スマートな包装：AIが組み立てと材料管理を再構築する方法

500ドル相当のマルチダイパッケージが、3工程手前で発生した欠陥により最終試験に不合格となった時、先進パッケージングの経済性が痛切に明らかになる。各工程の逸脱は、組立、最終試験、さらにはシステム認定に至るまで、下流工程に波及するコストを伴う。

パッケージングの許容誤差が縮小する中、業界は人工知能（AI）に賭けており、測定データに現れる前段階で問題を早期に捕捉しようとしている。課題は、パッケージングが常に「スモールデータ」の世界で存在してきた点だ。ロットごとにテラバイト規模のリソグラフィーやエッチングデータを生成する製造工程の前段とは異なり、組立工程ではしばしば測定データが乏しい。 エンジニアが得られるのは、完全な統計分布ではなく、わずかな温度や平坦性の測定値だけである。この粒度の低さが、レシピの微調整や確信を持って故障を予測することを困難にしている。

「特にプロセス開発において我々が直面する問題は、小規模データの問題です」と、Tignis（現Cohu傘下）のCEOジョン・ハーロッカーは述べた。 「データ点が4つしかない場合、それは象かもしれないし、原始人の落書きかもしれないし、あるいは正弦波の四角波形かもしれない。過去の実験データを活用する高度なアルゴリズムを用いることで、人間主導の反復からコンピューター主導の予測へ、はるかに早い段階で移行できる」

データが不足していることは単なる不便以上の問題である。プロセス開発に曖昧さを生じさせる。エンジニアは実験を再実施するか、外挿のリスクを負うか、あるいは高い不確実性を受け入れるかを判断せざるを得ない。転移学習などのAI技術は、先行データセットで訓練されたモデルを再利用することでこのギャップを埋めるよう設計されており、事実上、過去の実行から「経験を借りる」のである。これにより、各新規データセットが限られている場合でも、エンジニアは安定したレシピに迅速に収束させることが可能となる。

「これまでの実験結果を組み込んだアルゴリズムを用いることで、収束が大幅に早まることが確認されています」とハーロッカーは述べた。「転移学習により、エンジニアは限られたデータで作業しながらも、より少ない手順で一連のプロセスデータから次のデータへ移行でき、実質的に生産性を向上させられるのです」

逆説的なことに、パッケージング工程はファブのような高密度なプロセスデータを生成しない一方で、そのツールは今や膨大な量の装置テレメトリを生成している。現代のワイヤボンダーやダイボンダーは、1シフトあたり数千もの信号をストリーミングでき、振動、配置精度、熱ドリフトなどを捕捉する。問題は、ファブの計測データとは異なり、これらの信号が直接的な統計分析に適した構造化がされていない場合が多い点にある。

「製造工程、組立工程、テストの全ステップから得られるデータをすべて結びつける能力は、特に重要な要素です」と、PDFソリューションズのソリューションアーキテクチャ担当シニアディレクター、マーク・ジェイコブスは述べた。「結局のところ、単に線やスペースを作っているわけではない。歩留まりを作っているのだ」

この区別が重要なのは、AIが効果を発揮するのにテラバイト級のデータ量を必要としないからだ。しかし相関関係は必要である。限られた数の信号であっても、プロセス工程間で組み合わせることで、人間のオペレーターが見逃す可能性のあるドリフトパターンを明らかにしたり、逸脱を予測したりできる。AIシステムは、疎なプロセス測定値と高頻度の機器テレメトリを融合させることで、変動がどのように伝播するかのより完全な見解を構築する。

予測保全を味方につける
AIを活用したスマート包装における最も即効性があり測定可能な応用例の一つが予測保全である。組立設備は前工程ツールよりも大きな機械的・熱的変動の影響を受ける。 ワイヤボンダーはZ軸方向でドリフトし、ダイボンダーはノズル摩耗により配置精度が低下し、ハンドラーはアクチュエータの疲労により不具合が生じる。基板も積層層が増えるにつれて反りが発生し、コプレーナリティが変化して後続工程に負荷がかかる。固定されたメンテナンススケジュールに依存することは、ツールの真の状態と必ずしも一致せず、時期尚早な介入による資源の浪費、あるいはさらに悪いことに、部品の予期せぬ故障による計画外のダウンタイムを招く。

