मशीन लर्निंग का उपयोग करके सेल्फ-अलाइनमेंट प्रभाव के साथ पैसिव चिप घटकों के प्लेसमेंट का अनुकूलन

1. परिचय

Surface Mount Technology (SMT) आधुनिक इलेक्ट्रॉनिक्स विनिर्माण की आधारशिला है, जो छोटे, सघन सर्किटों के असेंबली को संभव बनाती है। SMT के भीतर एक महत्वपूर्ण किंतु जटिल घटना है self-alignment, जहां रीफ्लो के दौरान पिघले हुए सोल्डर पेस्ट से सतह तनाव बल घटकों को संतुलन की स्थिति की ओर ले जाते हैं, जिससे प्रारंभिक प्लेसमेंट की गलत स्थिति संभावित रूप से सुधर सकती है। हालांकि यह लाभकारी है, इस गति की भविष्यवाणी और नियंत्रण करना कठिन है, विशेष रूप से लघुकृत घटकों के साथ जहां सहनशीलता अत्यंत कड़ी होती है। पारंपरिक दृष्टिकोण सैद्धांतिक या सिमुलेशन मॉडल पर निर्भर करते हैं, जो अक्सर वास्तविक दुनिया के उत्पादन विविधताओं के लिए सामान्यीकरण की कमी रखते हैं। यह अध्ययन इस अंतर को दूर करते हुए एक प्रस्तावित करता है डेटा-संचालित, मशीन लर्निंग (ML) दृष्टिकोण स्व-संरेखण प्रभाव को मॉडल करने और फिर प्रारंभिक प्लेसमेंट पैरामीटर को अनुकूलित करने के लिए, जिसका उद्देश्य रीफ्लो के बाद अंतिम स्थितिगत त्रुटि को कम करना है।

2. कार्यप्रणाली

अनुसंधान एक दो-चरणीय पाइपलाइन का अनुसरण करता है: पहले, अंतिम घटक की स्थिति की भविष्यवाणी करना; दूसरा, उस भविष्यवाणी का उपयोग करके प्रारंभिक स्थान को अनुकूलित करना।

2.1. Problem Definition & Data Collection

लक्ष्य प्रारंभिक स्थितियों के आधार पर एक निष्क्रिय चिप घटक की अंतिम पोस्ट-रीफ्लो स्थिति ($x_f$, $y_f$, $\theta_f$) की भविष्यवाणी करना है। प्रमुख इनपुट विशेषताओं में शामिल हैं:

प्रारंभिक प्लेसमेंट पैरामीटर: पिक-एंड-प्लेस मशीन निर्देशांक ($x_i$, $y_i$, $\theta_i$).
सोल्डर पेस्ट स्थिति: जमा किए गए पेस्ट का आयतन, ऊंचाई और क्षेत्रफल।
Component & Pad Geometry: सतह तनाव बलों को प्रभावित करने वाले आयाम।

डेटा नियंत्रित एसएमटी असेंबली लाइनों से एकत्र किया जाता है, जो रीफ्लो से पहले निर्दिष्ट मापदंडों और रीफ्लो के बाद अंतिम स्थिति को मापता है।

2.2. मशीन लर्निंग मॉडल

Two regression algorithms are employed for prediction:

Support Vector Regression (SVR): Effective in high-dimensional spaces, seeking a function with a maximum margin of error tolerance ($\epsilon$).
Random Forest Regression (RFR): एक समूह विधि जो कई निर्णय वृक्षों का निर्माण करती है और उनकी भविष्यवाणियों का औसत निकालती है, जो अति-अनुकूलन के प्रति मजबूत है।

मॉडलों को जटिल, अरेखीय संबंध $f$ सीखने के लिए प्रशिक्षित किया जाता है: $\mathbf{P}_{final} = f(\mathbf{P}_{initial}, \mathbf{S}_{paste}, \mathbf{G})$।

2.3. ऑप्टिमाइज़ेशन फ्रेमवर्क

प्रशिक्षित पूर्वानुमान मॉडल (विशेष रूप से श्रेष्ठ RFR) का उपयोग करते हुए, एक नॉन-लीनियर प्रोग्रामिंग (NLP) ऑप्टिमाइज़ेशन मॉडल तैयार किया गया है। इसका उद्देश्य इष्टतम प्रारंभिक प्लेसमेंट पैरामीटर्स $\mathbf{P}_{initial}^*$ ढूंढना है जो पूर्वानुमानित अंतिम स्थिति और आदर्श पैड केंद्र के बीच अपेक्षित यूक्लिडियन दूरी को न्यूनतम करते हैं।

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

इसके अधीन: मशीन प्लेसमेंट की सीमाएँ और भौतिक व्यवहार्यता प्रतिबंध।

3. Results & Analysis

3.1. मॉडल प्रदर्शन तुलना

इस अनुप्रयोग में Random Forest Regression मॉडल ने SVR की तुलना में काफी बेहतर प्रदर्शन किया।

मॉडल प्रदर्शन सारांश

RFR R² स्कोर: ~0.92 (मॉडल फिट की उत्कृष्टता दर्शाता है).
SVR R² स्कोर: ~0.78.
RFR का मुख्य लाभ: गैर-रैखिक अंतःक्रियाओं और सुविधा महत्व रैंकिंग का उत्कृष्ट प्रबंधन (उदाहरण के लिए, सोल्डर पेस्ट की मात्रा को एक शीर्ष भविष्यवक्ता के रूप में पहचाना गया)।

3.2. अनुकूलन परिणाम

NLP अनुकूलक, जिसने अपने मुख्य भविष्यवक्ता के रूप में RFR मॉडल का उपयोग किया, को छह परीक्षण घटक नमूनों के लिए चलाया गया। परिणामों ने इस दृष्टिकोण की व्यावहारिक व्यवहार्यता प्रदर्शित की।

मुख्य परिणाम: अनुकूलित प्लेसमेंट पैरामीटर्स के कारण एक न्यूनतम यूक्लिडियन दूरी आदर्श पैड केंद्र से पोस्ट-रीफ्लो स्थिति का 25.57 µm सर्वोत्तम-स्थिति नमूने के लिए, आधुनिक अति-सूक्ष्म-पिच घटक आवश्यकताओं द्वारा परिभाषित सीमाओं के भीतर।

4. Core Analyst Insight

Core Insight: This paper isn't just about predicting solder wiggles; it's a pragmatic, closed-loop inversion of a manufacturing nuisance. The authors reframe the chaotic, physics-driven self-alignment effect—traditionally a source of final-stage variability—into a पूर्वानुमेय क्षतिपूर्ति तंत्रभौतिकी से लड़ने के बजाय, वे ML के माध्यम से प्लेसमेंट को पूर्व-विकृत करने के लिए इसका उपयोग एक हथियार के रूप में करते हैं, जिससे एक समस्या एक सटीक उपकरण में बदल जाती है। यह माइक्रोन स्केल पर लागू "डिजिटल ट्विन" दर्शन का एक उत्कृष्ट उदाहरण है।

Logical Flow & Its Brilliance: तर्क सुंदर रूप से क्रमिक है लेकिन गैर-तुच्छ है: 1) अराजकता को स्वीकार करें: स्व-संरेखण मौजूद है और जटिल है। 2) मॉडल अराजकता: डेटा से इसके पैटर्न सीखने के लिए मजबूत, गैर-पैरामीट्रिक एमएल (आरएफआर) का उपयोग करें, जटिल प्रथम-सिद्धांत समीकरणों से बचते हुए। 3) मॉडल को उल्टा करें: "रिवर्स सिमुलेशन" चलाने के लिए एक ऑप्टिमाइज़र के केंद्र के रूप में भविष्यवाणी मॉडल का उपयोग करें, यह पूछते हुए: "कौन सी प्रारंभिक 'गलत' स्थिति अंतिम 'सही' स्थिति की ओर ले जाती है?" अवलोकन से भविष्यवाणी समझ और फिर निर्देशात्मक कार्रवाई तक का यह प्रवाह उन्नत प्रक्रिया नियंत्रण की पहचान है।

