표면 실장 기술(SMT)은 더 작고 밀도 높은 회로의 조립을 가능하게 하는 현대 전자 제조의 초석입니다. SMT 내에서 중요하면서도 복잡한 현상은 셀프 얼라인먼트로, 리플로우 과정에서 녹은 솔더 페이스트의 표면 장력이 부품을 평형 위치로 이동시켜 초기 배치 오정렬을 잠재적으로 보정합니다. 이 움직임은 유익하지만, 특히 공차가 극도로 엄격한 소형 부품의 경우 예측하고 제어하기 어렵습니다. 기존 접근 방식은 실제 생산 변동에 대한 일반화가 부족한 이론적 또는 시뮬레이션 모델에 의존합니다. 본 연구는 이러한 격차를 해소하기 위해 데이터 기반의 머신 러닝(ML) 접근법을 제안하여 셀프 얼라인먼트 효과를 모델링하고, 이어서 초기 배치 매개변수를 최적화하여 리플로우 후 최종 위치 오차를 최소화하는 것을 목표로 합니다.
본 연구는 두 단계 파이프라인을 따릅니다: 첫째, 최종 부품 위치 예측; 둘째, 그 예측을 사용하여 초기 배치 최적화.
목표는 초기 조건을 기반으로 패시브 칩 부품의 최종 리플로우 후 위치($x_f$, $y_f$, $\theta_f$)를 예측하는 것입니다. 주요 입력 피처는 다음과 같습니다:
데이터는 통제된 SMT 조립 라인에서 수집되며, 리플로우 전 명시된 매개변수와 리플로우 후 최종 위치를 측정합니다.
예측을 위해 두 가지 회귀 알고리즘이 사용됩니다:
모델은 복잡한 비선형 관계 $f$: $\mathbf{P}_{final} = f(\mathbf{P}_{initial}, \mathbf{S}_{paste}, \mathbf{G})$를 학습하도록 훈련됩니다.
훈련된 예측 모델(특히 우수한 RFR)을 사용하여 비선형 프로그래밍(NLP) 최적화 모델이 공식화됩니다. 목표는 예측된 최종 위치와 이상적인 패드 중심 사이의 예상 유클리드 거리를 최소화하는 최적의 초기 배치 매개변수 $\mathbf{P}_{initial}^*$를 찾는 것입니다.
목적 함수: $\min \, \mathbb{E}[\, \| \mathbf{P}_{final}(\mathbf{P}_{initial}) - \mathbf{P}_{ideal} \| \,]$
제약 조건: 장비 배치 경계 및 물리적 실현 가능성 제약.
랜덤 포레스트 회귀 모델이 이 응용 분야에서 SVR을 크게 능가했습니다.
RFR 모델을 핵심 예측기로 사용하는 NLP 최적화기는 6개의 테스트 부품 샘플에 대해 실행되었습니다. 결과는 이 접근법의 실용적 타당성을 입증했습니다.
핵심 결과: 최적화된 배치 매개변수는 최상의 샘플에 대해 리플로우 후 위치의 이상적인 패드 중심으로부터의 최소 유클리드 거리가 25.57 µm로 나타났으며, 이는 현대의 초정밀 피치 부품 요구사항에 의해 정의된 경계 내에 잘 들어맞습니다.
핵심 인사이트: 이 논문은 단순히 솔더의 미세 움직임을 예측하는 것이 아닙니다. 이는 제조 과정의 골칫거리를 실용적이고 폐쇄 루프 방식으로 역전시킨 것입니다. 저자들은 전통적으로 최종 단계 변동성의 원인이었던 혼란스럽고 물리학적으로 주도되는 셀프 얼라인먼트 효과를 예측 가능한 보정 메커니즘으로 재구성합니다. 물리 법칙과 싸우기보다는 ML을 통해 이를 무기화하여 배치를 사전에 왜곡함으로써 문제를 정밀 도구로 전환합니다. 이는 마이크론 규모에서 적용된 "디지털 트윈" 철학의 고전적인 예입니다.