「予知保全により、企業はより安定した設備運用が可能になります」と、Tignisのエンジニアリングソリューション部門ディレクター、ボイド・フィンレイは述べた。「ワイヤボンダーにおけるZ軸と温度ドリフトの監視、あるいは積層数増加に伴う基板の反りや応力を管理するためのウエハスケール加工の対応——これらすべてが安定性に寄与します」

大量生産ラインでは、わずかな中断でも大きな損失となる。先進的なパッケージングラインでは、1シフトあたり数万ユニットを処理するのが一般的だ。ボンダーが2時間停止すれば、数千個のダイが未ボンディング状態となり、モールド工程、シングレーション工程、最終テスト工程へと遅延が連鎖する。予測モデルは、カレンダーではなく実際の装置状態に基づいてサービス間隔を調整することで、このリスクを低減する。

パッケージングに特化した公開データは限られているが、バックエンド自動化のパイロット事例では実現可能性が示されている。 マッキンゼーの事例研究では、ハンドラーに予知保全を導入した結果、ダウンタイムが40%削減されたと報告されている。(1) 別の実証研究では、上流工程のウェーハソーイングに関連する予測因子を制御することで、装置故障による損失が削減され、アタッチラインのUPEH（従業員時間当たり生産単位）が向上したことが定量化され、データ駆動型メンテナンスが直接的にスループットに影響を与えることが裏付けられた。(2)

装置の健全性に加え、予測モデルは装置内を流れる材料にも適用されつつある。接着剤、アンダーフィル、コーティング、基板によって生じる変動性は、AIが対処し始めた新たな複雑性の層を形成している。集積密度が上昇し材料間の相互作用が予測困難になる中、自動化とAIは微妙なプロセス変化を、歩留まりを損なう前に検知するために活用されている。

ライン内での逸脱制御
検査は依然として役割を果たすが、その重点は移行しつつある。組み立て工程の最終段階での安全装置として扱う代わりに、メーカーはAIを活用し、検査データをリアルタイムで適用して逸脱を封じ込めている。包装分野で依然一般的なサンプリングベースのアプローチでは、体系的な問題を捕捉できない場合がある。AI支援型モニタリングにより、逸脱が下流工程に波及する前に捕捉・抑制が可能となる。

マイクロトロニックのアプリケーション担当ディレクター、エロール・アコマー氏は次のように述べた。「一般的な検査ツールはベースラインの欠陥率を対象としていますが、当社が注力するのは逸脱制御です。予期せぬ問題を早期に捕捉し、問題が数百枚のウエハーに及ぶのを防ぎ、ごく少数のウエハーに限定します。自動車、航空宇宙、医療機器分野では、こうしたガードバンディングが信頼性確保に不可欠です」 「これにより不良発生源のデバイスはテスト段階にすら到達せず、『軽微な欠陥を抱えた製品』が市場に出回るリスクを低減します。自動車、航空宇宙、医療機器分野では、こうしたガードバンド（安全域）の設定が信頼性確保に不可欠なのです」

製造工程に逸脱管理を組み込むことで、ファブは検査データを最終段階のフィルターとしてではなく、プロセス監視の一部として扱うことができる。これは予測製造への大きな転換を支えるものであり、その価値は変動を記録するだけでなく、その拡散を阻止することにある。

トレーサビリティとシステムレベルの信頼性
逸脱制御を施しても、欠陥は漏れ出る。故障が完全組立後やシステムテスト時に初めて現れる場合、コストへの影響は増幅される。メーカーがますます必要とするのは、欠陥をパッケージング工程全体に遡って結びつけるトレーサビリティの枠組みである。それがなければ、故障は行動可能なシグナルではなく統計的ノイズのままである。

AI支援型トレーサビリティはこの関連性を構築することを目的とする。検査画像、装置テレメトリ、限定的なプロセスデータを相関させることで、モデルは欠陥がウエハー準備、ダイアタッチ、モールド、最終組立のいずれで発生したかを分類できる。この区別は極めて重要である：発生源が特定されれば、技術者は下流で症状を追うのではなく根本原因を修正できる。

