بهینه‌سازی جایگذاری قطعات پسیو چیپ با استفاده از اثر خودترازی و یادگیری ماشین

1. مقدمه

فناوری نصب سطحی (SMT) سنگ بنای ساخت الکترونیک مدرن است که امکان مونتاژ مدارهای کوچکتر و متراکم‌تر را فراهم می‌کند. یک پدیده حیاتی و در عین حال پیچیده در SMT، خودترازی است که در آن نیروهای کشش سطحی ناشی از خمیر لحیم مذاب در حین ری‌فلو، قطعه را به سمت موقعیت تعادل حرکت می‌دهد و به طور بالقوه ناهم‌ترازی اولیه جایگذاری را اصلاح می‌کند. اگرچه این حرکت مفید است، اما پیش‌بینی و کنترل آن دشوار است، به ویژه برای قطعات مینیاتوری که تلرانس‌ها بسیار محدود هستند. رویکردهای سنتی بر مدل‌های نظری یا شبیه‌سازی تکیه دارند که اغلب فاقد تعمیم‌پذیری به تغییرات تولید در دنیای واقعی هستند. این مطالعه با پیشنهاد یک رویکرد داده‌محور مبتنی بر یادگیری ماشین (ML) برای مدل‌سازی اثر خودترازی و در نتیجه بهینه‌سازی پارامترهای جایگذاری اولیه، به این شکاف می‌پردازد و هدف آن به حداقل رساندن خطای موقعیتی نهایی پس از ری‌فلو است.

2. روش‌شناسی

این پژوهش از یک خط لوله دو مرحله‌ای پیروی می‌کند: اول، پیش‌بینی موقعیت نهایی قطعه؛ دوم، استفاده از آن پیش‌بینی برای بهینه‌سازی جایگذاری اولیه.

2.1. تعریف مسئله و جمع‌آوری داده

هدف، پیش‌بینی موقعیت نهایی پس از ری‌فلو ($x_f$, $y_f$, $\theta_f$) یک قطعه پسیو چیپ بر اساس شرایط اولیه است. ویژگی‌های ورودی کلیدی شامل موارد زیر می‌شود:

پارامترهای جایگذاری اولیه: مختصات ماشین برداشت و جایگذاری ($x_i$, $y_i$, $\theta_i$).
وضعیت خمیر لحیم: حجم، ارتفاع و مساحت خمیر رسوب‌شده.
هندسه قطعه و پد: ابعادی که بر نیروهای کشش سطحی تأثیر می‌گذارند.

داده‌ها از خطوط مونتاژ SMT کنترل‌شده جمع‌آوری می‌شود و پارامترهای ذکر شده قبل از ری‌فلو و موقعیت نهایی پس از ری‌فلو اندازه‌گیری می‌شوند.

2.2. مدل‌های یادگیری ماشین

دو الگوریتم رگرسیون برای پیش‌بینی به کار گرفته شده‌اند:

رگرسیون بردار پشتیبان (SVR): در فضاهای با ابعاد بالا مؤثر است و به دنبال تابعی با حاشیه خطای تحمل حداکثری ($\epsilon$) است.
رگرسیون جنگل تصادفی (RFR): یک روش گروهی که چندین درخت تصمیم می‌سازد و پیش‌بینی‌های آن‌ها را میانگین می‌گیرد و در برابر بیش‌برازش مقاوم است.

مدل‌ها آموزش داده می‌شوند تا رابطه پیچیده و غیرخطی $f$ را یاد بگیرند: $\mathbf{P}_{final} = f(\mathbf{P}_{initial}, \mathbf{S}_{paste}, \mathbf{G})$.

2.3. چارچوب بهینه‌سازی

با استفاده از مدل پیش‌بینی آموزش‌دیده (به ویژه RFR برتر)، یک مدل بهینه‌سازی برنامه‌ریزی غیرخطی (NLP) فرمول‌بندی می‌شود. هدف یافتن پارامترهای بهینه جایگذاری اولیه $\mathbf{P}_{initial}^*$ است که فاصله اقلیدسی مورد انتظار بین موقعیت نهایی پیش‌بینی شده و مرکز ایده‌آل پد را به حداقل برساند.

تابع هدف: $\min \, \mathbb{E}[\, \| \mathbf{P}_{final}(\mathbf{P}_{initial}) - \mathbf{P}_{ideal} \| \,]$

مشروط بر: محدودیت‌های مرزی جایگذاری ماشین و محدودیت‌های امکان‌پذیری فیزیکی.

