Makine Öğrenimi Kullanılarak Kendi Kendine Hizalama Etkisi ile Pasif Çip Bileşenlerinin Yerleşiminin Optimizasyonu

1. Giriş

Yüzey Montaj Teknolojisi (SMT), daha küçük ve yoğun devrelerin montajını mümkün kılarak modern elektronik üretiminin temel taşıdır. SMT içindeki kritik ve karmaşık bir fenomen, yeniden akış sırasında erimiş lehim pastasından kaynaklanan yüzey gerilimi kuvvetlerinin bileşenleri bir denge konumuna doğru hareket ettirdiği ve böylece başlangıçtaki yerleşim hatalarını potansiyel olarak düzeltebildiği kendi kendine hizalamadır. Faydalı olmasına rağmen, bu hareketi tahmin etmek ve kontrol etmek zordur, özellikle toleransların son derece dar olduğu minyatürleştirilmiş bileşenlerde. Geleneksel yaklaşımlar, genellikle gerçek dünya üretim varyasyonlarına genellenebilirlikten yoksun olan teorik veya simülasyon modellerine dayanır. Bu çalışma, kendi kendine hizalama etkisini modellemek ve ardından yeniden akış sonrası nihai konumsal hatayı en aza indirmeyi amaçlayarak başlangıç yerleşim parametrelerini optimize etmek için veri odaklı, makine öğrenimi (ML) yaklaşımı önererek bu boşluğu ele almaktadır.

2. Metodoloji

Araştırma iki aşamalı bir süreç izlemektedir: ilk olarak, bileşenin nihai konumunu tahmin etmek; ikinci olarak, bu tahmini başlangıç yerleşimini optimize etmek için kullanmak.

2.1. Problem Tanımı & Veri Toplama

Amaç, başlangıç koşullarına dayanarak bir pasif çip bileşeninin yeniden akış sonrası nihai konumunu ($x_f$, $y_f$, $\theta_f$) tahmin etmektir. Temel girdi özellikleri şunları içerir:

Başlangıç Yerleşim Parametreleri: Al-ve-yerleştir makinesi koordinatları ($x_i$, $y_i$, $\theta_i$).
Lehim Pastası Durumu: Uygulanan pastanın hacmi, yüksekliği ve alanı.
Bileşen & Ped Geometrisi: Yüzey gerilimi kuvvetlerini etkileyen boyutlar.

Veriler, kontrollü SMT montaj hatlarından, yeniden akış öncesi belirtilen parametreler ve yeniden akış sonrası nihai konum ölçülerek toplanmıştır.

2.2. Makine Öğrenimi Modelleri

Tahmin için iki regresyon algoritması kullanılmıştır:

Destek Vektör Regresyonu (SVR): Yüksek boyutlu uzaylarda etkilidir, maksimum hata tolerans marjına ($\epsilon$) sahip bir fonksiyon arar.
Random Forest Regresyonu (RFR): Çoklu karar ağaçları oluşturan ve tahminlerini ortalamasını alan, aşırı uyuma karşı dayanıklı bir topluluk yöntemidir.

Modeller, karmaşık, doğrusal olmayan $f$ ilişkisini öğrenmek üzere eğitilmiştir: $\mathbf{P}_{final} = f(\mathbf{P}_{initial}, \mathbf{S}_{paste}, \mathbf{G})$.

2.3. Optimizasyon Çerçevesi

Eğitilmiş tahmin modeli (özellikle üstün RFR) kullanılarak, Doğrusal Olmayan Programlama (NLP) optimizasyon modeli formüle edilmiştir. Amaç, tahmin edilen nihai konum ile ideal ped merkezi arasındaki beklenen Öklid mesafesini en aza indiren optimal başlangıç yerleşim parametrelerini $\mathbf{P}_{initial}^*$ bulmaktır.

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

Kısıtlar: Makine yerleşim sınırları ve fiziksel uygulanabilirlik kısıtları.

3. Sonuçlar & Analiz

3.1. Model Performans Karşılaştırması

Random Forest Regresyon modeli, bu uygulamada SVR'yi önemli ölçüde geride bırakmıştır.