Strengths & Glaring Flaws: शक्ति निर्विवाद है: सुलभ ML मॉडल (RFR/SVR) का उपयोग करके प्रदर्शन योग्य 30µm से कम के परिणाम, जो एक गहरे न्यूरल नेट की तुलना में औद्योगिक सेटिंग में तैनात करने में आसान हैं। परिणामों द्वारा SVR पर RFR का चयन पूरी तरह से उचित ठहराया गया है। हालाँकि, कमी दायरे में है। अध्ययन केवल छह नमूनोंयह एक प्रूफ-ऑफ-कॉन्सेप्ट है, न कि उच्च-मिश्रण, उच्च-मात्रा उत्पादन के लिए मान्यता। यह पिक-एंड-प्लेस मशीन का समयिक विचलन, सोल्डर पेस्ट स्लंप और पैड संदूषण को नजरअंदाज करता है—ऐसे चर जो शुद्ध प्रयोगशाला डेटा पर प्रशिक्षित मॉडल को बर्बाद कर देंगे। जैसा कि उन्नत पैकेजिंग के लिए SEMI मानकों में उल्लेख किया गया है, वास्तविक मजबूती के लिए इन-सीटू, निरंतर सीखने की आवश्यकता होती है।

उद्योग के लिए कार्रवाई योग्य अंतर्दृष्टि: प्रक्रिया इंजीनियरों के लिए, तत्काल निष्कर्ष यह है कि वे इस पेपर द्वारा उपयोग किए गए डेटा के त्रय को एकत्र करने के लिए अपनी लाइनों को उपकरणों से लैस करना शुरू करें: प्री-रीफ्लो प्लेसमेंट निर्देशांक, सोल्डर पेस्ट निरीक्षण (SPI) मेट्रिक्स और पोस्ट-रीफ्लो माप। Even before full optimization, correlating this data can reveal critical process windows. For R&D, the next step is clear: integrate this with real-time control. The optimizer's output shouldn't be a static report; it should be a dynamic setpoint fed back to the placement machine, creating an adaptive loop. As the industry moves towards heterogeneous integration और chiplets (as outlined by IEEE's roadmap), this level of precision, predictability, और closed-loop control transitions from a "nice-to-have" to a fundamental yield requirement.

5. तकनीकी गहन अध्ययन

स्व-संरेखण प्रेरक बल पिघले हुए सोल्डर की कुल सतह ऊर्जा के न्यूनीकरण से उत्पन्न होता है। सुधारात्मक टॉर्क $\tau$ जो घूर्णन संरेखण त्रुटि $\Delta\theta$ को ठीक करता है, उसे एक आयताकार चिप घटक के लिए इस प्रकार अनुमानित किया जा सकता है:

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

जहाँ $\gamma$ सोल्डर का पृष्ठ तनाव है और $L$ पैड से संबंधित एक विशेषता लंबाई है। ML मॉडल, विशेष रूप से RFR, एक अत्यधिक अरेखीय मानचित्रण सीखते हैं जो इस भौतिकी और अधिक को समाहित करता है, जिसमें पेस्ट आयतन $V$ असंतुलन के प्रभाव शामिल हैं, जो टॉम्बस्टोनिंग दोषों का एक प्रमुख चालक है। RFR एल्गोरिदम $N$ पेड़ों का निर्माण करता है, जिसमें लक्ष्य चर $\hat{y}$ के लिए अंतिम पूर्वानुमान होता है:

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

जहाँ $T_i(\mathbf{x})$ इनपुट फ़ीचर वेक्टर $\mathbf{x}$ के लिए $i$-वें पेड़ का पूर्वानुमान है। यह एन्सेम्बल दृष्टिकोण प्रभावी रूप से शोर को औसत कर देता है और जटिल अंतःक्रियाओं को पकड़ता है।

6. Experimental Results & Charts

पेपर के प्रमुख परिणामों को दो प्राथमिक चार्टों के माध्यम से देखा जा सकता है:

चार्ट 1: मॉडल पूर्वानुमान बनाम वास्तविक पोस्ट-रीफ्लो स्थिति (स्कैटर प्लॉट): यह चार्ट SVR मॉडल की तुलना में RFR मॉडल के लिए रेखा y=x के साथ बिंदुओं का कहीं अधिक सघन समूहन दिखाएगा, जो $x$, $y$, और $\theta$ विस्थापनों के लिए RFR की श्रेष्ठ भविष्यवाणी सटीकता को दृष्टिगत रूप से प्रदर्शित करेगा।
चार्ट 2: रैंडम फॉरेस्ट से सुविधा महत्व बार चार्ट: यह चार्ट इनपुट सुविधाओं को अंतिम स्थिति की भविष्यवाणी में उनके महत्व के आधार पर क्रमबद्ध करेगा। पेपर के संदर्भ के आधार पर, हम अपेक्षा करेंगे कि Solder Paste Volume (per pad) और Initial Placement Offset in X/Y to be the top contributors, followed by paste height and area. This insight is critical for process control, indicating which parameters to monitor most closely.
Chart 3: Optimization Convergence Plot: For the six test samples, a plot showing the reduction in the predicted NLP ऑप्टिमाइज़र के पुनरावृत्त होने पर यूक्लिडियन त्रुटि (µm), न्यूनतम मान (जैसे, 25.57 µm) पर अभिसरण करती है।

7. विश्लेषण ढांचा: एक गैर-कोड मामला

एक प्रक्रिया इंजीनियर पर विचार करें जिसे 0201 (0.02" x 0.01") रेसिस्टर के लिए टॉम्बस्टोनिंग दोषों को कम करने का कार्य सौंपा गया है। इस पेपर के ढांचे का पालन करते हुए:

डेटा फाउंडेशन: अगले 100 बोर्डों के लिए, प्रत्येक 0201 कंपोनेंट के लिए रिकॉर्ड करें: a) बाएं/दाएं पैड वॉल्यूम के लिए SPI डेटा ($V_L$, $V_R$), b) प्लेसमेंट मशीन के निर्देशांक ($x_i$, $y_i$), c) पोस्ट-रीफ्लो ऑटोमेटेड ऑप्टिकल इंस्पेक्शन (AOI) परिणाम: अच्छा जोड़, टॉम्बस्टोन (हां/नहीं), और मापा गया अंतिम शिफ्ट।
सहसंबंध विश्लेषण: पेस्ट वॉल्यूम असंतुलन $\Delta V = |V_L - V_R|$ और टॉम्बस्टोनिंग की घटना के बीच सहसंबंध की गणना करें। आपको एक मजबूत सकारात्मक सहसंबंध मिलने की संभावना है, जो एक प्रमुख चालक की पुष्टि करता है।
सरल भविष्यवाणी नियम: Even without complex ML, you can establish a process control rule: "If $\Delta V > X$ picoliters for an 0201, flag the board for paste inspection or rework." The value of $X$ is derived from your data.
निर्देशात्मक कार्रवाई: पेपर की पद्धति से गहन अंतर्दृष्टि यह होगी: "मापे गए $\Delta V$ के लिए, हम रीफ्लो के दौरान उत्पन्न खिंचाव का प्रतिकार करने के लिए कौन सा क्षतिपूर्ति प्लेसमेंट ऑफसेट $\Delta x_i$ लागू कर सकते हैं?" यह पता लगाने से रोकथाम की ओर बढ़ता है।

8. Future Applications & Directions

यहाँ विकसित की गई पद्धति का मानक SMT से परे व्यापक प्रयोज्यता है:

Advanced Packaging & Chiplet Integration: फ्लिप-चिप और माइक्रो-बम्प असेंबली के लिए, चिपलेट्स के स्व-संरेखण को नियंत्रित करना उपज के लिए महत्वपूर्ण है। एक ML-अनुकूलित दृष्टिकोण कई विषमजात डाइस की सह-समतलता और अंतिम स्थिति का प्रबंधन कर सकता है।
इंडस्ट्री 4.0 प्लेटफॉर्म्स के साथ एकीकरण: यह पूर्वानुमान मॉडल एक विनिर्माण निष्पादन प्रणाली (MES) या एसएमटी लाइन के डिजिटल ट्विन में एक मॉड्यूल बन सकता है, जो वास्तविक समय में, लॉट-विशिष्ट अनुकूलन और व्हाट-इफ विश्लेषण को सक्षम बनाता है।
नई सामग्री प्रणालियाँ: इस ढांचे को नए सोल्डर सामग्रियों (जैसे, कम तापमान वाले सोल्डर, सिंटर्ड सिल्वर पेस्ट) पर लागू करना, जिनकी स्व-संरेखण गतिकी अच्छी तरह से चरित्रित नहीं है।
उन्नत मॉडल: RFR से अधिक उन्नत मॉडल जैसे ग्रेडिएंट बूस्टिंग या भौतिकी-सूचित तंत्रिका नेटवर्क (PINNs) में संक्रमण, जो ज्ञात भौतिक बाधाओं को सीधे सीखने की प्रक्रिया में शामिल कर सकते हैं, संभावित रूप से कम डेटा के साथ प्रदर्शन में सुधार कर सकते हैं।
बंद-लूप वास्तविक-समय नियंत्रण: अंतिम लक्ष्य एक पूर्णतः अनुकूली प्रणाली है जहां एक बोर्ड से पोस्ट-रीफ्लो माप सीधे अगले बोर्ड के प्लेसमेंट पैरामीटर्स को अपडेट करता है, जिससे एक स्व-सुधारात्मक उत्पादन लाइन बनती है।

9. References

Lau, J. H. (Ed.). (2016). Fan-Out Wafer-Level Packaging. स्प्रिंगर. (उन्नत पैकेजिंग चुनौतियों के संदर्भ में).
Racz, L. M., & Szekely, J. (1993). An analysis of the self-alignment mechanism in surface mount technology. जर्नल ऑफ इलेक्ट्रॉनिक पैकेजिंग, 115(1), 22-28. (सेल्फ-अलाइनमेंट भौतिकी पर मौलिक कार्य)।
Lv, Y., et al. (2022). सरफेस माउंट टेक्नोलॉजी और माइक्रोइलेक्ट्रॉनिक पैकेजिंग में मशीन लर्निंग: एक सर्वेक्षण। IEEE Transactions on Components, Packaging and Manufacturing Technology, 12(5), 789-802. (पीडीएफ में उद्धृत; एसएमटी में एमएल का परिदृश्य प्रदान करता है)।
Breiman, L. (2001). Random Forests. मशीन लर्निंग, 45(1), 5-32. (रैंडम फॉरेस्ट एल्गोरिदम पर आधारभूत शोध पत्र).
SEMI Standard SEMI-AU1. (2023). Guide for Advanced Process Control (APC) Framework for Semiconductor Manufacturing. SEMI. (For industrial robustness and control framework standards).
Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-Image Translation with Conditional Adversarial Networks. CVPR. (CycleGAN पेपर, एक शक्तिशाली, डेटा-संचालित परिवर्तन मॉडल के उदाहरण के रूप में संदर्भित, जो अवधारणात्मक रूप से इस SMT अनुकूलन में किए गए "इनवर्जन" के अनुरूप है)।