3. نتایج و تحلیل

3.1. مقایسه عملکرد مدل

مدل رگرسیون جنگل تصادفی در این کاربرد به طور قابل توجهی از SVR بهتر عمل کرد.

خلاصه عملکرد مدل

نمره R² مدل RFR: ~0.92 (نشان‌دهنده برازش عالی مدل).
نمره R² مدل SVR: ~0.78.
مزیت کلیدی RFR: مدیریت برتر تعاملات غیرخطی و رتبه‌بندی اهمیت ویژگی‌ها (به عنوان مثال، حجم خمیر لحیم به عنوان یک پیش‌بین‌کننده برتر شناسایی شد).

3.2. پیامدهای بهینه‌سازی

بهینه‌ساز NLP، با استفاده از مدل RFR به عنوان پیش‌بین اصلی، برای شش نمونه قطعه آزمایشی اجرا شد. نتایج، امکان‌پذیری عملی این رویکرد را نشان داد.

نتیجه کلیدی: پارامترهای جایگذاری بهینه‌شده منجر به حداقل فاصله اقلیدسی موقعیت پس از ری‌فلو از مرکز ایده‌آل پد به میزان 25.57 میکرومتر برای نمونه بهترین حالت شد که به خوبی در محدوده تعریف شده توسط الزامات قطعات با گام فوق‌ریز مدرن قرار دارد.

4. بینش کلیدی تحلیلگر

بینش اصلی: این مقاله صرفاً درباره پیش‌بینی لرزش‌های لحیم نیست؛ بلکه یک وارونگی عملی و حلقه بسته از یک مزاحمت تولیدی است. نویسندگان اثر خودترازی آشفته و فیزیک‌محور را—که به طور سنتی منبع تغییرپذیری مرحله نهایی است—به یک مکانیسم جبرانی قابل پیش‌بینی بازتعریف می‌کنند. به جای مقابله با فیزیک، آن را از طریق ML مسلح می‌کنند تا جایگذاری را از پیش اعوجاج دهند و یک مشکل را به ابزاری دقیق تبدیل کنند. این یک نمونه کلاسیک از فلسفه "دوقلوی دیجیتال" است که در مقیاس میکرون اعمال شده است.

جریان منطقی و درخشش آن: منطق به طور ظریف متوالی اما غیربدیهی است: 1) پذیرش آشفتگی: خودترازی وجود دارد و پیچیده است. 2) مدل‌سازی آشفتگی: استفاده از ML غیرپارامتری و قوی (RFR) برای یادگیری الگوهای آن از داده، دور زدن معادلات غیرقابل حل مبتنی بر اصول اولیه. 3) وارونه کردن مدل: استفاده از مدل پیش‌بینی به عنوان قلب یک بهینه‌ساز برای اجرای یک "شبیه‌سازی معکوس"، با این پرسش: "کدام موقعیت اولیه 'نادرست' منجر به موقعیت نهایی 'درست' می‌شود؟" این جریان از مشاهده به درک پیش‌بینی‌کننده و سپس اقدام تجویزی، مشخصه کنترل فرآیند پیشرفته است.

نقاط قوت و ضعف آشکار: قوت انکارناپذیر است: نتایج قابل نمایش زیر 30 میکرومتر با استفاده از مدل‌های ML در دسترس (RFR/SVR) که استقرار آن‌ها در محیط صنعتی از یک شبکه عصبی عمیق آسان‌تر است. انتخاب RFR به جای SVR توسط نتایج به خوبی توجیه شده است. با این حال، ضعف در دامنه مطالعه است. این مطالعه تنها شش نمونه را آزمایش می‌کند. این یک اثبات مفهوم است، نه اعتبارسنجی برای تولید با تنوع بالا و حجم انبوه. این مطالعه از انحراف زمانی ماشین برداشت و جایگذاری، افتادگی خمیر لحیم و آلودگی پد—متغیرهایی که یک مدل آموزش‌دیده بر داده‌های آزمایشگاهی بکر را نابود می‌کنند—صرف‌نظر می‌کند. همانطور که در استانداردهای SEMI برای بسته‌بندی پیشرفته ذکر شده است، استحکام واقعی مستلزم یادگیری درجا و پیوسته است.