Model Performans Özeti

RFR R² Skoru: ~0.92 (Mükemmel model uyumunu gösterir).
SVR R² Skoru: ~0.78.
RFR'nin Temel Avantajı: Doğrusal olmayan etkileşimleri ve özellik önem sıralamasını (örn., lehim pastası hacminin en iyi tahmin edici olarak belirlenmesi) üstün şekilde ele alması.

3.2. Optimizasyon Çıktıları

RFR modelini temel tahmincisi olarak kullanan NLP optimize edicisi, altı test bileşen örneği için çalıştırılmıştır. Sonuçlar, yaklaşımın pratik uygulanabilirliğini göstermiştir.

Temel Sonuç: Optimize edilmiş yerleşim parametreleri, en iyi durum örneği için yeniden akış sonrası konumun ideal ped merkezinden minimum Öklid mesafesi olan 25.57 µm değerine ulaşılmasını sağlamıştır. Bu değer, modern ultra ince aralıklı bileşen gereksinimleri tarafından tanımlanan sınırların oldukça içindedir.

4. Temel Analist İçgörüsü

Temel İçgörü: Bu makale sadece lehim hareketlerini tahmin etmekle ilgili değildir; üretimdeki bir sıkıntının pragmatik, kapalı döngülü bir tersine çevrilmesidir. Yazarlar, geleneksel olarak nihai aşama değişkenliğinin kaynağı olan kaotik, fizik odaklı kendi kendine hizalama etkisini, öngörülebilir bir telafi mekanizması olarak yeniden çerçevelemektedir. Fiziğe karşı savaşmak yerine, ML aracılığıyla onu yerleşimi önceden bozmak için kullanarak bir sorunu bir hassasiyet aracına dönüştürmektedirler. Bu, mikron ölçeğinde uygulanan "dijital ikiz" felsefesinin klasik bir örneğidir.

Mantıksal Akış & Dahiyane Yönü: Mantık zarif bir şekilde sıralı ancak önemsiz değildir: 1) Kaosu Kabul Et: Kendi kendine hizalama vardır ve karmaşıktır. 2) Kaosu Modelle: Verilerden kalıplarını öğrenmek için, çözülemez temel prensip denklemlerini atlayarak, sağlam, parametrik olmayan ML (RFR) kullan. 3) Modeli Tersine Çevir: Tahmin modelini, bir "ters simülasyon" çalıştıran bir optimize edicinin kalbi olarak kullan, şu soruyu sor: "Hangi başlangıçtaki 'yanlış' konum, nihai 'doğru' konuma yol açar?" Gözlemden tahmine dayalı anlayışa ve reçeteleyici eyleme doğru bu akış, gelişmiş süreç kontrolünün ayırt edici özelliğidir.

Güçlü Yönler & Göze Çarpan Kusurlar: Güçlü yönü inkâr edilemez: derin bir sinir ağından daha kolay endüstriyel ortamda konuşlandırılabilen erişilebilir ML modelleri (RFR/SVR) kullanılarak gösterilebilir 30µm altı sonuçlar. RFR'nin SVR'ye tercih edilmesi sonuçlarla iyi bir şekilde gerekçelendirilmiştir. Ancak, kusur kapsamdadır. Çalışma sadece altı örneği test etmektedir. Bu, yüksek çeşitlilikli, yüksek hacimli üretim için bir doğrulama değil, bir kavram kanıtıdır. Al-ve-yerleştir makinesinin zamansal sapmasını, lehim pastasının çökmesini ve ped kirliliğini - laboratuvar verileri üzerinde eğitilmiş bir modeli mahvedecek değişkenleri - göz ardı etmektedir. İleri paketleme için SEMI standartlarında belirtildiği gibi, gerçek sağlamlık, yerinde, sürekli öğrenme gerektirir.

Endüstri İçin Uygulanabilir İçgörüler: Süreç mühendisleri için acil çıkarım, bu makalenin kullandığı üçlü veriyi toplamak için hatlarını enstrümantasyonla donatmaya başlamaktır: yeniden akış öncesi yerleşim koordinatları, lehim pastası inceleme (SPI) metrikleri ve yeniden akış sonrası ölçüm. Tam optimizasyondan önce bile, bu verileri ilişkilendirmek kritik süreç pencerelerini ortaya çıkarabilir. AR-GE için bir sonraki adım açıktır: bunu gerçek zamanlı kontrolle entegre etmek. Optimize edicinin çıktısı statik bir rapor olmamalıdır; yerleştirme makinesine geri beslenen dinamik bir ayar noktası olmalı, böylece uyarlanabilir bir döngü oluşturulmalıdır. Endüstri heterojen entegrasyon ve çipletlere doğru ilerlerken (IEEE'nin yol haritasında özetlendiği gibi), bu seviyedeki hassasiyet, öngörülebilirlik ve kapalı döngü kontrol, "iyi olurdu"dan temel verim gereksinimine geçiş yapar.

5. Teknik Derinlemesine İnceleme

Kendi kendine hizalama itici gücü, erimiş lehimin toplam yüzey enerjisinin minimize edilmesinden kaynaklanır. Dönüşsel hizasızlığı $\Delta\theta$ düzelten geri getirme torku $\tau$, dikdörtgen bir çip bileşeni için yaklaşık olarak şu şekilde ifade edilebilir:

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

Burada $\gamma$ lehimin yüzey gerilimi ve $L$ ped ile ilişkili karakteristik bir uzunluktur. ML modelleri, özellikle RFR, bu fiziği ve daha fazlasını, mezar taşı kusurlarının birincil itici gücü olan pastanın hacim $V$ dengesizliğinin etkilerini de içeren oldukça doğrusal olmayan bir haritalamayı öğrenir. RFR algoritması $N$ ağaç oluşturur ve bir hedef değişken $\hat{y}$ için nihai tahmin şu şekildedir:

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

Burada $T_i(\mathbf{x})$, $i$-inci ağacın girdi özellik vektörü $\mathbf{x}$ için tahminidir. Bu topluluk yaklaşımı, gürültüyü etkili bir şekilde ortalamakta ve karmaşık etkileşimleri yakalamaktadır.

6. Deneysel Sonuçlar & Grafikler

Makalenin temel sonuçları iki ana grafikle görselleştirilebilir:

Grafik 1: Model Tahmini vs. Gerçek Yeniden Akış Sonrası Konum (Dağılım Grafiği): Bu grafik, SVR modeline kıyasla RFR modeli için noktaların y=x çizgisi boyunca çok daha sıkı bir kümeleme gösterir, böylece RFR'nin $x$, $y$ ve $\theta$ yer değiştirmeleri için üstün tahmin doğruluğunu görsel olarak kanıtlar.
Grafik 2: Random Forest'tan Özellik Önem Sütun Grafiği: Bu grafik, girdi özelliklerini nihai konumu tahmin etmedeki önemlerine göre sıralar. Makalenin bağlamına dayanarak, Lehim Pastası Hacmi (ped başına) ve X/Y'deki Başlangıç Yerleşim Ofsetinin en önemli katkıda bulunanlar olmasını, ardından pasta yüksekliği ve alanının gelmesini bekleriz. Bu içgörü, hangi parametrelerin en yakından izlenmesi gerektiğini gösterdiği için süreç kontrolü için kritiktir.
Grafik 3: Optimizasyon Yakınsama Grafiği: Altı test örneği için, NLP optimize edicisi yineleme yaparken tahmin edilen Öklid hatasının (µm) azalmasını ve minimum değere (örn., 25.57 µm) yakınsamasını gösteren bir grafik.

