মেশিন লার্নিং ব্যবহার করে স্ব-সারিবদ্ধকরণ প্রভাব সহ প্যাসিভ চিপ উপাদান স্থাপনের অপ্টিমাইজেশন

1. ভূমিকা

সারফেস মাউন্ট টেকনোলজি (এসএমটি) আধুনিক ইলেকট্রনিক্স উৎপাদনের একটি মৌলিক ভিত্তি, যা ছোট ও ঘন সার্কিট সমাবেশ সম্ভব করে তোলে। এসএমটির মধ্যে একটি গুরুত্বপূর্ণ কিন্তু জটিল ঘটনা হলো স্ব-সারিবদ্ধকরণ, যেখানে পুনঃপ্রবাহের সময় গলিত সোল্ডার পেস্ট থেকে সৃষ্ট পৃষ্ঠটান বল উপাদানগুলিকে ভারসাম্যের অবস্থানের দিকে নিয়ে যায়, যা প্রাথমিক স্থাপনের ভুল সারিবদ্ধতা সংশোধন করতে পারে। উপকারী হলেও এই গতি পূর্বাভাস ও নিয়ন্ত্রণ করা কঠিন, বিশেষ করে ক্ষুদ্রায়িত উপাদানগুলির ক্ষেত্রে যেখানে সহনশীলতা অত্যন্ত সীমিত। প্রচলিত পদ্ধতিগুলি তাত্ত্বিক বা সিমুলেশন মডেলের উপর নির্ভর করে, যা প্রায়শই বাস্তব-বিশ্বের উৎপাদন বৈচিত্র্যের জন্য সাধারণীকরণের অভাব রাখে। এই গবেষণাটি স্ব-সারিবদ্ধকরণ প্রভাব মডেল করতে এবং পরবর্তীতে প্রাথমিক স্থাপনের প্যারামিটার অপ্টিমাইজ করার জন্য একটি তথ্য-চালিত, মেশিন লার্নিং (এমএল) পদ্ধতি প্রস্তাব করে এই ফাঁকটি পূরণ করে, যার লক্ষ্য পুনঃপ্রবাহের পর চূড়ান্ত অবস্থানগত ত্রুটি কমানো।

2. পদ্ধতি

গবেষণাটি একটি দ্বি-পর্যায়ের পাইপলাইন অনুসরণ করে: প্রথমত, চূড়ান্ত উপাদান অবস্থান পূর্বাভাস দেওয়া; দ্বিতীয়ত, সেই পূর্বাভাস ব্যবহার করে প্রাথমিক স্থাপন অপ্টিমাইজ করা।

3. ফলাফল ও বিশ্লেষণ

4. মূল বিশ্লেষকের অন্তর্দৃষ্টি

মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রটি কেবল সোল্ডার নড়াচড়া পূর্বাভাস দেওয়ার বিষয়ে নয়; এটি একটি ব্যবহারিক, ক্লোজড-লুপ উৎপাদন বিরক্তির বিপরীতকরণ। লেখকরা বিশৃঙ্খল, পদার্থবিদ্যা-চালিত স্ব-সারিবদ্ধকরণ প্রভাবকে—ঐতিহ্যগতভাবে চূড়ান্ত পর্যায়ের পরিবর্তনশীলতার উৎস—একটি পূর্বাভাসযোগ্য ক্ষতিপূরণমূলক প্রক্রিয়া-তে রূপান্তরিত করেছেন। পদার্থবিদ্যার বিরুদ্ধে লড়াই করার পরিবর্তে, তারা এমএল-এর মাধ্যমে এটিকে অস্ত্র হিসেবে ব্যবহার করে প্রাথমিক স্থাপনকে পূর্ব-বিকৃত করেছে, একটি সমস্যাকে একটি নির্ভুল সরঞ্জামে পরিণত করেছে। এটি মাইক্রন স্কেলে প্রয়োগ করা "ডিজিটাল টুইন" দর্শনের একটি ক্লাসিক উদাহরণ।

যুক্তিপূর্ণ প্রবাহ ও এর উৎকর্ষ: যুক্তিটি মার্জিতভাবে অনুক্রমিক কিন্তু তুচ্ছ নয়: ১) বিশৃঙ্খলা স্বীকার করুন: স্ব-সারিবদ্ধকরণ বিদ্যমান এবং জটিল। ২) বিশৃঙ্খলা মডেল করুন: এর প্যাটার্ন শিখতে তথ্য থেকে মজবুত, নন-প্যারামেট্রিক এমএল (আরএফআর) ব্যবহার করুন, দুর্বোধ্য ফার্স্ট-প্রিন্সিপল সমীকরণ এড়িয়ে যান। ৩) মডেলটি বিপরীত করুন: পূর্বাভাস মডেলটিকে একটি অপ্টিমাইজারের হৃদয় হিসাবে ব্যবহার করে একটি "বিপরীত সিমুলেশন" চালান, জিজ্ঞাসা করুন: "কোন প্রাথমিক 'ভুল' অবস্থান চূড়ান্ত 'সঠিক' অবস্থানের দিকে নিয়ে যায়?" পর্যবেক্ষণ থেকে পূর্বাভাসমূলক বোঝাপড়া এবং নির্দেশমূলক কর্মের এই প্রবাহ উন্নত প্রক্রিয়া নিয়ন্ত্রণের বৈশিষ্ট্য।

শক্তি ও স্পষ্ট ত্রুটি: শক্তি অস্বীকারযোগ্য: প্রদর্শনযোগ্য ৩০µm-এর নিচের ফলাফল ব্যবহারযোগ্য এমএল মডেল (আরএফআর/এসভিআর) ব্যবহার করে যা একটি গভীর নিউরাল নেটের চেয়ে শিল্পক্ষেত্রে স্থাপন করা সহজ। ফলাফল দ্বারা এসভিআর-এর উপর আরএফআর-এর পছন্দটি ভালভাবে ন্যায়সঙ্গত। যাইহোক, ত্রুটিটি সুযোগের মধ্যে রয়েছে। গবেষণাটি কেবল ছয়টি নমুনা পরীক্ষা করে। এটি একটি প্রুফ-অফ-কনসেপ্ট, উচ্চ-মিক্স, উচ্চ-ভলিউম উৎপাদনের জন্য বৈধতা নয়। এটি পিক-এন্ড-প্লেস মেশিনের সময়গত ড্রিফ্ট, সোল্ডার পেস্ট স্লাম্প এবং প্যাড দূষণকে উপেক্ষা করে—যেসব চলক পরিষ্কার ল্যাব ডেটায় প্রশিক্ষিত একটি মডেলকে ধ্বংস করবে। সেমি স্ট্যান্ডার্ডস ফর অ্যাডভান্সড প্যাকেজিং-এ উল্লিখিত হিসাবে, সত্যিকারের মজবুতির জন্য ইন-সিটু, অবিচ্ছিন্ন শিক্ষার প্রয়োজন।

শিল্পের জন্য কার্যকরী অন্তর্দৃষ্টি: প্রক্রিয়া প্রকৌশলীদের জন্য, অবিলম্বে গ্রহণযোগ্য বিষয় হলো তাদের লাইনগুলিকে যন্ত্রপাতি দিয়ে সজ্জিত করা শুরু করা যাতে এই গবেষণাপত্রে ব্যবহৃত তথ্যের ত্রয়ী সংগ্রহ করা যায়: পুনঃপ্রবাহ-পূর্ব স্থাপন স্থানাঙ্ক, সোল্ডার পেস্ট পরিদর্শন (এসপিআই) মেট্রিক্স এবং পুনঃপ্রবাহ-পরবর্তী পরিমাপ। সম্পূর্ণ অপ্টিমাইজেশনের আগেও, এই তথ্যের পারস্পরিক সম্পর্ক গুরুত্বপূর্ণ প্রক্রিয়া উইন্ডো প্রকাশ করতে পারে। গবেষণা ও উন্নয়নের জন্য, পরবর্তী পদক্ষেপটি স্পষ্ট: এটিকে রিয়েল-টাইম কন্ট্রোলের সাথে একীভূত করুন। অপ্টিমাইজারের আউটপুট একটি স্থির রিপোর্ট হওয়া উচিত নয়; এটি একটি গতিশীল সেটপয়েন্ট হওয়া উচিত যা স্থাপন মেশিনে ফিরে খাওয়ানো হয়, একটি অভিযোজিত লুপ তৈরি করে। শিল্পটি হেটেরোজেনিয়াস ইন্টিগ্রেশন এবং চিপলেটের দিকে এগিয়ে যাওয়ার সাথে সাথে (আইইইই-এর রোডম্যাপ অনুসারে), নির্ভুলতা, পূর্বাভাসযোগ্যতা এবং ক্লোজড-লুপ কন্ট্রোলের এই স্তরটি একটি "নাইস-টু-হ্যাভ" থেকে একটি মৌলিক ফলন প্রয়োজনীয়তায় রূপান্তরিত হয়।