بینش‌های قابل اجرا برای صنعت: برای مهندسان فرآیند، نتیجه فوری این است که شروع به ابزارسازی خطوط خود کنند تا سه‌گانه داده‌ای را که این مقاله استفاده می‌کند جمع‌آوری کنند: مختصات جایگذاری قبل از ری‌فلو، معیارهای بازرسی خمیر لحیم (SPI)، و اندازه‌گیری پس از ری‌فلو. حتی قبل از بهینه‌سازی کامل، همبستگی این داده‌ها می‌تواند پنجره‌های فرآیندی حیاتی را آشکار کند. برای تحقیق و توسعه، گام بعدی روشن است: ادغام این روش با کنترل بلادرنگ. خروجی بهینه‌ساز نباید یک گزارش ایستا باشد؛ باید یک نقطه تنظیم پویا باشد که به ماشین جایگذاری بازخورد داده می‌شود و یک حلقه سازگار ایجاد می‌کند. با حرکت صنعت به سمت یکپارچه‌سازی ناهمگن و چیپلت‌ها (همانطور که در نقشه راه IEEE ترسیم شده است)، این سطح از دقت، پیش‌بینی‌پذیری و کنترل حلقه بسته از یک "امتیاز" به یک الزام اساسی بازده تبدیل می‌شود.

5. بررسی عمیق فنی

نیروی محرکه خودترازی از حداقل‌سازی انرژی سطحی کل لحیم مذاب ناشی می‌شود. گشتاور بازگرداننده $\tau$ که ناهم‌ترازی چرخشی $\Delta\theta$ را اصلاح می‌کند، برای یک قطعه چیپ مستطیلی را می‌توان به صورت زیر تقریب زد:

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

که در آن $\gamma$ کشش سطحی لحیم و $L$ طول مشخصه مرتبط با پد است. مدل‌های ML، به ویژه RFR، یک نگاشت بسیار غیرخطی را یاد می‌گیرند که این فیزیک و موارد بیشتری از جمله اثرات عدم تعادل حجم خمیر $V$ را در بر می‌گیرد که یک محرک اصلی عیوب قبرستونی است. الگوریتم RFR، $N$ درخت می‌سازد و پیش‌بینی نهایی برای متغیر هدف $\hat{y}$ به صورت زیر است:

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

که در آن $T_i(\mathbf{x})$ پیش‌بینی درخت $i$-ام برای بردار ویژگی ورودی $\mathbf{x}$ است. این رویکرد گروهی به طور مؤثری نویز را حذف می‌کند و تعاملات پیچیده را ثبت می‌کند.

6. نتایج آزمایشی و نمودارها

نتایج کلیدی مقاله را می‌توان از طریق دو نمودار اصلی تجسم کرد:

نمودار 1: پیش‌بینی مدل در مقابل موقعیت واقعی پس از ری‌فلو (نمودار پراکندگی): این نمودار خوشه‌بندی بسیار فشرده‌تری از نقاط را در امتداد خط y=x برای مدل RFR در مقایسه با مدل SVR نشان می‌دهد و به صورت بصری دقت پیش‌بینی برتر RFR را برای جابجایی‌های $x$، $y$ و $\theta$ نشان می‌دهد.
نمودار 2: نمودار میله‌ای اهمیت ویژگی‌ها از جنگل تصادفی: این نمودار ویژگی‌های ورودی را بر اساس اهمیت آن‌ها در پیش‌بینی موقعیت نهایی رتبه‌بندی می‌کند. بر اساس زمینه مقاله، انتظار داریم که حجم خمیر لحیم (به ازای هر پد) و انحراف جایگذاری اولیه در X/Y از مهم‌ترین عوامل باشند و پس از آن ارتفاع و مساحت خمیر قرار گیرند. این بینش برای کنترل فرآیند حیاتی است و نشان می‌دهد کدام پارامترها را باید با دقت بیشتری نظارت کرد.
نمودار 3: نمودار همگرایی بهینه‌سازی: برای شش نمونه آزمایشی، نموداری که کاهش خطای اقلیدسی پیش‌بینی شده (میکرومتر) را با تکرار بهینه‌ساز NLP نشان می‌دهد و به مقدار حداقل (مثلاً 25.57 میکرومتر) همگرا می‌شود.

