Pengoptimuman Penempatan Komponen Cip Pasif dengan Kesan Penjajaran Kendiri menggunakan Pembelajaran Mesin

1. Pengenalan

Teknologi Permukaan Permukaan (SMT) adalah asas pembuatan elektronik moden, membolehkan pemasangan litar yang lebih kecil dan padat. Fenomena kritikal namun kompleks dalam SMT ialah penjajaran kendiri, di mana daya tegangan permukaan daripada pes pateri cair semasa reflow menyebabkan komponen bergerak ke arah kedudukan keseimbangan, berpotensi membetulkan ketidaksejajaran penempatan awal. Walaupun bermanfaat, pergerakan ini sukar diramal dan dikawal, terutamanya dengan komponen bersaiz kecil di mana toleransi amat ketat. Pendekatan tradisional bergantung pada model teori atau simulasi, yang sering kekurangan kebolehgunaan umum kepada variasi pengeluaran dunia sebenar. Kajian ini menangani jurang ini dengan mencadangkan pendekatan berasaskan data, pembelajaran mesin (ML) untuk memodelkan kesan penjajaran kendiri dan seterusnya mengoptimumkan parameter penempatan awal, bertujuan untuk meminimumkan ralat kedudukan akhir selepas reflow.

2. Metodologi

Penyelidikan ini mengikuti saluran dua peringkat: pertama, meramal kedudukan akhir komponen; kedua, menggunakan ramalan tersebut untuk mengoptimumkan penempatan awal.

2.1. Definisi Masalah & Pengumpulan Data

Matlamatnya adalah untuk meramal kedudukan akhir pasca-reflow ($x_f$, $y_f$, $\theta_f$) bagi komponen cip pasif berdasarkan keadaan awal. Ciri input utama termasuk:

Parameter Penempatan Awal: Koordinat mesin ambil-dan-letak ($x_i$, $y_i$, $\theta_i$).
Status Pes Pateri: Isipadu, ketinggian, dan luas pes yang didepositkan.
Geometri Komponen & Pad: Dimensi yang mempengaruhi daya tegangan permukaan.

Data dikumpulkan daripada talian pemasangan SMT terkawal, mengukur parameter yang dinyatakan sebelum reflow dan kedudukan akhir selepas reflow.

2.2. Model Pembelajaran Mesin

Dua algoritma regresi digunakan untuk ramalan:

Regresi Vektor Sokongan (SVR): Berkesan dalam ruang berdimensi tinggi, mencari fungsi dengan margin maksimum toleransi ralat ($\epsilon$).
Regresi Hutan Rawak (RFR): Kaedah ensemble yang membina pelbagai pokok keputusan dan puratakan ramalan mereka, teguh terhadap pemasaan berlebihan.

Model dilatih untuk mempelajari hubungan kompleks, bukan linear $f$: $\mathbf{P}_{final} = f(\mathbf{P}_{initial}, \mathbf{S}_{paste}, \mathbf{G})$.

2.3. Rangka Kerja Pengoptimuman

Menggunakan model ramalan terlatih (terutamanya RFR yang lebih unggul), model pengoptimuman Pengaturcaraan Bukan Linear (NLP) dirumuskan. Objektifnya adalah untuk mencari parameter penempatan awal optimum $\mathbf{P}_{initial}^*$ yang meminimumkan jarak Euclidean jangkaan antara kedudukan akhir yang diramal dan pusat pad ideal.

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

Dengan kekangan: Sempadan penempatan mesin dan kekangan kebolehlaksanaan fizikal.

3. Keputusan & Analisis

3.1. Perbandingan Prestasi Model

Model Regresi Hutan Rawak mengatasi SVR dengan ketara dalam aplikasi ini.

Ringkasan Prestasi Model

Skor R² RFR: ~0.92 (Menunjukkan kesesuaian model yang cemerlang).
Skor R² SVR: ~0.78.
Kelebihan Utama RFR: Pengendalian interaksi bukan linear yang unggul dan kedudukan kepentingan ciri (contohnya, isipadu pes pateri dikenal pasti sebagai peramal utama).

3.2. Hasil Pengoptimuman

Pengoptimum NLP, menggunakan model RFR sebagai peramal terasnya, dijalankan untuk enam sampel komponen ujian. Keputusan menunjukkan kebolehgunaan praktikal pendekatan ini.

Keputusan Utama: Parameter penempatan optimum membawa kepada jarak Euclidean minimum kedudukan pasca-reflow dari pusat pad ideal sebanyak 25.57 µm untuk sampel kes terbaik, berada dalam sempadan yang ditakrifkan oleh keperluan komponen pic ultra-halus moden.