논리적 흐름과 그 탁월함: 논리는 우아하게 순차적이지만 사소하지 않습니다: 1) 혼란 인정: 셀프 얼라인먼트가 존재하며 복잡합니다. 2) 혼란 모델링: 강력한 비모수적 ML(RFR)을 사용하여 데이터로부터 그 패턴을 학습하고, 다루기 힘든 제1원리 방정식을 우회합니다. 3) 모델 역전: 예측 모델을 최적화기의 핵심으로 사용하여 "역방향 시뮬레이션"을 실행하며, "어떤 초기 '잘못된' 위치가 최종 '올바른' 위치로 이어지는가?"라는 질문을 던집니다. 관찰에서 예측적 이해를 거쳐 처방적 행동으로 이어지는 이 흐름은 고급 공정 제어의 특징입니다.
강점과 명백한 결점: 강점은 부인할 수 없습니다: 딥 뉴럴 네트워크보다 산업 현장에 배포하기 쉬운 접근 가능한 ML 모델(RFR/SVR)을 사용하여 30µm 미만의 결과를 입증했습니다. SVR보다 RFR을 선택한 것은 결과에 의해 잘 정당화됩니다. 그러나 결점은 범위에 있습니다. 이 연구는 6개의 샘플만 테스트했습니다. 이는 개념 증명이며, 고혼합, 대량 생산을 위한 검증이 아닙니다. 이 연구는 픽 앤 플레이스 장비의 시간적 드리프트, 솔더 페이스트 슬럼프, 패드 오염과 같은 변수를 무시하는데, 이러한 변수들은 깨끗한 실험실 데이터로 훈련된 모델을 망가뜨릴 것입니다. 고급 패키징을 위한 SEMI 표준에서 언급된 바와 같이, 진정한 강건성은 현장에서의 지속적인 학습이 필요합니다.
산업을 위한 실행 가능한 인사이트: 공정 엔지니어에게 즉시 얻을 수 있는 교훈은 이 논문이 사용하는 세 가지 데이터(리플로우 전 배치 좌표, 솔더 페이스트 검사(SPI) 지표, 리플로우 후 측정)를 수집하기 위해 라인에 계측 장비를 설치하기 시작하는 것입니다. 완전한 최적화 이전에도 이 데이터를 상관 분석하면 중요한 공정 윈도우를 밝혀낼 수 있습니다. 연구 개발(R&D)을 위한 다음 단계는 명확합니다: 이를 실시간 제어와 통합하는 것입니다. 최적화기의 출력은 정적 보고서가 아니라 배치 장비로 피드백되는 동적 설정값이 되어 적응형 루프를 생성해야 합니다. 산업이 이종 통합 및 칩릿( IEEE의 로드맵에 개요된 대로)으로 나아감에 따라, 이 수준의 정밀도, 예측 가능성 및 폐쇄 루프 제어는 "있으면 좋은" 것에서 기본적인 수율 요구사항으로 전환됩니다.
셀프 얼라인먼트 구동력은 녹은 솔더의 총 표면 에너지 최소화에서 비롯됩니다. 회전 오정렬 $\Delta\theta$를 보정하는 복원 토크 $\tau$는 직사각형 칩 부품에 대해 다음과 같이 근사할 수 있습니다:
$\tau \approx - \gamma L \, \Delta\theta$
여기서 $\gamma$는 솔더의 표면 장력이고 $L$은 패드와 관련된 특성 길이입니다. ML 모델, 특히 RFR은 이 물리 법칙과 툼스토닝 결함의 주요 원동력인 페이스트 부피 $V$ 불균형의 효과를 포함하는 고도로 비선형적인 매핑을 학습합니다. RFR 알고리즘은 $N$개의 트리를 구축하며, 목표 변수 $\hat{y}$에 대한 최종 예측은 다음과 같습니다:
$\hat{y} = \frac{1}{N} \sum_{i=1}^{N} T_i(\mathbf{x})$
여기서 $T_i(\mathbf{x})$는 입력 피처 벡터 $\mathbf{x}$에 대한 $i$번째 트리의 예측입니다. 이 앙상블 접근법은 효과적으로 노이즈를 평균화하고 복잡한 상호작용을 포착합니다.
논문의 주요 결과는 두 가지 기본 차트를 통해 시각화할 수 있습니다:
0201(0.02" x 0.01") 저항에 대한 툼스토닝 결함을 줄이는 임무를 맡은 공정 엔지니어를 고려해 보십시오. 이 논문의 프레임워크를 따르면:
여기서 개척된 방법론은 표준 SMT를 넘어 광범위한 적용 가능성을 가집니다: