এসএমটি রিফ্লো প্রক্রিয়ায় উপাদান স্থানান্তরের জন্য ডেটা-চালিত পূর্বাভাস মডেল

2.1 ডেটা সংগ্রহ ও বৈশিষ্ট্য প্রকৌশল

স্ব-সারিবদ্ধতা এবং প্রধান প্রভাবক ফ্যাক্টরগুলির মধ্যে সম্পর্ক প্রতিষ্ঠার জন্য পরীক্ষামূলক ডেটা সংগ্রহ করা হয়েছিল। বৈশিষ্ট্য সেটটি সযত্নে প্রকৌশল করা হয়েছিল যাতে নিম্নলিখিতগুলি অন্তর্ভুক্ত থাকে:

• উপাদান জ্যামিতি: মাত্রা (দৈর্ঘ্য, প্রস্থ, উচ্চতা)।
• প্যাড জ্যামিতি: প্যাডের আকার, আকৃতি এবং ব্যবধান।
• প্রক্রিয়া প্যারামিটার: সোল্ডার পেস্টের আয়তন, বসানো অফসেট (প্রাথমিক ভুল সারিবদ্ধতা)।
• লক্ষ্য চলক: X ($\Delta x$), Y ($\Delta y$), এবং ঘূর্ণন ($\Delta \theta$) দিকে চূড়ান্ত স্থানান্তর।

এই ডেটা-চালিত পদ্ধতিটি প্রচলিত সিমুলেশন-ভারী পদ্ধতির বাইরে চলে গেছে, যেমন এলভি এবং সহকর্মীদের মতো ইলেকট্রনিক্সে ডেটা মাইনিংয়ের পর্যালোচনায় উল্লেখ করা হয়েছে, যা এই ধরনের প্রয়োগমূলক গবেষণার স্বল্পতার উপর জোর দিয়েছে।

2.2 মেশিন লার্নিং মডেলসমূহ

পূর্বাভাসের জন্য তিনটি শক্তিশালী রিগ্রেশন মডেল প্রয়োগ এবং টিউন করা হয়েছিল:

• সাপোর্ট ভেক্টর রিগ্রেশন (এসভিআর): উচ্চ-মাত্রিক স্থানে কার্যকর, একটি থ্রেশহোল্ড $\epsilon$-এর মধ্যে ত্রুটি ফিট করার চেষ্টা করে।
• নিউরাল নেটওয়ার্ক (এনএন): একটি মাল্টি-লেয়ার পারসেপট্রন যা ইনপুট বৈশিষ্ট্য এবং উপাদান চলাচলের মধ্যে জটিল, অ-রৈখিক সম্পর্ক ক্যাপচার করার জন্য ডিজাইন করা হয়েছে।
• র্যান্ডম ফরেস্ট রিগ্রেশন (আরএফআর): একটি এনসেম্বল পদ্ধতি যা একাধিক সিদ্ধান্ত বৃক্ষ থেকে পূর্বাভাস সংগ্রহ করে, এর নির্ভুলতা এবং ওভারফিটিং প্রতিরোধের জন্য সুপরিচিত।

3.1 পূর্বাভাস নির্ভুলতা মেট্রিক্স

র্যান্ডম ফরেস্ট রিগ্রেশন মডেলটি সমস্ত মেট্রিক্সে উচ্চতর কার্যকারিতা প্রদর্শন করেছে:

• মডেল ফিটনেস (R²): ~৯৯% স্থানান্তর স্থানান্তরের জন্য (X, Y), ঘূর্ণন স্থানান্তরের জন্য ৯৬%।
• গড় পরম ত্রুটি (MAE): ১৩.৪৭ µm (X), ১২.০২ µm (Y), ১.৫২ ডিগ্রি (ঘূর্ণন)।

এই ত্রুটিগুলি সাধারণ উপাদান এবং প্যাডের মাত্রার তুলনায় উল্লেখযোগ্যভাবে ছোট (যেমন, ০৪০২ প্যাকেজগুলি ~১০০০x৫০০ µm), যা উচ্চ ব্যবহারিক প্রাসঙ্গিকতা নির্দেশ করে।

