MétaCan
Menu
Retour à la cohorte
Enregistrement W4417405039 · doi:10.1109/impact67645.2025.11281793

Low-Roughness UV Laser Drilling for Sub-10 μm Vias in Advanced Semiconductor Package Substrates

2025· article· W4417405039 sur OpenAlexaff
N. H. Park, Tae Young Lee, D.W. Park, Moon‐Ho Jo, Sungyong Kim, Sehoon Yoo, Geonhee Lee, Kyoungmin Kim

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineEngineering
ThématiqueLaser Material Processing Techniques
Établissements canadiensSemtech (Canada)
Organismes subventionnairesNational Research Foundation
Mots-clésLaser drillingLaserNanosecondUltravioletPolyethylene terephthalateLaser beam machiningPolyethylene

Résumé

récupéré en direct d'OpenAlex

Conventional CO<inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</inf> laser drilling and wet desmearing processes have limitations in forming fine pitch microvias, particularly in advanced microcircuit applications. Although ultraviolet (UV) laser drilling can produce smaller via diameters, its use is limited for buildup films (BUF) protected by polyethylene terephthalate (PET). Direct plasma exposure of the BUF can cause filler protrusion and increase surface roughness. This, in turn, necessitates thicker seed layers in the semi-additive process (SAP) and ultimately hinders the realization of fine circuit patterns. To solve this problem, we evaluated the effect of material and thickness of SMBL (Sacrificial Metal Barrier Layer) on laser via hole formation before nanosecond UV laser drilling. Two SMBL materials, Cu and Ni-Cr, were coated on a 10 μm thick buildup film (BUF) surface at thicknesses of 50 nm, 100 nm, and 200 nm, then fine vias were processed with a nanosecond UV laser and their shapes were comparatively evaluated. As a result, using a nanosecond UV laser drilling system with a sputter-coated Cu SMBL, we were able to form microvias with diameters of less than 8 μm on a 10 μm thick BUF surface while maintaining the original surface roughness.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,012
Tête enseignante GPT0,259
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetLaser Material Processing TechniquesTravaux en français237 207