4. Intipati Analisis Teras

Intipati Teras: Kertas kerja ini bukan sekadar tentang meramal pergerakan pateri; ia adalah pembalikan gelung tertutup yang pragmatik terhadap gangguan pembuatan. Penulis membingkai semula kesan penjajaran kendiri yang huru-hara, didorong fizik—secara tradisional sumber variasi peringkat akhir—menjadi mekanisme pampasan yang boleh diramal. Daripada melawan fizik, mereka menjadikannya senjata melalui ML untuk pra-menyimpangkan penempatan, mengubah masalah menjadi alat ketepatan. Ini adalah contoh klasik falsafah "digital twin" yang digunakan pada skala mikron.

Aliran Logik & Kecemerlangannya: Logiknya berurutan dengan elegan tetapi tidak remeh: 1) Mengakui Kekacauan: Penjajaran kendiri wujud dan kompleks. 2) Memodelkan Kekacauan: Gunakan ML bukan parametrik yang teguh (RFR) untuk mempelajari coraknya daripada data, mengelakkan persamaan prinsip pertama yang sukar diselesaikan. 3) Membalikkan Model: Gunakan model ramalan sebagai teras pengoptimum untuk menjalankan "simulasi terbalik," bertanya: "Kedudukan awal 'salah' yang mana membawa kepada kedudukan akhir 'betul'?" Aliran ini daripada pemerhatian kepada pemahaman ramalan kepada tindakan preskriptif adalah ciri kawalan proses maju.

Kekuatan & Kelemahan Ketara: Kekuatannya tidak dapat dinafikan: keputusan sub-30µm yang boleh ditunjukkan menggunakan model ML yang mudah diakses (RFR/SVR) yang lebih mudah untuk digunakan dalam persekitaran industri berbanding rangkaian neural mendalam. Pemilihan RFR berbanding SVR adalah wajar berdasarkan keputusan. Walau bagaimanapun, kelemahannya adalah dalam skop. Kajian ini hanya menguji enam sampel. Ini adalah bukti konsep, bukan pengesahan untuk pengeluaran bercampur tinggi, volum tinggi. Ia mengabaikan hanyutan temporal mesin ambil-dan-letak, kemerosotan pes pateri, dan pencemaran pad—pemboleh ubah yang akan merosakkan model yang dilatih pada data makmal yang asli. Seperti yang dinyatakan dalam piawaian SEMI untuk pembungkusan maju, keteguhan sebenar memerlukan pembelajaran in-situ, berterusan.

Wawasan Boleh Tindak untuk Industri: Untuk jurutera proses, pengajaran segera adalah untuk mula melengkapkan talian mereka untuk mengumpul triad data yang digunakan kertas kerja ini: koordinat penempatan pra-reflow, metrik pemeriksaan pes pateri (SPI), dan pengukuran pasca-reflow. Malah sebelum pengoptimuman penuh, korelasi data ini boleh mendedahkan tetingkap proses kritikal. Untuk R&D, langkah seterusnya jelas: integrasikan ini dengan kawalan masa nyata. Output pengoptimum tidak sepatutnya laporan statik; ia sepatutnya setpoint dinamik yang dipulangkan kepada mesin penempatan, mencipta gelung penyesuaian. Apabila industri bergerak ke arah integrasi heterogen dan chiplets (seperti yang digariskan oleh peta hala tuju IEEE), tahap ketepatan, kebolehramalan, dan kawalan gelung tertutup ini beralih daripada "baik untuk ada" kepada keperluan hasil asas.

5. Selaman Mendalam Teknikal

Daya penggerak penjajaran kendiri berasal daripada peminimuman jumlah tenaga permukaan pateri cair. Tork pemulihan $\tau$ yang membetulkan ketidaksejajaran putaran $\Delta\theta$ boleh dianggarkan untuk komponen cip segi empat tepat sebagai:

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

di mana $\gamma$ ialah tegangan permukaan pateri dan $L$ ialah panjang ciri berkaitan pad. Model ML, terutamanya RFR, mempelajari pemetaan bukan linear tinggi yang merangkumi fizik ini dan lebih, termasuk kesan ketidakseimbangan isipadu pes $V$, yang merupakan pemacu utama kecacatan tombstoning. Algoritma RFR membina $N$ pokok, dengan ramalan akhir untuk pemboleh ubah sasaran $\hat{y}$ ialah:

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

di mana $T_i(\mathbf{x})$ ialah ramalan pokok ke-$i$ untuk vektor ciri input $\mathbf{x}$. Pendekatan ensemble ini secara berkesan mempuratakan bunyi dan menangkap interaksi kompleks.

