[发明专利]基于GAF-深度学习及弱电流源结构的TSV测试方法

说明书

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。

技术领域

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

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。

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。

发明内容：

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。

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。

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。

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。

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。