Characterization and classification of epoxy molding compounds using LIBS and LA-ICP-MS

Abstract

Wir sind in unserem Alltag von Elektronik umgeben. Integrierte Schaltkreise finden sich in vielen kritischen Anwendungsbereichen, wie dem Verkehr (in Zügen, Flugzeugen, Schiffen und Autos) oder dem medizinischen Bereich, mit potenziell dramatischen Konsequenzen bei Ausfällen und Fehlfunktionen. Für Chiphersteller ist aus diesem Grund die Zuverlässigkeit ihrer Produkte von großer Bedeutung. Der eigentliche Siliziumchip und die Drahtverbindungen die ihn mit seinen Kontakten verbinden sind von einem Material umhüllt, das sie vor äußeren Einflüssen schützt. Beispiele für potentiell schädliche äußere Einflüsse sind atmosphärische Einflüsse wie Feuchtigkeit oder mechanische Belastung. Meist handelt es sich um komplexe Kunststoffe auf Epoxidbasis mit einem hohen Anteil an anorganischen Füllstoffen und Additiven, die als „Epoxy Molding compounds“ bezeichnet werden. Chiphersteller kaufen sie bei spezialisierten Fabrikanten zu und haben nur begrenzt Einblick in die exakte Zusammensetzung des Materials. Aufgrund des direkten Kontakts zwischen Molding Compound und dem Siliziumchip sowie den empfindlichen Bonddrähten haben die chemischen und physikalischen Eigenschaften des Hüllmaterials direkten Einfluss auf die Zuverlässigkeit des Bauteils. Eine Möglichkeit, verschiedene Molding Compounds verlässlich zu identifizieren und Unterschiede in der Zusammensetzung bzw. Veränderungen, die eventuell durch Verunreinigungen verursacht wurden, zu erkennen wäre deshalb äußerst nützlich für die Qualitätssicherung der Chiphersteller.Ziel dieser Arbeit war die Charakterisierung von 29 Molding Compound Proben (20 verschieden Typen) vierer Fabrikanten sowie die Entwicklung eines Modells zur korrekten Klassifizierung unbekannter Proben. Erste Einblicke in die Elementarzusammensetzung einiger Proben lieferten ICP-MS Messungen nach mikrowellenunterstütztem Säureaufschluss. Von allen Proben wurden LIBS und Tandem LIBS/LA-ICP-MS Messungen durchgeführt, um einen umfangreichen Datensatz zu sammeln, anhand dessen Muster in der elementaren Zusammensetzung sichtbar gemacht werden sollten, die Information über die verwendeten Materialien und eventuelle Verunreinigungen enthalten. Dieser wurde anhand einer Hauptkomponentenanalyse sowie einer Clusteranalyse untersucht. Klassifikatoren basierend auf einen Random Forest Algorithmus wurden trainiert und anhand eines zurückgehaltenen Testsets verglichen.LIBS und LA-ICP-MS stellte sich als sehr geeignet für die Messung von Molding Compound heraus. Die Untersuchung eines LIBS und eines Tandem LIBS/LA-ICP-MS Datensatzes enthüllte Muster im Gehalt einiger anorganischer Hauptbestandteile, wie Si und Zn in Abhängigkeit vom Hersteller. Der Gehalt an anorganischen Nebenbestandteilen wie Zr, Mn, Ce, Pr und Nd zeigte eine Abhängigkeit vom Molding Compound Typ. In einzelnen Fällen war der Unterschied zwischen Proben vom selben Molding Compound größer als zwischen Proben verschiedener Molding Compounds. Sorgfältige Auswahl der spektralen Deskriptoren ermöglichte die Erzeugung von Random Forest Modellen aus beiden Datensätzen, die in der Kreuzvalidierung einen Matthews Korrelationskoeffizienten größer 95 % für alle Molding Compound Typen erzielten. Diese Modelle waren in der Lage, bei der Modellerstellung zurückgehaltene Proben in der Mehrheit der Fälle richtig zuzuordnen, verwechselten jedoch einzelne sehr ähnliche Molding Compounds. Der nur auf LIBS-Daten basierende Klassifikator erzielte etwas bessere Ergebnisse als jener der aus Tandem Daten erstellt wurde, was eventuell durch die höhere Qualität der LIBS Daten und die Abwesenheit potentiell irreführender Informationen über Spurenbestandteile zu erklären ist. Um die Klassifizierung zu verbessern wäre es möglich einen umfassenderen Datensatz mit mehreren Proben von jedem Molding Compound zu generieren um einen stabileren Klassifikator zu erstellen.

Electronic devices are ever-present in our day-to-day lives. Integrated circuits are built into our vehicles (trains, planes, ships, cars) and into medical equipment, where the failure of the device can have potentially catastrophic consequences. For this reason, the reliability of their products is of great concern to chip manufacturers. The silicon die at the heart of an integrated circuit and the bond wires connecting it to its pins is encapsulated in a packaging material, most commonly an epoxy based polymer with complex inorganic additives and fillers, called molding compound. Its purpose is to protect against outside influences such as corrosive atmospheres (moisture) or mechanical stress Chip Manufacturers obtain this material from a specialized polymer manufacturer.and have limited insight into its exact composition. As it is in direct contact with the silicon die and delicate wiring, its physical and chemical properties can directly affect the chip’s performance. This makes the choice of an appropriate material crucial for a device’s reliability. A tool to identify different molding compounds correctly and to detect changes in the composition caused by contamination would therefore be very useful for the chip manufacturers’ quality assurance.In this work, the goal was to characterize 29 samples of 20 molding compounds from four suppliers, as well as to develop a classification model that could potentially be applied to identify unknown sample types correctly. Initial insights about the composition of different samples were collected using inductively coupled plasma mass spectrometry (ICP-MS) after microwave assisted acid digestion. Laser induced breakdown spectroscopy (LIBS) and Tandem LIBS-laser ablation ICP-MS measurements were performed on all available samples to collect a comprehensive set of data with the goal of identifying elemental patterns that contain information about the utilized materials and potential contaminations. Multivariate data analysis methods such as principal component analysis and distance-based clustering were used for exploratory data analysis. Classification models based on random decision forest classifiers were trained and the performance of the classifiers based on the LIBS set and the Tandem LIBS/LA-ICP-MS set were compared using measurement data of held back test samples.LIBS and LA-ICP-MS measurements proved to be well suited for the investigation of molding compound samples. Exploratory data analysis on a LIBS and a tandem LIBS/LA-ICP-MS dataset revealed patterns in the content of some major inorganic components, like Si and Zn, dependent on the manufacturer and in the content of minor inorganic components such as Zr, Mn, Ce, Pr and Nd dependent on the molding compound. In total, more than 20 elements could be detected in the solid samples using LIBS and LA-ICP-MS. In some cases, samples of different molding compounds turned out to be more similar to each other than to samples of the same type. Careful selection of spectral descriptors allowed the generation of random decision forest models that achieved a Matthew’s correlation coefficient in cross validation above 95 % for all molding compound types and both datasets. These models could correctly classify the majority of held back test samples, but confused some of the very similar ones. The classifier built solely on LIBS data performed slightly better than the classifier built on tandem data, with a possible explanation being the better quality of the LIBS data and the exclusion of potentially misleading trace elements. To improve on the performance of the classification, a bigger dataset containing multiple samples of each dataset could be measured to build a more stable classifier.