「彼らは本当にトレーサビリティを提供できるシステムを必要としている」と、PDF SolutionsのExensio Solutions部門ディレクター、グレッグ・プリウィット氏は述べた。「現場での不具合から逆方向に調査を進めようとする場合、あるいは不具合を発見するモデルを訓練する場合でさえ、高度なパッケージの構成部品ごとに不具合を分類する必要がある」

検査会社は長期データ保存への移行で対応している。欠陥分類後に画像を廃棄する代わりに、一部のベンダーは全ウェーハとダイの完全な視覚記録をアーカイブするようになった。AIが索引層となり、これらの記録を検索可能にし、後続の故障との比較を可能にする。

「各ウエハーの画像をライン全体で複数回生成し、それらの記録は数年保存可能です」とアコマーは述べた。「特に自動車や航空宇宙分野の顧客はこうしたトレーサビリティを要求しており、これにより最高品質のウエハーのみが工程を進んでいるという確信を得られるのです」

データサイロの橋渡し
予知保全とトレーサビリティが即効性のある利益をもたらす一方で、AIの長期的な可能性はデータサイロの橋渡しにある。設計モデル、プロセス遠隔計測、組立結果は従来、それぞれが独自の目的のために最適化され、分離されてきた。その結果、可視性が断片化され、どのチームも全体像を把握できない状況が生じている。

EDAプラットフォームは、この課題に対応するために進化を遂げている。シミュレーション環境は、パッケージング材料やプロセス変動性まで包含するように拡張され、不完全なデータであってもエンジニアが迅速な方向性分析を実行できるようにしている。これにより、設計サイクルの早い段階で潜在的なボトルネックや逸脱を特定でき、量産移行時に必要な試行錯誤のループ数を削減できる。

「現段階で必要なのは、非常に高速な解析と、限られた情報での解析能力です」と、シノプシスのプロダクトマネジメント上級ディレクター、アムレンドゥ・シェカール・チョウベイは述べた。「高い精度も求められますが、最も重要なのは方向性の正確さです。『この変更を加えたら、状況は良くなるのか、悪くなるのか？』という判断材料となる方向性の正確さが必要なのです」

AIは設計領域内だけでなく、領域横断的な相関分析を可能にする。設計パラメータ、プロセスドリフト、歩留まり変動の統計的関連性を発見することで、従来は特定できなかった根本原因の解明が可能となる。これは単なるデータ量の増加ではない。統合こそが重要であり、マルチダイパッケージングはこの統合の必要性をさらに増幅させる。

「マルチダイはサイロを打破します」とチョウベイは述べた。「すべてが相互接続されているため、この部分にはこのツールを使い、あの部分には別のツールを使い、後でサインオフに戻るとは言えません。探索からサインオフまで、単一のデータベース上で設計プロセス全体を一元化する包括的で統合されたプラットフォームが必要です」

ストレス下での信頼性
従来の検査・試験は長期信頼性リスクを捕捉するよう設計されていない。エレクトロマイグレーション、反り、剥離は標準的な認定試験期間外で、しばしば緩やかに進行する。AIはプロセスデータの微細な変化と既知の故障モードを関連付けることで、これらの問題の早期警告兆候を認識するために導入されている。

「我々の基準は、標準的な統計的外れ値手法とAIの比較だ」とプリウィットは述べた。「訓練されたAIモデルははるかに選択的であるため、過剰な処理を抑えつつ、より多くの疑わしいユニットを捕捉できる」

AIは変動性を完全に排除できないかもしれないが、故障の前兆を特定することで不確実性の範囲を狭められる。多くの場合、それが局所的な逸脱とシステム全体の信頼性問題との差を生む。

導入障壁
包装分野におけるAIの技術的根拠は強固だが、導入には現実的な障壁が存在する。第一にデータ共有である。AIモデルは多様なデータセットから力を得るが、企業は知的財産を露呈する恐れのある工程情報の開示に依然として慎重だ。その結果、堅牢な業界横断データセットではなく、限定的なデータ断片で訓練された断片的なモデルが生み出される。

