English

首页
新闻动态+
当前位置: 首页 > 新闻动态 > 正文
仅需1秒钟,机械系团队基于深度学习实现“图片-等效热导率”的高效直接预测,解决芯片先进封装设计难题

在芯片封装设计中,关键材料参数缺失是领域内的关键性挑战。纳米银键合是软钎焊之后的新一代互连技术,大幅提高了封装的可靠性、耐热性和导热性,可满足宽禁带半导体、高性能计算、5G 通讯、智能电网等领域对芯片散热的苛刻要求。

但不可忽视的是,纳米银键合具有单一成分和多孔特征,焊膏材料、烧结工艺、烧结设备会通过影响键合层的微纳米孔的尺寸和分布影响等效热导率。因此,纳米焊膏厂家提供的热导率仅能作为参考。

为解决关键材料参数缺失影响芯片封装设计准确性的问题,清华大学机械工程系刘磊副教授及其团队基于人工智能-深度学习技术,通过 1 张图片,仅在 1 秒钟就能预测芯片键合层的等效热导率。

他们仅使用芯片键合层横截面切片的微观组织图片,便可快速、准确地预测烧结银等效热导率,甚至可以分析不同微区的热导率差异,加速了银烧结封装产品的开发和迭代。


图丨相关论文(来源:International Journal of Heat and Mass Transfer)


近日,相关论文以《基于深度学习的烧结银有效导热系数高精度高效预测》(Highly accurate and efficient prediction of effective thermal conductivity of sintered silver based on deep learning method)为题发表在 International Journal of Heat and Mass Transfer 上 [1]。

清华大学机械工程系博士生杜成杰为该论文第一作者,清华大学机械工程系刘磊副教授为论文通讯作者,邹贵生教授为该团队负责人。


undefined

图丨刘磊、邹贵生团队(来源:该团队)


刘磊认为,AI 技术将改变研究范式。“传统研究方案是建模+测试,而 AI 研究方案是大量易得数据+机器学习,最终用户无需专业背景,简单实用。此外,也可利用 AI 获得的规律研究复杂过程以揭示机理。”

随着散热逐渐成为芯片性能提升瓶颈,准确、快速地进行热导率检测也越来越重要。

其体现在芯片小型化使器件功率密度提升,热流密度超过现有封装技术的极限;宽禁带半导体(碳化硅、氮化镓)的兴起使结温(芯片工作温度)从 150℃ 提高到 200℃ 以上,现有的键合技术、热界面材料无法在此高温下可靠工作;数据中心、AI 平台等高性能计算中心节能及系统级空间尺寸减少的要求。

芯片的纳米银键合层存在大量不规则的纳米孔洞,这些孔洞的微观组织特征(尺寸、分布、形状)综合作用影响了芯片键合层的热导率,很难通过解析模型进行准确描述和预测,而基于真实微观组织的计算可以最大程度接近实际值。


undefined

图丨烧结银等效热导率的有限元模拟过程(来源:International Journal of Heat and Mass Transfer)


该团队建立并验证了基于芯片键合层真实微观组织的有限元模型,模型的预测误差在 5% 以内,以此形成了“图片-有限元模型-热导率”的链条。然而,想要精确地测量芯片键合层的等效热导率,无论是物理实验还是数值仿真,均需要大量的人力、物力、时间以及专业知识。

刘磊、邹贵生团队希望建立一种能够快速、精确且具普适性的获得等效热导率的方法。也就是说,操作者无需仿真基础、无需建模就能对“图片-热导率”实现直接预测。

首先,他们通过有限元仿真建立真实微观组织图片及其热导率的海量数据库,用于 AI 卷积神经网络训练学习。

通过优化网络结构,AI 预测值与实际值非常吻合(R2 为 0.987),而在使用已训练的网络进行预测时,由于仅涉及图像像素的数学运算,预测的时间将在 1 秒钟以内,极为方便快捷。

基于此,研究人员实现了无需建模、无需复杂测试装备,便可快捷获得特定材料和工艺下的等效热导率,这加速了封装设计迭代。刘磊表示:“我们通过利用 AI 技术可实现‘图片-热导率’的快速预测和映射,完美地解决了芯片先进封装设计的痛点。”


 

图丨基于物理的描述符的图形说明(来源:International Journal of Heat and Mass Transfer)


该研究是机械、材料、电子多学科交叉融合的项目。其中,机械、材料及电子学科解决了芯片键合层等效热导率测量及依据实际微观组织建模仿真问题,而 AI 及计算机视觉技术则实现了基于图像的快速精准预测。

据悉,该研究为刘磊、邹贵生团队系列研究之一。在另一项相关研究中,他们利用机器学习研究了芯片纳米银键合层微观组织对热导率的影响机理,提出了四种微观结构描述符(孔隙率、孔洞形状因子、主要传热通路与阻热障碍),建立了描述符与等效热导率的联系[2]。

基于上述研究成果,该团队建设了相关网站(www.AIsintering.com),希望将这种方法免费共享给全球的同行。“目前华为、赛意法、大阪大学、中科大、复旦等国内外多个同行在使用。”刘磊说。

在刘磊看来,半导体是一个高度全球化协作的领域,开放合作才能共赢,学术界应该在这方面做到表率和引领作用。

未来,刘磊和邹贵生将带领团队继续着力解决极端尺寸、极端温度条件芯片封装的行业瓶颈,推动“碳中和时代”中功率电子和“后摩尔时代”中集成电路的发展。开发纳米连接新技术、新工艺、新装备,突破超大尺寸芯片键合、超小节距芯粒封装、超高热流密度芯片散热等领域的关键技术节点。


参考资料:

1.Chengjie Du et al. International Journal of Heat and Mass Transfer 201, 123654(2023). https://doi.org/10.1016/j.ijheatmasstransfer.2022.123654

2. Predicting effective thermal conductivity of sintered silver by microstructural-simulation-based machine learning. Journal of Electronic Materials(2023).


来源:DeepTech深科技

 

联系方式

010-62772677

mayue@tsinghua.edu.cn

北京市海淀区清华大学李兆基科技大楼A401(校园地图)

机械工程系

系官微

机械工程系

机械正发声

机械工程系

机械之声

机械工程系

校友分会

Copyright © 2020 清华大学机械工程系 版权所有