7. چارچوب تحلیل: یک مورد غیرکدی

یک مهندس فرآیند را در نظر بگیرید که وظیفه کاهش عیوب قبرستونی برای یک مقاومت 0201 (0.02" x 0.01") را بر عهده دارد. با پیروی از چارچوب این مقاله:

بنیان داده: برای 100 برد بعدی، برای هر قطعه 0201 ثبت کنید: الف) داده‌های SPI برای حجم پد چپ/راست ($V_L$, $V_R$)، ب) مختصات ماشین جایگذاری ($x_i$, $y_i$)، ج) نتیجه بازرسی نوری خودکار (AOI) پس از ری‌فلو: اتصال خوب، قبرستونی (بله/خیر) و جابجایی نهایی اندازه‌گیری شده.
تحلیل همبستگی: همبستگی بین عدم تعادل حجم خمیر $\Delta V = |V_L - V_R|$ و وقوع قبرستونی را محاسبه کنید. به احتمال زیاد یک همبستگی مثبت قوی پیدا خواهید کرد که یک محرک کلیدی را تأیید می‌کند.
قاعده پیش‌بینی ساده: حتی بدون ML پیچیده، می‌توانید یک قاعده کنترل فرآیند ایجاد کنید: "اگر $\Delta V > X$ پیکولیتر برای یک قطعه 0201 باشد، برد را برای بازرسی یا اصلاح خمیر علامت‌گذاری کنید." مقدار $X$ از داده‌های شما استخراج می‌شود.
اقدام تجویزی: بینش عمیق‌تر از روش مقاله این خواهد بود: "برای یک $\Delta V$ اندازه‌گیری شده، چه انحراف جبرانی جایگذاری $\Delta x_i$ را می‌توانیم اعمال کنیم تا کشش حاصل در حین ری‌فلو را خنثی کنیم؟" این از تشخیص به پیشگیری حرکت می‌کند.

8. کاربردها و جهت‌های آینده

روش‌شناسی پیشگامانه اینجا کاربرد گسترده‌ای فراتر از SMT استاندارد دارد:

بسته‌بندی پیشرفته و یکپارچه‌سازی چیپلت: برای مونتاژ فلپ‌چیپ و میکروبامپ، کنترل خودترازی چیپلت‌ها برای بازده حیاتی است. یک رویکرد بهینه‌شده با ML می‌تواند هم‌سطحی و جایگذاری نهایی چندین دی ناهمگن را مدیریت کند.
ادغام با پلتفرم‌های صنعت 4.0: مدل پیش‌بینی می‌تواند به یک ماژول در سیستم اجرایی تولید (MES) یا یک دوقلوی دیجیتال خط SMT تبدیل شود و بهینه‌سازی بلادرنگ و خاص هر دسته و تحلیل سناریوی "چه می‌شود اگر" را ممکن سازد.
سیستم‌های مواد جدید: اعمال چارچوب بر مواد لحیم نوآورانه (مانند لحیم‌های دمای پایین، خمیرهای نقره سینترشده) که دینامیک خودترازی آن‌ها به خوبی شناخته نشده است.
مدل‌های پیشرفته‌تر: انتقال از RFR به مدل‌های پیشرفته‌تر مانند گرادیان بوستینگ یا شبکه‌های عصبی آگاه از فیزیک (PINNs) که می‌توانند محدودیت‌های فیزیکی شناخته شده را مستقیماً در فرآیند یادگیری بگنجانند و به طور بالقوه عملکرد را با داده کمتر بهبود بخشند.
کنترل بلادرنگ حلقه بسته: هدف نهایی یک سیستم کاملاً سازگار است که در آن اندازه‌گیری پس از ری‌فلو از یک برد، مستقیماً پارامترهای جایگذاری برد بعدی را به‌روزرسانی می‌کند و یک خط تولید خودتصحیح‌کننده ایجاد می‌کند.

9. مراجع

Lau, J. H. (Ed.). (2016). Fan-Out Wafer-Level Packaging. Springer. (برای زمینه چالش‌های بسته‌بندی پیشرفته).
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. (کار بنیادی در فیزیک خودترازی).
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. (ذکر شده در PDF؛ چشم‌انداز ML در SMT را ارائه می‌دهد).
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. (مقاله پایه‌ای در مورد الگوریتم جنگل تصادفی).
SEMI Standard SEMI-AU1. (2023). Guide for Advanced Process Control (APC) Framework for Semiconductor Manufacturing. SEMI. (برای استانداردهای استحکام صنعتی و چارچوب کنترل).
Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-Image Translation with Conditional Adversarial Networks. CVPR. (مقاله CycleGAN، به عنوان نمونه‌ای از یک مدل تبدیل قدرتمند و داده‌محور که از نظر مفهومی مشابه "وارونگی" انجام شده در این بهینه‌سازی SMT است، ذکر شده).