「最良の方法論には、異なる企業間のデータ共有がさらに必要となるが、それは依然として実用面での障壁だ」とプリウィットは述べた。「協力が有益であることは誰もが理解しているが、知的財産権に関する懸念は現実のものだ」

第二の障壁は標準化である。SEMI EDA標準はエッチングやリソグラフィといったファブツールを中心に設計されており、ボンダーやモルダー、パネルレベルシステムを対象としていない。パッケージングにはより広範で柔軟なデータフレームワークが必要だが、それを支える標準は未だ成熟過程にある。

「組立、包装、試験工程では、先進的な300mmファブが20年以上前から行ってきた手法が今や採用されつつあります」とフィンレイは述べた。「今回は高速メカトロニクス装置設計による高速データが増加しているものの、EDA（Interface-A）などの旧来のSEMI規格では、現在関与するあらゆる装置タイプに対応しきれていません。装置データに関わる仕事が好きなら、これは非常にエキサイティングな時代です！」

最後の障壁は信頼である。パッケージング技術者は、明確な説明なしにブラックボックス的な回答を生成するモデルに対して懐疑的だ。予測が正確であっても、なぜダイが外れ値としてフラグ付けされたのかを説明できないことが、導入を妨げている。技術者は精度だけでなく解釈可能性を求めており、特に自動車や航空宇宙といったミッションクリティカルな市場ではその傾向が強い。

スキルと実装ロードマップ
包装分野でAIを試験導入する企業にとって、ロードマップは通常、予知保全と逸脱監視から始まります。これらは測定可能な投資対効果をもたらし、統合コストも比較的低く抑えられます。クロスドメインのデータ融合は、チームがモデルへの信頼を築いた後、段階的に導入されます。

この移行はスキル面での課題も提起する。包装技術者がAIの専門家になる必要はないが、結果を解釈し予測を検証するだけの十分な知識が求められる。逆にデータサイエンティストは、物理的現実を反映したモデルを訓練するために包装プロセスを十分に理解しなければならない。学際的なチーム構築が不可欠となるだろう。

一部の企業は、機械エンジニアや包装エンジニアをデータサイエンスのループに直接組み込むことで、このギャップに対処している。

「AIモデルは、応力、反り、材料相互作用といった物理的現実を反映して初めて価値を生み出す」とプリウィットは述べた。「それらの破壊メカニズムを理解するエンジニアを組み込むことで、出力結果が単なる統計的興味の対象ではなく、製造現場で実用可能なものとなることを保証できる」

大学や産業界のコンソーシアムも対応を開始しており、半導体パッケージングのカリキュラムにAIと機械学習を組み込んでいる。将来のエンジニアは自らアルゴリズムを書く必要はないが、モデルの出力結果を検証し、プロセス物理学と整合させ、生産ラインにおける歩留まりや信頼性の課題に適用することが求められるだろう。

「目的はエンジニアを置き換えることではなく、彼らの生産性を高めることです」とティグニスのハーロッカー氏は述べた。「AIは解決策の選択肢をより明確に可視化しますが、検証は依然としてエンジニアリングの専門知識に依存します」

結論
包装分野におけるAIの採用はもはや任意の選択肢ではない。集積密度が上昇し利益率が縮小する中、業界は歩留まりを維持するために静的なプロセスウィンドウや手動によるレシピ調整に依存し続けることはできない。予知保全、逸脱監視、トレーサビリティ、そしてクロスドメインのデータ統合は、実験ではなく必須要件となりつつある。

タイムラインは異なるが、方向性は明確だ。よりスマートな包装ラインは、反応型制御から予測制御へ、孤立したデータセットから統合モデルへ、手動調整からアルゴリズム支援ワークフローへと移行している。この変化に適応するエンジニアこそが、次世代の複雑性を管理する立場に立つだろう。

究極の約束は、AIが変動性を排除することではなく、変動性を管理可能なものにするという点にある。逸脱の早期警告、不良ダイの高度な選別、領域間の緊密な相関関係を提供することで、AIは先進パッケージングの経済的課題と歩調を合わせた歩留まりと信頼性を実現する手段を提供する。