Uboreshaji wa Uwekaji wa Vipengele vya Chip vya Passive kwa Kuchukua Faida ya Athari ya Kujipangia kwa Kutumia Ujifunzaji wa Mashine

1. Utangulizi

Teknolojia ya Uwekaji wa Uso (SMT) ni msingi wa utengenezaji wa kisasa wa vifaa vya elektroniki, ukiwezesha usanikishaji wa sakiti ndogo na zenye msongamano mkubwa. Jambo muhimu lakini changamani ndani ya SMT ni kujipangia, ambapo nguvu za mvutano wa uso kutoka kwa mchanga wa solder uliyeyushwa wakati wa reflow husababisha vipengele kusogea kuelekea nafasi ya usawa, na kwa uwezekano kusahihisha upotovu wa awali wa uwekaji. Ingawa ni muhimu, mwendo huu ni mgumu kutabiri na kudhibiti, hasa kwa vipengele vidogo ambapo uvumilivu ni mkali sana. Mbinu za jadi hutegemea mifano ya kinadharia au ya uigizaji, ambayo mara nyingi hukosa uwezo wa kutumika kwa tofauti halisi za uzalishaji. Utafiti huu unashughulikia pengo hili kwa kupendekeza mbinu inayotokana na data, ya ujifunzaji wa mashine (ML) kuiga athari ya kujipangia na kisha kuboresha vigezo vya awali vya uwekaji, kwa lengo la kupunguza makosa ya mwisho ya nafasi baada ya reflow.

2. Mbinu ya Utafiti

Utafiti huu unafuata mfuatano wa hatua mbili: kwanza, kutabiri nafasi ya mwisho ya kipengele; pili, kutumia utabiri huo kuboresha uwekaji wa awali.

2.1. Ufafanuzi wa Tatizo & Ukusanyaji wa Data

Lengo ni kutabiri nafasi ya mwisho baada ya reflow ($x_f$, $y_f$, $\theta_f$) ya kipengele cha chip cha passive kulingana na hali ya awali. Vipengele muhimu vya pembejeo ni pamoja na:

Vigezo vya Uwekaji wa Awali: Kuratibu za mashine ya kuchukua-na-kuweka ($x_i$, $y_i$, $\theta_i$).
Hali ya Mchanga wa Solder: Kiasi, urefu, na eneo la mchanga uliowekwa.
Kipengele & Jiometri ya Pad: Vipimo vinavyoathiri nguvu za mvutano wa uso.

Data inakusanywa kutoka kwa laini zilizodhibitiwa za usanikishaji wa SMT, kwa kupima vigezo vilivyotajwa kabla ya reflow na nafasi ya mwisho baada ya reflow.

2.2. Mifano ya Ujifunzaji wa Mashine

Algorithms mbili za urejeshaji zinatumiwa kwa utabiri:

Urejeshaji wa Vekta ya Usaidizi (SVR): Yenye ufanisi katika nafasi zenye mwelekeo mwingi, inatafuta utendakazi wenye kiwango cha juu cha uvumilivu wa makosa ($\epsilon$).
Urejeshaji wa Msitu wa Nasibu (RFR): Mbinu ya mkusanyiko ambayo hujenga miti mingi ya uamuzi na kwa wastani wa utabiri wao, imara dhidi ya kuzidi kufaa.

Mifano hiyo inafunzwa kujifunza uhusiano changamano, usio wa mstari $f$: $\mathbf{P}_{final} = f(\mathbf{P}_{initial}, \mathbf{S}_{paste}, \mathbf{G})$.

2.3. Mfumo wa Uboreshaji

Kwa kutumia mfano wa utabiri uliofunzwa (hasa RFR bora zaidi), mfano wa uboreshaji wa Programu Isiyo ya Mstari (NLP) umetengenezwa. Lengo ni kupata vigezo bora vya uwekaji wa awali $\mathbf{P}_{initial}^*$ ambavyo hupunguza umbali unaotarajiwa wa Euclidean kati ya nafasi ya mwisho iliyotabiriwa na kitovu bora cha pad.

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

Kikwazo: Mipaka ya uwekaji wa mashine na vikwazo vya uwezekano wa kimwili.

3. Matokeo & Uchambuzi

3.1. Ulinganisho wa Utendaji wa Mfano

Mfano wa Urejeshaji wa Msitu wa Nasibu ulifanya vizuri zaidi kuliko SVR katika matumizi haya.

Muhtasari wa Utendaji wa Mfano

Alama ya R² ya RFR: ~0.92 (Inaonyesha mfano uliofanika vyema).
Alama ya R² ya SVR: ~0.78.
Faida Kuu ya RFR: Uwezo bora wa kushughulikia mwingiliano usio wa mstari na kupanga umuhimu wa kipengele (mfano, kiasi cha mchanga wa solder kilitambuliwa kuwa kipengele cha juu cha kutabiri).

3.2. Matokeo ya Uboreshaji

Kiboreshaji cha NLP, kwa kutumia mfano wa RFR kama kipengele chake kikuu cha kutabiri, kilifanyika kwa sampuli sita za vipengele vya majaribio. Matokeo yalionyesha uwezekano wa vitendo wa mbinu hii.

Matokeo Muhimu: Vigezo vilivyoboreshwa vya uwekaji vilisababisha umbali wa chini wa Euclidean wa nafasi baada ya reflow kutoka katikati bora ya pad ya 25.57 µm kwa sampuli iliyofanya vizuri zaidi, ikiwa ndani kabisa ya mipaka iliyofafanuliwa na mahitaji ya kisasa ya vipengele vya pitch nyembamba sana.

4. Uelewa Mkuu wa Mchambuzi

Uelewa Mkuu: Karatasi hii sio tu juu ya kutabiri mienendo ya solder; ni ugeuzaji wa vitendo, wa mzunguko uliofungwa wa usumbufu wa utengenezaji. Waandishi wanaibadilisha athari ya kujipangia inayotokana na fizikia, yenye fujo—ambayo kwa jadi ni chanzo cha kutofautiana kwa hatua ya mwisho—kuwa utaratibu unaotabirika wa fidia. Badala ya kupambana na fizikia, wanaitegemea kupitia ML ili kupotosha uwekaji mapema, na kugeuza tatizo kuwa zana ya usahihi. Huu ni mfano wa kawaida wa falsafa ya "mzazi wa kidijitali" inayotumika kwa kiwango cha micron.

Mtiririko wa Mantiki & Uzuri Wake: Mantiki ni mfululizo mzuri lakini sio ya kawaida: 1) Kukubali Fujo: Kujipangia kupo na ni changamano. 2) Kuiga Fujo: Tumia ML imara, isiyo na parameta (RFR) kujifunza mifumo yake kutoka kwa data, ukiepuka milinganyo ngumu ya kanuni za kwanza. 3) Kugeuza Mfano: Tumia mfano wa utabiri kama kiini cha kiboreshaji kufanya "uigizaji wa nyuma," ukiuliza: "Nafasi gani ya awali 'isiyo sahihi' inasababisha nafasi ya mwisho 'sahihi'?" Mtiririko huu kutoka kwa uchunguzi hadi kuelewa kutabiri hadi hatua ya maagizo ni alama ya udhibiti wa juu wa mchakato.

Nguvu & Kasoro Zilizo Wazi: Nguvu haiwezi kukataliwa: matokeo yanayoweza kuonyeshwa chini ya 30µm kwa kutumia mifano ya ML inayopatikana (RFR/SVR) ambayo ni rahisi kutumia katika mazingira ya viwanda kuliko mtandao wa neva wa kina. Uchaguzi wa RFR badala ya SVR umethibitishwa vyema na matokeo. Hata hivyo, kasoro iko katika upeo. Utafiti huu unajaribu sampuli sita tu. Hii ni uthibitisho wa dhana, sio uthibitisho wa uzalishaji wa mchanganyiko mwingi na kiasi kikubwa. Haizingatii mabadiliko ya muda ya mashine ya kuchukua-na-kuweka, kuteleza kwa mchanga wa solder, na uchafuzi wa pad—vigezo ambavyo vingeharibu mfano uliofunzwa kwa data safi ya maabara. Kama ilivyoelezwa katika viwango vya SEMI vya ufungashaji wa hali ya juu, uthabiti wa kweli unahitaji ujifunzaji wa wakati halisi, unaoendelea.