6. Keputusan Eksperimen & Carta

Keputusan utama kertas kerja boleh divisualisasikan melalui dua carta utama:

Carta 1: Ramalan Model vs. Kedudukan Pasca-Reflow Sebenar (Plot Serakan): Carta ini akan menunjukkan pengelompokan titik yang lebih rapat di sepanjang garis y=x untuk model RFR berbanding model SVR, secara visual menunjukkan ketepatan ramalan RFR yang lebih unggul untuk anjakan $x$, $y$, dan $\theta$.
Carta 2: Carta Bar Kepentingan Ciri daripada Hutan Rawak: Carta ini akan mengkedudukan ciri input mengikut kepentingannya dalam meramal kedudukan akhir. Berdasarkan konteks kertas kerja, kami menjangkakan Isipadu Pes Pateri (per pad) dan Ofset Penempatan Awal dalam X/Y menjadi penyumbang utama, diikuti oleh ketinggian dan luas pes. Wawasan ini adalah kritikal untuk kawalan proses, menunjukkan parameter mana yang perlu dipantau dengan paling rapat.
Carta 3: Plot Penumpuan Pengoptimuman: Untuk enam sampel ujian, plot menunjukkan pengurangan dalam ralat Euclidean diramal (µm) semasa pengoptimum NLP berulang, menumpu kepada nilai minimum (contohnya, 25.57 µm).

7. Rangka Kerja Analisis: Kes Bukan Kod

Pertimbangkan jurutera proses yang ditugaskan untuk mengurangkan kecacatan tombstoning untuk perintang 0201 (0.02" x 0.01"). Mengikut rangka kerja kertas kerja ini:

Asas Data: Untuk 100 papan seterusnya, rekod untuk setiap komponen 0201: a) Data SPI untuk isipadu pad kiri/kanan ($V_L$, $V_R$), b) Koordinat mesin penempatan ($x_i$, $y_i$), c) Keputusan pemeriksaan optik automatik (AOI) pasca-reflow: sendi baik, tombstone (ya/tidak), dan anjakan akhir yang diukur.
Analisis Korelasi: Kira korelasi antara ketidakseimbangan isipadu pes $\Delta V = |V_L - V_R|$ dan kejadian tombstoning. Anda mungkin akan menemui korelasi positif yang kuat, mengesahkan pemacu utama.
Peraturan Ramalan Mudah: Walaupun tanpa ML kompleks, anda boleh menetapkan peraturan kawalan proses: "Jika $\Delta V > X$ picoliter untuk 0201, tandakan papan untuk pemeriksaan pes atau kerja semula." Nilai $X$ diperoleh daripada data anda.
Tindakan Preskriptif: Wawasan mendalam daripada kaedah kertas kerja adalah: "Untuk $\Delta V$ yang diukur, ofset penempatan pampasan $\Delta x_i$ yang mana boleh kami gunakan untuk mengatasi tarikan yang terhasil semasa reflow?" Ini bergerak daripada pengesanan kepada pencegahan.

8. Aplikasi & Hala Tuju Masa Depan

Metodologi yang diterokai di sini mempunyai kebolehgunaan luas melebihi SMT standard:

Pembungkusan Maju & Integrasi Chiplet: Untuk pemasangan flip-chip dan micro-bump, mengawal penjajaran kendiri chiplets adalah kritikal untuk hasil. Pendekatan dioptimumkan ML boleh menguruskan keselarian dan penempatan akhir pelbagai die heterogen.
Integrasi dengan Platform Industri 4.0: Model ramalan boleh menjadi modul dalam sistem pelaksanaan pembuatan (MES) atau digital twin talian SMT, membolehkan pengoptimuman masa nyata, khusus lot dan analisis what-if.
Sistem Bahan Baharu: Menggunakan rangka kerja kepada bahan pateri novel (contohnya, pateri suhu rendah, pes perak sinter) yang dinamik penjajaran kendirinya tidak dikaji dengan baik.
Model Dipertingkatkan: Beralih daripada RFR kepada model lebih maju seperti Gradient Boosting atau rangkaian neural berinformasi fizik (PINNs) yang boleh menggabungkan kekangan fizikal yang diketahui terus ke dalam proses pembelajaran, berpotensi meningkatkan prestasi dengan data yang kurang.
Kawalan Masa Nyata Gelung Tertutup: Matlamat utama adalah sistem penyesuaian penuh di mana pengukuran pasca-reflow daripada satu papan mengemas kini parameter penempatan untuk papan seterusnya secara langsung, mencipta talian pengeluaran pembetulan kendiri.

9. Rujukan

Lau, J. H. (Ed.). (2016). Fan-Out Wafer-Level Packaging. Springer. (Untuk konteks cabaran pembungkusan maju).
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. (Karya seminal mengenai fizik penjajaran kendiri).
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. (Dirujuk dalam PDF; menyediakan landskap ML dalam SMT).
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. (Kertas asas mengenai algoritma Hutan Rawak).
SEMI Standard SEMI-AU1. (2023). Guide for Advanced Process Control (APC) Framework for Semiconductor Manufacturing. SEMI. (Untuk piawaian keteguhan industri dan rangka kerja kawalan).
Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-Image Translation with Conditional Adversarial Networks. CVPR. (Kertas CycleGAN, dirujuk sebagai contoh model transformasi berasaskan data yang berkuasa secara konsep analog dengan "pembalikan" yang dilakukan dalam pengoptimuman SMT ini).