3.2 তুলনামূলক মডেল কার্যকারিতা

আরএফআর ধারাবাহিকভাবে এসভিআর এবং এনএন-কে ছাড়িয়ে গেছে। এটি জটিল মিথস্ক্রিয়া সহ ট্যাবুলার ডেটার জন্য এনসেম্বল পদ্ধতির পরিচিত শক্তির সাথে সামঞ্জস্যপূর্ণ, যেমন মৌলিক এমএল সাহিত্যে (যেমন, ব্রেইম্যান, ২০০১) উল্লেখ করা হয়েছে। এনএন-এর সম্ভাব্য নিম্ন কার্যকারিতা শারীরিক পরীক্ষায় সাধারণত অপেক্ষাকৃত ছোট ডেটাসেটের আকার থেকে উদ্ভূত হতে পারে, যেখানে আরএফআর-এর মজবুততা উজ্জ্বল হয়।

4.1 মূল অন্তর্দৃষ্টি ও যৌক্তিক প্রবাহ

মূল অন্তর্দৃষ্টি: রিফ্লোর সময় সোল্ডার জয়েন্ট গঠনের "ব্ল্যাক বক্স" একটি বিশৃঙ্খল প্রক্রিয়া নয় বরং একটি নির্ধারক, পদার্থবিদ্যা-চালিত সিস্টেম যা পর্যাপ্ত ডেটা দিয়ে রিভার্স-ইঞ্জিনিয়ার করা যেতে পারে। এই গবেষণাটি প্রমাণ করে যে জটিল তরল গতিবিদ্যা এবং পৃষ্ঠটান শক্তি, যা ঐতিহ্যগতভাবে গণনামূলক ব্যয়বহুল সিএফডি সিমুলেশন দিয়ে মডেল করা হয়, তা বৃক্ষ-ভিত্তিক এনসেম্বল লার্নিং দ্বারা উল্লেখযোগ্য বিশ্বস্ততার সাথে ক্যাপচার করা যেতে পারে। যৌক্তিক প্রবাহটি মার্জিতভাবে সহজ: ফলাফল (স্থানান্তর) পরিমাপ করুন, প্রাথমিক শর্তগুলি (বৈশিষ্ট্য) রেকর্ড করুন এবং মডেলটিকে লুকানো ফাংশন $f$ শিখতে দিন যেমন $[\Delta x, \Delta y, \Delta \theta] = f(\text{জ্যামিতি, পেস্ট, অফসেট...})$। এটি প্রতিটি উপাদান-প্যাড সংমিশ্রণের জন্য নেভিয়ার-স্টোকস সমীকরণগুলি স্পষ্টভাবে সমাধান করার প্রয়োজনীয়তা এড়িয়ে যায়।

4.2 শক্তি ও সমালোচনামূলক ত্রুটি

শক্তি: ব্যবহারিক, ডেটা-প্রথম পদ্ধতিটি এর সর্বশ্রেষ্ঠ সম্পদ। আরএফআর দিয়ে মাইক্রন-স্তরের পূর্বাভাসমূলক নির্ভুলতা অর্জন প্রক্রিয়া অপ্টিমাইজেশনের জন্য তাৎক্ষণিক মূল্য প্রদান করে। আরএফআর-এর পছন্দটি বিচক্ষণ ছিল, কারণ এটি গভীর শিক্ষার জন্য প্রয়োজনীয় বিশাল ডেটাসেটের দাবি না করেই অ-রৈখিকতা এবং বৈশিষ্ট্য মিথস্ক্রিয়া ভালভাবে পরিচালনা করে।

সমালোচনামূলক ত্রুটি: গবেষণাটির আচিলিস হিল হল এর সম্ভাব্য সাধারণীকরণের অভাব। মডেলটি প্রায় নিশ্চিতভাবে উপাদানের একটি নির্দিষ্ট সেট (সম্ভবত প্যাসিভ চিপ), সোল্ডার পেস্ট এবং প্যাড ফিনিশের উপর প্রশিক্ষিত। এটি কি একটি কিউএফএন প্যাকেজের জন্য বা একটি নো-ক্লিন বনাম ওয়াটার-সলিউবল ফ্লাক্সের সাথে সঠিকভাবে পূর্বাভাস দেবে? অনেক এমএল মডেলের মতো, এটি একটি খুব নির্দিষ্ট ল্যাব সেটআপের "ডিজিটাল টুইন" হওয়ার ঝুঁকিতে রয়েছে। তদুপরি, যখন পূর্বাভাস সমাধান করা হয়, কারণতা হয় না। মডেলটি ব্যাখ্যা করে না কেন একটি উপাদান চলে, যা মৌলিক নকশা উদ্ভাবনের জন্য এর ব্যবহার সীমিত করে। এটি একটি চমৎকার পারস্পরিক সম্পর্কমূলক টুল কিন্তু একটি কারণমূলক নয়।

