Uboreshaji wa Uwekaji wa Vipengele vya Chip Passive Kwa Athari ya Kujipangia Kwa Kutumia Machine Learning

Yaliyomo

1. Utangulizi

Teknolojia ya Surface Mount (SMT) inawakilisha maendeleo makubwa katika ufungashaji wa vifaa vya elektroniki, ambapo vipengele huwekwa moja kwa moja kwenye bodi za mzunguko (PCBs) na kushikamana kabisa kupitia ununuzi wa reflow. Wakati wa mchakato huu, athari ya kujipangia hufanyika wakati mchanga wa solder uliyoyeyuka utatengeneza nguvu za mvutano wa uso ambazo huhamisha vipengele kuelekea nafasi zao za usawa, na hivyo kurekebisha makosa ya awali ya uwekaji.

Mwelekeo wa kupunguza ukubwa wa vifaa vya elektroniki unaleta changamoto kubwa kwa usahihi wa uwekaji wa vipengele. Vifurushi vidogo vilivyo na idadi kubwa ya waya zinahitaji usahihi usio wa kawaida, huku athari za kujipangia zikiweza kusaidia au kuzuia nafasi ya mwisho. Utafiti huu unalenga hitaji muhimu la kuelewa na kutabiri mienendo hii ili kuboresha vigezo vya uwekaji wa awali.

2. Mbinu

2.1 Algorithm za Machine Learning

Utafiti huu unatumia algorithm mbili thabiti za machine learning kwa kutabiri kujipangia kwa kipengele:

• Support Vector Regression (SVR): Inafaa kwa nafasi zenye ukubwa mwingi na uhusiano usio laini
• Random Forest Regression (RFR): Mbinu ya mkusanyiko inayotoa usahihi wa hali ya juu na uchambuzi wa umuhimu wa sifa

Miundo hii ilifunzwa kutabiri nafasi za mwisho za kipengele katika mwelekeo wa x, y, na mzunguko kulingana na vigezo vya uwekaji wa awali na sifa za mchanga wa solder.

2.2 Mfumo wa Uboreshaji

Mfumo wa uboreshaji usio laini (NLP) ulitengenezwa ili kubainisha vigezo bora vya uwekaji wa awali. Kazi lengo inapunguza Umbali wa Euclidean kati ya nafasi ya mwisho iliyotabiriwa na kitovu bora cha pedi:

$$\min \sqrt{(x_f - x_i)^2 + (y_f - y_i)^2 + (\theta_f - \theta_i)^2}$$

Ambapo $x_f$, $y_f$, $\theta_f$ zinawakilisha nafasi za mwisho na $x_i$, $y_i$, $\theta_i$ zinawakilisha nafasi bora.

3. Matokeo ya Majaribio

3.1 Utoaji Utabiri

Random Forest Regression ilionyesha utendaji bora zaidi ikilinganishwa na SVR katika mfumo wa kufaa na vipimo vya makosa. RFR ilipata usahihi wa hali ya juu wa utabiri katika kesi zote za majaribio, na uwezo maalum katika kushughulikia uhusiano usio laini kati ya vigezo vya uwekaji na nafasi za mwisho.

3.2 Matokeo ya Uboreshaji

Mfumo wa uboreshaji ulijaribiwa kwenye vipengele 6 vya sampuli, na kufikia umbali mdogo wa Euclidean wa 25.57 μm kutoka kwenye nafasi ya kitovu bora cha pedi. Hii inawakilisha uboreshaji mkubwa ukilinganisha na mbinu za kawaida za uwekaji ambazo hazizingatii athari za kujipangia.

4. Uchambuzi wa Kiufundi

Ufahamu Msingi

Utafiti huu unapinga kimsingi hekima ya kawaida katika utengenezaji wa SMT kwamba uwekaji sahihi wa awali ndio lengo la mwisho. Badala yake, unaonyesha kwamba kukosekana kwa mkakati—kuweka kwa makusudi vipengele mbali na kitovu ili kutumia nguvu za kujipangia—inaweza kutoa usahihi bora wa nafasi ya mwisho. Mabadiliko haya ya dhana yanafanana na mawazo ya kuvunja-vunja katika upigaji picha wa kompyuta ambapo algorithm zinalipa fidia kwa ukosefu wa usahihi wa macho, sawa na mbinu ya upigaji picha wa kompyuta ya Google katika simu za Pixel.

Mfuatano wa Kimantiki

Mbinu inafuata mantiki ya uhandisi maridadi: badala ya kupambana na fizikia, tumia. Kwa kuiga mienendo ya mvutano wa uso kupitia machine learning badala ya uigaji wa kawaida wa kimwili, watafiti walipuuza ugumu wa hesabu wa kuiga fizikia nyingi huku wakipata usahihi wa vitendo. Mbinu hii inafanana na mafanikio ya AlphaFold katika utabiri wa muundo wa protini, ambapo mbinu zinazoendeshwa na data zilitoka mbele ya juhudi za miongo ya uigaji wa kimwili.

Nguvu na Mapungufu

Nguvu: Uunganishaji wa machine learning na uboreshaji wa kimwili huunda mfumo thabiti ambao ni wa kuokoa data na wenye maana ya kimwili. Uchaguzi wa Random Forest hutoa umuhimu wa sifa unaoeleweka, tofauti na mbinu za kina za kujifunza za sanduku nyeusi. Usahihi wa 25.57 μm unawakilisha utendaji wa kiwango cha juu cha tasnia kwa vipengele vya passive.

Mapungufu Muhimu: Ukubwa wa sampuli ya vipengele 6 huibua maswali makubwa kuhusu umuhimu wa takwimu. Utafiti hauzingatii tofauti za joto kwenye PCB, jambo muhimu linalojulikana katika michakato ya reflow. Jambo lenye wasiwasi zaidi ni ukosefu wa kukabiliana na wakati halisi—mfumo unachukulia hali ya kudumu huku mazingira halisi ya utengenezaji yakionyesha tofauti za nguvu.

Ufahamu Unaotumika

Wazalishaji wanapaswa kutekeleza haraka utabiri unaotegemea RFR kwa vipengele vya thamani ya juu, lakini lazima waongeze kwa uigaji wa joto. Mbinu ya uboreshaji inapaswa kuunganishwa na mifumo ya ukaguzi iliyojumuishwa kwa ajili ya uboreshaji endelevu wa mfumo. Muhimu zaidi, utafiti huu hutoa msingi wa hisabati kwa mikakati ya "kukosekana kwa utabiri" ambayo inaweza kubadilisha kikubwa viwango vya usahihi vya SMT.

Mfano wa Mfumo wa Uchambuzi

Kesi ya Utafiti: Uboreshaji wa Kipengele cha Chip 0402

Kwa kipingamizi cha 0402 (0.04" x 0.02"), mfumo huu huchakata:

1. Vigezo vya ingizo: jiometri ya pedi (0.02" x 0.03"), kiasi cha mchanga wa solder (0.15 mm³), uwekaji wa kando (x: 50μm, y: -30μm, θ: 2°)
2. Mfumo wa RFR hutabiri nafasi ya mwisho: x: 12μm, y: -8μm, θ: 0.5°
3. Uboreshaji hurekebisha uwekaji wa awali hadi: x: -25μm, y: 15μm, θ: -1.2°
4. Matokeo: Nafasi ya mwisho ndani ya 15μm ya kitovu bora

5. Matumizi ya Baadaye

Mbinu iliyotengenezwa katika utafiti huu ina matumizi mapana zaidi ya vipengele vya passive:

• Ufungashaji wa Hali ya Juu: Matumizi kwa chip ya kugeuza na ufungashaji wa 3D ambapo usahihi wa kupangilia ni muhimu
• Hesabu za Quantum: Mahitaji ya uwekaji wa usahihi wa hali ya juu kwa vipengele vya qubit
• Vifaa vya Matibabu: Matumizi ya kuaminika sana ambapo kukosa kupangilia hauwezi kuvumiliwa
• Kukabiliana na Wakati Halisi: Uunganishaji na IoT na kompyuta ya ukingo kwa ajili ya marekebisho ya nguvu ya vigezo

Utafiti wa baadaye unapaswa kulenga kupanua mfumo ili kuzingatia tofauti za joto, kupindika kwa bodi, na tofauti za nyenzo. Uunganishaji na teknolojia ya pacha ya dijiti kunaweza kuunda mazingira ya kuwaziwa ya utengenezaji kwa ajili ya uboreshaji wa kabla ya utengenezaji.

6. Marejeo

1. Lv, et al. "Matumizi ya machine learning katika SMT: Uchunguzi kamili." IEEE Transactions on Electronics Packaging Manufacturing, 2021.
2. Marktinek, et al. "Utabiri wa mtandao wa neva wa nafasi ya kipengele baada ya reflow." Jarida la Ufungashaji wa Elektroniki, 2022.
3. Kim, J. "Athari za mvutano wa uso katika uundaji wa viungo vya solder." Mapitio ya Fizikia Yanayotumika, 2020.
4. Zhu, et al. "Kujifunza kwa kina kwa uboreshaji wa utengenezaji." Akili ya Mashine ya Asili, 2021.
5. IPC-7092: "Utekelezaji wa Mchakato wa Usanifu na Usanikishaji wa Vipengele vya Kukomesha Chini."