大规模、高吞吐量的生产节奏，将SAM系统与机器人平台集成将成为必然趋势。这不仅是为了实现样本自动上料、定位扫描和数据分析的全流程自动化，更是为了解决GHz-SAM操作中的关键技术难题：其极短的工作距离使得手动调节极易引发探头与样品的碰撞；同时，任何偏离垂直入射的微小角度都会加剧复杂的多模传播效应，干扰信号解读。具备闭环反馈的机器人系统能精确维持探头姿态，是确保高精度、高重复性质检的核心。

数字孪生与NDT 4.0 作为获取封装内部结构高保真数据的关键来源，SAM将在构建微电子封装的数字孪生（Digital Twin）生态系统中扮演核心角色。实时、准确的SAM检测数据将被反馈到虚拟模型中，为工艺参数的闭环优化、设备健康状态的预测性维护以及产品全生命周期的质量追溯提供强有力的数据支持，最终实现“NDT 4.0”的愿景。

总之，随着摩尔定律的边界不断被拓展，芯片封装的复杂性与日俱增。扫描声学显微镜（SAM）及其智能化升级，将继续作为保障下一代电子产品可靠性的核心基石，为人类通往更智能、更互联的未来世界筑起一道坚实的质量防线。

参考资料：

Recent Progress in Structural Integrity Evaluation of

Microelectronic Packaging Using Scanning Acoustic

Microscopy (SAM): A Review

https://www.mdpi.com/1424-8220/25/24/7499