5. প্রযুক্তিগত গভীর অনুসন্ধান

স্ব-সারিবদ্ধকরণ চালিকা শক্তি গলিত সোল্ডারের মোট পৃষ্ঠ শক্তি হ্রাস থেকে উদ্ভূত হয়। ঘূর্ণনীয় ভুল সারিবদ্ধতা $\Delta\theta$ সংশোধনকারী পুনরুদ্ধারকারী টর্ক $\tau$ একটি আয়তক্ষেত্রাকার চিপ উপাদানের জন্য আনুমানিক হিসাবে গণনা করা যেতে পারে:

$\tau \approx - \gamma L \, \Delta\theta$

যেখানে $\gamma$ হলো সোল্ডারের পৃষ্ঠটান এবং $L$ হলো প্যাডের সাথে সম্পর্কিত একটি বৈশিষ্ট্যগত দৈর্ঘ্য। এমএল মডেলগুলি, বিশেষ করে আরএফআর, একটি অত্যন্ত অ-রৈখিক ম্যাপিং শেখে যা এই পদার্থবিদ্যা এবং আরও অনেক কিছুকে অন্তর্ভুক্ত করে, যার মধ্যে পেস্ট আয়তন $V$ ভারসাম্যহীনতার প্রভাব রয়েছে, যা টম্বস্টোনিং ত্রুটির একটি প্রাথমিক চালক। আরএফআর অ্যালগরিদম $N$ টি গাছ তৈরি করে, একটি টার্গেট ভেরিয়েবল $\hat{y}$-এর জন্য চূড়ান্ত পূর্বাভাস হচ্ছে:

$\hat{y} = \frac{1}{N} \sum_{i=1}^{N} T_i(\mathbf{x})$

যেখানে $T_i(\mathbf{x})$ হলো ইনপুট বৈশিষ্ট্য ভেক্টর $\mathbf{x}$-এর জন্য $i$-তম গাছের পূর্বাভাস। এই এনসেম্বল পদ্ধতিটি কার্যকরভাবে শোরগোল দূর করে এবং জটিল মিথস্ক্রিয়া ধারণ করে।

6. পরীক্ষামূলক ফলাফল ও চার্ট

গবেষণাপত্রের মূল ফলাফল দুটি প্রাথমিক চার্টের মাধ্যমে দৃশ্যায়িত করা যেতে পারে:

• চার্ট ১: মডেল পূর্বাভাস বনাম প্রকৃত পুনঃপ্রবাহ-পরবর্তী অবস্থান (স্ক্যাটার প্লট): এই চার্টটি এসভিআর মডেলের তুলনায় আরএফআর মডেলের জন্য y=x রেখা বরাবর পয়েন্টগুলির অনেক বেশি কাছাকাছি গুচ্ছ দেখাবে, যা $x$, $y$, এবং $\theta$ স্থানচ্যুতির জন্য আরএফআর-এর উচ্চতর পূর্বাভাসমূলক নির্ভুলতা দৃশ্যত প্রদর্শন করে।
• চার্ট ২: র্যান্ডম ফরেস্ট থেকে বৈশিষ্ট্য গুরুত্ব বার চার্ট: এই চার্টটি চূড়ান্ত অবস্থান পূর্বাভাসে তাদের গুরুত্ব অনুসারে ইনপুট বৈশিষ্ট্যগুলিকে ক্রম দেবে। গবেষণাপত্রের প্রসঙ্গের ভিত্তিতে, আমরা আশা করি সোল্ডার পেস্ট আয়তন (প্রতি প্যাড) এবং X/Y-তে প্রাথমিক স্থাপন অফসেট শীর্ষস্থানীয় অবদানকারী হবে, তারপরে পেস্ট উচ্চতা এবং ক্ষেত্রফল। প্রক্রিয়া নিয়ন্ত্রণের জন্য এই অন্তর্দৃষ্টি গুরুত্বপূর্ণ, নির্দেশ করে কোন প্যারামিটারগুলি সবচেয়ে ঘনিষ্ঠভাবে পর্যবেক্ষণ করতে হবে।
• চার্ট ৩: অপ্টিমাইজেশন কনভারজেন্স প্লট: ছয়টি পরীক্ষামূলক নমুনার জন্য, একটি প্লট যা এনএলপি অপ্টিমাইজার পুনরাবৃত্তি হওয়ার সাথে সাথে পূর্বাভাসিত ইউক্লিডীয় ত্রুটি (µm) হ্রাস দেখায়, ন্যূনতম মানের (যেমন, ২৫.৫৭ µm) দিকে অভিসৃত হয়।

7. বিশ্লেষণ কাঠামো: একটি নন-কোড কেস

একজন প্রক্রিয়া প্রকৌশলী বিবেচনা করুন যাকে একটি ০২০১ (০.০২" x ০.০১") রোধকের জন্য টম্বস্টোনিং ত্রুটি কমানোর দায়িত্ব দেওয়া হয়েছে। এই গবেষণাপত্রের কাঠামো অনুসরণ করে:

1. তথ্যের ভিত্তি: পরবর্তী ১০০টি বোর্ডের জন্য, প্রতিটি ০২০১ উপাদানের জন্য রেকর্ড করুন: ক) বাম/ডান প্যাড আয়তনের জন্য এসপিআই তথ্য ($V_L$, $V_R$), খ) স্থাপন মেশিনের স্থানাঙ্ক ($x_i$, $y_i$), গ) পুনঃপ্রবাহ-পরবর্তী স্বয়ংক্রিয় অপটিক্যাল পরিদর্শন (এওআই) ফলাফল: ভাল জয়েন্ট, টম্বস্টোন (হ্যাঁ/না), এবং পরিমাপিত চূড়ান্ত স্থানান্তর।
2. পারস্পরিক সম্পর্ক বিশ্লেষণ: পেস্ট আয়তন ভারসাম্যহীনতা $\Delta V = |V_L - V_R|$ এবং টম্বস্টোনিং-এর ঘটনার মধ্যে পারস্পরিক সম্পর্ক গণনা করুন। আপনি সম্ভবত একটি শক্তিশালী ইতিবাচক পারস্পরিক সম্পর্ক খুঁজে পাবেন, একটি মূল চালক নিশ্চিত করে।
3. সহজ পূর্বাভাসমূলক নিয়ম: জটিল এমএল ছাড়াও, আপনি একটি প্রক্রিয়া নিয়ন্ত্রণ নিয়ম স্থাপন করতে পারেন: "যদি একটি ০২০১-এর জন্য $\Delta V > X$ পিকোলিটার হয়, তাহলে পেস্ট পরিদর্শন বা রি-ওয়ার্কের জন্য বোর্ডটি ফ্ল্যাগ করুন।" $X$-এর মান আপনার তথ্য থেকে প্রাপ্ত।
4. নির্দেশমূলক কর্ম: গবেষণাপত্রের পদ্ধতি থেকে গভীর অন্তর্দৃষ্টি হবে: "একটি পরিমাপিত $\Delta V$-এর জন্য, পুনঃপ্রবাহের সময় সৃষ্ট টানকে প্রতিহত করতে আমরা কোন ক্ষতিপূরণমূলক স্থাপন অফসেট $\Delta x_i$ প্রয়োগ করতে পারি?" এটি সনাক্তকরণ থেকে প্রতিরোধের দিকে নিয়ে যায়।

8. ভবিষ্যতের প্রয়োগ ও দিকনির্দেশনা

এখানে উদ্ভাবিত পদ্ধতির মানক এসএমটি-র বাইরেও বিস্তৃত প্রয়োগযোগ্যতা রয়েছে:

• উন্নত প্যাকেজিং ও চিপলেট ইন্টিগ্রেশন: ফ্লিপ-চিপ এবং মাইক্রো-বাম্প সমাবেশের জন্য, চিপলেটগুলির স্ব-সারিবদ্ধকরণ নিয়ন্ত্রণ করা ফলনের জন্য গুরুত্বপূর্ণ। একটি এমএল-অপ্টিমাইজড পদ্ধতি একাধিক হেটেরোজেনিয়াস ডাই-এর কো-প্ল্যানারিটি এবং চূড়ান্ত স্থাপন পরিচালনা করতে পারে।
• ইন্ডাস্ট্রি ৪.০ প্ল্যাটফর্মের সাথে একীকরণ: পূর্বাভাসমূলক মডেলটি একটি ম্যানুফ্যাকচারিং এক্সিকিউশন সিস্টেম (এমইএস) বা এসএমটি লাইনের একটি ডিজিটাল টুইন-এ একটি মডিউল হয়ে উঠতে পারে, রিয়েল-টাইম, লট-নির্দিষ্ট অপ্টিমাইজেশন এবং হোয়াট-ইফ বিশ্লেষণ সক্ষম করে।
• নতুন উপাদান ব্যবস্থা: নতুন সোল্ডার উপাদানগুলিতে (যেমন, নিম্ন-তাপমাত্রার সোল্ডার, সিন্টারড সিলভার পেস্ট) কাঠামো প্রয়োগ করা যার স্ব-সারিবদ্ধকরণ গতিবিদ্যা ভালোভাবে চিহ্নিত নয়।
• উন্নত মডেল: আরএফআর থেকে গ্রেডিয়েন্ট বুস্টিং বা ফিজিক্স-ইনফর্মড নিউরাল নেটওয়ার্ক (পিআইএনএন)-এর মতো আরও উন্নত মডেলে রূপান্তর যা পরিচিত শারীরিক সীমাবদ্ধতাগুলিকে সরাসরি শিক্ষার প্রক্রিয়ায় অন্তর্ভুক্ত করতে পারে, সম্ভাব্যভাবে কম তথ্য দিয়ে কর্মদক্ষতা উন্নত করতে পারে।
• ক্লোজড-লুপ রিয়েল-টাইম কন্ট্রোল: চূড়ান্ত লক্ষ্য হলো একটি সম্পূর্ণ অভিযোজিত ব্যবস্থা যেখানে একটি বোর্ড থেকে পুনঃপ্রবাহ-পরবর্তী পরিমাপ সরাসরি পরবর্তী বোর্ডের জন্য স্থাপন প্যারামিটার আপডেট করে, একটি স্ব-সংশোধনকারী উৎপাদন লাইন তৈরি করে।

9. তথ্যসূত্র

1. Lau, J. H. (Ed.). (2016). Fan-Out Wafer-Level Packaging. Springer. (উন্নত প্যাকেজিং চ্যালেঞ্জের প্রসঙ্গে)।
2. Racz, L. M., & Szekely, J. (1993). An analysis of the self-alignment mechanism in surface mount technology. Journal of Electronic Packaging, 115(1), 22-28. (স্ব-সারিবদ্ধকরণ পদার্থবিদ্যার উপর মৌলিক কাজ)।
3. Lv, Y., et al. (2022). Machine learning in surface mount technology and microelectronics packaging: A survey. IEEE Transactions on Components, Packaging and Manufacturing Technology, 12(5), 789-802. (পিডিএফ-এ উদ্ধৃত; এসএমটিতে এমএল-এর ল্যান্ডস্কেপ প্রদান করে)।
4. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. (র্যান্ডম ফরেস্ট অ্যালগরিদমের উপর মৌলিক গবেষণাপত্র)।
5. SEMI Standard SEMI-AU1. (2023). Guide for Advanced Process Control (APC) Framework for Semiconductor Manufacturing. SEMI. (শিল্পগত মজবুতি এবং নিয়ন্ত্রণ কাঠামো মানের জন্য)।
6. Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-Image Translation with Conditional Adversarial Networks. CVPR. (সাইকেলজিএএন গবেষণাপত্র, এই এসএমটি অপ্টিমাইজেশনে সম্পাদিত "বিপরীতকরণ"-এর ধারণাগতভাবে অনুরূপ একটি শক্তিশালী, তথ্য-চালিত রূপান্তর মডেলের উদাহরণ হিসাবে উদ্ধৃত)।