Uelewa Unaoweza Kutekelezwa kwa Sekta: Kwa wahandisi wa mchakato, ujumbe wa haraka ni kuanza kuweka vifaa vyao kwenye laini zao kukusanya data tatu ambayo karatasi hii inatumia: kuratibu za uwekaji kabla ya reflow, vipimo vya ukaguzi wa mchanga wa solder (SPI), na kipimo cha baada ya reflow. Hata kabla ya uboreshaji kamili, kulinganisha data hii kunaweza kufunua madirisha muhimu ya mchakato. Kwa Utafiti na Maendeleo, hatua inayofuata ni wazi: kuunganisha hii na udhibiti wa wakati halisi. Matokeo ya kiboreshaji hayapaswi kuwa ripoti tuli; inapaswa kuwa setpoint ya nguvu inayorudishwa kwenye mashine ya uwekaji, na kuunda kitanzi kinachobadilika. Sekta inavyoelekea kwenye ushirikiano wa aina mbalimbali na vipande vidogo (kama ilivyoelezwa na ramani ya IEEE), kiwango hiki cha usahihi, utabiri, na udhibiti wa mzunguko uliofungwa hubadilika kutoka "jambo zuri la kuwa nalo" kuwa mahitaji ya msingi ya mavuno.

5. Uchunguzi wa Kina wa Kiufundi

Nguvu inayosukuma kujipangia inatokana na kupunguzwa kwa nishati ya jumla ya uso wa solder iliyeyushwa. Wakati wa kurekebisha $\tau$ unaosahihisha upotovu wa mzunguko $\Delta\theta$ unaweza kukadiriwa kwa kipengele cha chip cha mstatili kama:

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

ambapo $\gamma$ ni mvutano wa uso wa solder na $L$ ni urefu wa sifa unaohusiana na pad. Mifano ya ML, hasa RFR, inajifunza ramani yenye mwingiliano mkubwa usio wa mstari ambayo inajumuisha fizikia hii na zaidi, ikijumuisha athari za kutofautiana kwa kiasi cha mchanga $V$, ambacho ni kichocheo kikuu cha kasoro za kujipindua. Algorithm ya RFR hujenga miti $N$, na utabiri wa mwisho wa kigezo lengwa $\hat{y}$ kuwa:

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

ambapo $T_i(\mathbf{x})$ ni utabiri wa mti wa $i$-th kwa vekta ya kipengele cha pembejeo $\mathbf{x}$. Mbinu hii ya mkusanyiko inafanya wastani wa kelele na kukamata mwingiliano changamano.

6. Matokeo ya Majaribio na Michoro

Matokeo muhimu ya karatasi yanaweza kuonekana kupitia michoro miwili kuu:

Mchoro 1: Utabiri wa Mfano dhidi ya Nafasi Halisi ya Baada ya Reflow (Mchoro wa Kutawanya): Mchoro huu ungeonyesha kundi la pointi zilizokazwa zaidi kwenye mstari y=x kwa mfano wa RFR ikilinganishwa na mfano wa SVR, na kuonyesha kwa macho usahihi bora wa utabiri wa RFR kwa uhamisho wa $x$, $y$, na $\theta$.
Mchoro 2: Mchoro wa Muhimu wa Kipengele kutoka kwa Msitu wa Nasibu: Mchoro huu ungepanga vipengele vya pembejeo kulingana na umuhimu wao katika kutabiri nafasi ya mwisho. Kulingana na muktadha wa karatasi, tungetarajia Kiasi cha Mchanga wa Solder (kwa kila pad) na Uhamisho wa Uwekaji wa Awali katika X/Y kuwa wachangiaji wakuu, ikifuatiwa na urefu na eneo la mchanga. Uelewa huu ni muhimu kwa udhibiti wa mchakato, na kuonyesha ni vigezo gani vifuatiliwe kwa karibu zaidi.
Mchoro 3: Mchoro wa Muunganiko wa Uboreshaji: Kwa sampuli sita za majaribio, mchoro unaonyesha kupungua kwa makosa ya yaliotabiriwa ya Euclidean (µm) kiboreshaji cha NLP kinavyorudia, na kukutana kwa thamani ya chini (mfano, 25.57 µm).

7. Mfumo wa Uchambuzi: Kesi Isiyo na Msimbo

Fikiria mhandisi wa mchakato anayetakiwa kupunguza kasoro za kujipindua kwa resistor 0201 (0.02" x 0.01"). Kufuatia mfumo wa karatasi hii:

Msingi wa Data: Kwa bodi 100 zinazofuata, rekodi kwa kila kipengele cha 0201: a) Data ya SPI ya kiasi cha pad ya kushoto/kulia ($V_L$, $V_R$), b) Kuratibu za mashine ya uwekaji ($x_i$, $y_i$), c) Matokeo ya ukaguzi wa macho ya otomatiki (AOI) baada ya reflow: kiungo kizuri, kujipindua (ndiyo/la), na uhamisho wa mwisho uliopimwa.
Uchambuzi wa Uhusiano: Hesabu uhusiano kati ya kutofautiana kwa kiasi cha mchanga $\Delta V = |V_L - V_R|$ na tukio la kujipindua. Utaona uhusiano mzuri wa chanya, ukithibitisha kichocheo kikuu.
Kanuni Rahisi ya Kutabiri: Hata bila ML changamano, unaweza kuanzisha kanuni ya udhibiti wa mchakato: "Ikiwa $\Delta V > X$ picoliters kwa 0201, weka alama kwenye bodi kwa ukaguzi wa mchanga au kurekebisha." Thamani ya $X$ inatokana na data yako.
Hatua ya Maagizo: Uelewa wa kina kutoka kwa mbinu ya karatasi ungekuwa: "Kwa $\Delta V$ uliopimwa, uhamisho gani wa fidia wa uwekaji $\Delta x_i$ tunaweza kutumia ili kukabiliana na mvuto unaosababishwa wakati wa reflow?" Hii inahama kutoka kwa kugundua hadi kuzuia.

8. Matumizi ya Baadaye & Mwelekeo

Mbinu iliyoanzishwa hapa ina utumiaji mpana zaidi ya SMT ya kawaida:

Ufungashaji wa Hali ya Juu & Ushirikiano wa Vipande Vidogo: Kwa usanikishaji wa flip-chip na micro-bump, kudhibiti kujipangia kwa vipande vidogo ni muhimu kwa mavuno. Mbinu iliyoboreshwa na ML inaweza kudhibiti usawa wa ndege na uwekaji wa mwisho wa die nyingi za aina mbalimbali.
Ushirikiano na Jukwaa la Viwanda 4.0: Mfano wa utabiri unaweza kuwa moduli katika mfumo wa utekelezaji wa utengenezaji (MES) au mzazi wa kidijitali wa laini ya SMT, na kuwezesha uboreshaji wa wakati halisi, maalum kwa kundi, na uchambuzi wa "ikiwa-nini".
Mifumo Mpya ya Nyenzo: Kutumia mfumo huu kwa nyenzo mpya za solder (mfano, solder za joto la chini, michanga ya fedha iliyochanganywa) ambayo mienendo yao ya kujipangia haijafafanuliwa vizuri.
Mifano Iliyoboreshwa: Kuhamia kutoka RFR hadi mifano ya hali ya juu zaidi kama vile Kuimarisha Gradient au mitandao ya neva yenye taarifa za fizikia (PINNs) ambayo inaweza kujumuisha vikwazo vya fizikia vinavyojulikana moja kwa moja katika mchakato wa kujifunza, na kwa uwezekano kuboresha utendaji kwa data ndogo.
Udhibiti wa Mzunguko Uliofungwa wa Wakati Halisi: Lengo la mwisho ni mfumo unaobadilika kabisa ambapo kipimo cha baada ya reflow kutoka kwa bodi moja kinasasisha moja kwa moja vigezo vya uwekaji kwa bodi inayofuata, na kuunda laini ya uzalishaji inayojirekebisha.

9. Marejeo

Lau, J. H. (Ed.). (2016). Fan-Out Wafer-Level Packaging. Springer. (Kwa muktadha wa changamoto za ufungashaji wa hali ya juu).
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. (Kazi muhimu juu ya fizikia ya kujipangia).
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. (Iliyotajwa kwenye PDF; inatoa mandhari ya ML katika SMT).
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. (Karatasi ya msingi juu ya algorithm ya Msitu wa Nasibu).
SEMI Standard SEMI-AU1. (2023). Guide for Advanced Process Control (APC) Framework for Semiconductor Manufacturing. SEMI. (Kwa viwango vya uthabiti wa viwanda na mfumo wa udhibiti).
Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-Image Translation with Conditional Adversarial Networks. CVPR. (Karatasi ya CycleGAN, iliyotajwa kama mfano wa mfano wenye nguvu wa mabadiliko unaotokana na data unaolingana kimawazo na "ugeuzaji" uliofanywa katika uboreshaji huu wa SMT).