7. Analiz Çerçevesi: Kod İçermeyen Bir Vaka

Bir 0201 (0.02" x 0.01") direnç için mezar taşı kusurlarını azaltmakla görevlendirilmiş bir süreç mühendisini düşünün. Bu makalenin çerçevesini takip ederek:

Veri Temeli: Sonraki 100 kart için her 0201 bileşeni için şunları kaydedin: a) Sol/sağ ped hacmi için SPI verileri ($V_L$, $V_R$), b) Yerleştirme makinesi koordinatları ($x_i$, $y_i$), c) Yeniden akış sonrası otomatik optik inceleme (AOI) sonucu: iyi bağlantı, mezar taşı (evet/hayır) ve ölçülen nihai kayma.
Korelasyon Analizi: Pasta hacim dengesizliği $\Delta V = |V_L - V_R|$ ile mezar taşı oluşumu arasındaki korelasyonu hesaplayın. Büyük olasılıkla güçlü bir pozitif korelasyon bulacaksınız, bu da temel bir itici gücü doğrulayacaktır.
Basit Tahmin Kuralı: Karmaşık ML olmadan bile bir süreç kontrol kuralı oluşturabilirsiniz: "Eğer bir 0201 için $\Delta V > X$ picolitre ise, kartı pasta incelemesi veya yeniden işleme işaretleyin." $X$ değeri verilerinizden türetilir.
Reçeteleyici Eylem: Makalenin yönteminden derin içgörü şu olacaktır: "Ölçülen bir $\Delta V$ için, yeniden akış sırasında ortaya çıkan çekmeyi dengelemek için hangi telafi edici yerleşim ofsetini $\Delta x_i$ uygulayabiliriz?" Bu, tespitten önlemeye geçişi sağlar.

8. Gelecek Uygulamalar & Yönelimler

Burada öncülük edilen metodoloji, standart SMT'nin ötesinde geniş bir uygulanabilirliğe sahiptir:

İleri Paketleme & Çiplet Entegrasyonu: Flip-chip ve mikro-kabarcık montajı için, çipletlerin kendi kendine hizalanmasını kontrol etmek verim için kritiktir. ML ile optimize edilmiş bir yaklaşım, birden fazla heterojen die'nin eş düzlemliliğini ve nihai yerleşimini yönetebilir.
Endüstri 4.0 Platformları ile Entegrasyon: Tahmin modeli, bir üretim yürütme sistemi (MES) veya SMT hattının dijital ikizinde bir modül haline gelebilir, böylece gerçek zamanlı, partiye özel optimizasyon ve "eğer-öyleyse" analizini mümkün kılar.
Yeni Malzeme Sistemleri: Çerçeveyi, kendi kendine hizalama dinamikleri iyi karakterize edilmemiş yeni lehim malzemelerine (örn., düşük sıcaklık lehimleri, sinterlenmiş gümüş pastalar) uygulamak.
Gelişmiş Modeller: RFR'den, bilinen fiziksel kısıtları doğrudan öğrenme sürecine dahil edebilen ve daha az veriyle potansiyel olarak performansı artırabilen Gradient Boosting veya fizik bilgili sinir ağları (PINNs) gibi daha gelişmiş modellere geçiş.
Kapalı Döngü Gerçek Zamanlı Kontrol: Nihai hedef, bir karttan alınan yeniden akış sonrası ölçümün doğrudan bir sonraki kart için yerleşim parametrelerini güncellediği, böylece kendi kendini düzelten bir üretim hattı oluşturan tamamen uyarlanabilir bir sistemdir.

9. Referanslar

Lau, J. H. (Ed.). (2016). Fan-Out Wafer-Level Packaging. Springer. (İleri paketleme zorlukları için bağlam).
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. (Kendi kendine hizalama fiziği üzerine temel çalışma).
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. (PDF'de atıfta bulunulmuştur; SMT'de ML manzarasını sunar).
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. (Random Forest algoritması üzerine temel makale).
SEMI Standard SEMI-AU1. (2023). Guide for Advanced Process Control (APC) Framework for Semiconductor Manufacturing. SEMI. (Endüstriyel sağlamlık ve kontrol çerçevesi standartları için).
Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-Image Translation with Conditional Adversarial Networks. CVPR. (CycleGAN makalesi, bu SMT optimizasyonunda gerçekleştirilen "tersine çevirme" işlemine kavramsal olarak benzer güçlü, veri odaklı bir dönüşüm modeli örneği olarak atıfta bulunulmuştur).