4.3 শিল্পের জন্য কার্যকরী অন্তর্দৃষ্টি

১. এখনই বাস্তবায়ন করুন: উচ্চ-মিশ্রণ, উচ্চ-ভলিউম এসএমটি লাইন সহ ইএমএস সরবরাহকারী এবং ওইএমদের এই পদ্ধতিটি পাইলট করা উচিত। আপনার নিজস্ব প্রক্রিয়া থেকে একটি ডেটাসেট তৈরি করে শুরু করুন—শুধুমাত্র টম্বস্টোনিং এবং ব্রিজিং ত্রুটি কমানোর থেকে আরওআই প্রচেষ্টাকে ন্যায্যতা দেয়।
২. বসানো অপ্টিমাইজ করুন: পূর্বাভাস মডেলটিকে পিক অ্যান্ড প্লেস মেশিনের সফ্টওয়্যারে সংহত করুন। নামমাত্র প্যাড কেন্দ্রের লক্ষ্য করার পরিবর্তে, মেশিনটির একটি "প্রি-কম্পেনসেটেড" অবস্থান $P_{comp} = P_{nominal} - \text{predicted shift}$ লক্ষ্য করা উচিত, কার্যকরভাবে রিফ্লো প্রক্রিয়াটিকে একটি চূড়ান্ত, স্বয়ংক্রিয় ক্রমাঙ্কন পর্যায় হিসাবে ব্যবহার করে।
৩. পদার্থবিদ্যা-এমএল ব্যবধান পূরণ করুন: পরবর্তী সীমান্ত হল হাইব্রিড এআই। একটি সরলীকৃত পদার্থবিদ্যা-ভিত্তিক মডেল (যেমন, পৃষ্ঠটান মুহূর্ত গণনা) ব্যবহার করে সিন্থেটিক প্রশিক্ষণ ডেটা তৈরি করুন বা নিজেই একটি বৈশিষ্ট্য হিসাবে ব্যবহার করুন, তারপর বাস্তব-বিশ্বের ডেটা দিয়ে পরিমার্জন করুন। এটি, পদার্থবিদ্যা-সচেতন নিউরাল নেটওয়ার্ক (পিআইএনএন) কীভাবে কাজ করে তার অনুরূপ, সাধারণীকরণ ত্রুটিটি মোকাবেলা করবে।

4.4 বিশ্লেষণ কাঠামো উদাহরণ (নো-কোড)

পরিস্থিতি: একজন প্রক্রিয়া প্রকৌশলীর একটি নতুন ০২০১ ক্যাপাসিটর সমাবেশের জন্য ত্রুটি কমানোর প্রয়োজন। কাঠামো প্রয়োগ: ১. ডেটা স্তর: ৫০টি বোর্ডের জন্য, ইচ্ছাকৃতভাবে একটি নিয়ন্ত্রিত পরিসরের মধ্যে বসানো অফসেট পরিবর্তন করুন (যেমন, ±৫০ µm)। প্রাথমিক X, Y, $\theta$ অফসেট, প্যাডের মাত্রা এবং স্টেনসিল অ্যাপারচার আকার রেকর্ড করুন। ২. পরিমাপ স্তর: পোস্ট-রিফ্লো, চূড়ান্ত $\Delta x, \Delta y, \Delta \theta$ পরিমাপ করতে স্বয়ংক্রিয় অপটিক্যাল পরিদর্শন (এওআই) বা সুনির্দিষ্ট মাইক্রোস্কোপি ব্যবহার করুন। ৩. মডেলিং স্তর: সংগৃহীত ডেটাটিকে একটি আরএফআর মডেলে ইনপুট করুন (স্কিকিট-লার্নের মতো লাইব্রেরি ব্যবহার করে)। স্থানান্তর পূর্বাভাস দেওয়ার জন্য মডেলটিকে প্রশিক্ষণ দিন। ৪. কর্ম স্তর: মডেলটি একটি ক্ষতিপূরণ মানচিত্র আউটপুট করে। পরবর্তী ৫০০টি বোর্ডের জন্য প্রি-কম্পেনসেটেড বসানো প্রয়োগ করতে এটি পিএন্ডপি মেশিনে ফিড করুন। ৫. বৈধতা: পরবর্তী ব্যাচ থেকে ত্রুটি হার (টম্বস্টোনিং, স্থানান্তর) নিরীক্ষণ করুন উন্নতি পরিমাপ করতে।