دراسة حول خصائص المسامات في البنى الدقيقة الملتحمة بطبقة لاصقة للرقائق اعتماداً على التعلم الآلي

لماذا تهم جيوب الفراغ الصغيرة

تعمل إلكترونيات الطاقة الحديثة، من السيارات الكهربائية إلى محولات الطاقة المتجددة، بدرجات حرارة عالية وبأحمال كبيرة. عميقاً داخل هذه الأجهزة، توجد طبقة رقيقة تربط الشريحة شبه الموصلة بقاعدتها المعدنية وتنقل كل من الحرارة والكهرباء. هذه الطبقة مليئة بمسام مجهرية — جيوب صغيرة من الفراغ — وحجمها وشكلها وترتيبها تؤثر بقوة على أداء الجهاز وعمره الافتراضي. ومع ذلك لا يزال المهندسون يتجادلون حول أي تفاصيل المسام هي الأهم وكيف يمكن قراءة هذا المشهد الخفي من بضع صور ميكروسكوبية. تتناول هذه الدراسة هذه المسألة من خلال الجمع بين قياسات دقيقة والتعلم الآلي للكشف عن أي خصائص المسام تصف حالة طبقة الالتصاق بشكل أفضل.

من الشرائح الساخنة إلى طبقات لاصقة مسامية

تعمل وحدات الطاقة المبنية على أشباه الموصلات واسعة الفجوة مثل كربيد السيليكون عند درجات حرارة ومستويات طاقة أعلى من الإلكترونيات التقليدية. يمكن أن تطرى أو تتدلى أو تتشقق وصلات اللحام التقليدية تحت هذه الظروف. بديل واعد هو وصلة مصنوعة بواسطة تدبيس (sintering) جزيئات النحاس النانوية عند درجات حرارة منخفضة نسبياً. يندمج هذا الإجراء الجزيئات ليشكل طبقة معدنية إسفنجية مخترقة بالمسام. تؤثر هذه المسام على المتانة والموصلية الحرارية ومقاومة التعب طويل الأمد، ويمكن أن تنمو وتتصل ببعضها إلى شقوق خلال الخدمة. ونظراً لأن التصوير ثلاثي الأبعاد الكامل بطيء ومكلف، يعتمد المهندسون غالباً على صور مقاطع عرضية ثنائية الأبعاد مجهرية إلكترونية الماسح (SEM) ومجموعة ضئيلة من المؤشرات البسيطة، مثل نسبة المسامية الكلية. والسؤال هو ما إذا كان هذا المنظور المحدود وبعض المقاييس الأساسية كافيان للحكم على البنية الحقيقية.

تحويل أنماط المسام إلى أرقام

حضّر الباحثون وصلات النحاس الملبدة تحت أربعة تراكيب مختلفة من الحرارة والضغط والدورات الحرارية، ثم جمعوا أكثر من 120 صورة SEM بمكبر عالٍ لمقاطعهم العرضية. باستخدام برنامج تحليل الصور، حددوا تلقائياً أكثر من مئة ألف مسام فردي وكَمَّوا خصائص مثل مساحة المسام، واستدارتها، والمسافة إلى الجيران، وطول «العنق» بين المناطق الصلبة القريبة. من هذه القياسات لكل مسام بنوا واصفات إحصائية لكل صورة: كم عدد المسام التي تحتويها، ما مدى مسامية المنطقة، مدى انضغاط المسام قرب بعضها، ومدى تقارب أشكالها إلى دوائر منتظمة. هذا أنشأ بصمة رقمية غنية لكل منطقة صغيرة في الوصلة.

اكتشاف النظام الخفي في بيانات فوضوية

اتضح أن العديد من هذه البصمات الرقمية مرتبطة بقوة. على سبيل المثال، كلما زاد عدد المسام زادت المسامية؛ وكلما اقتربت المسام من بعضها قل طول العنق بين الجسيمات الصلبة؛ والصور التي تحتوي على العديد من المسام القريبة من الدائرة أظهرت أيضاً متوسط استدارة مرتفع. من خلال تحليل هذه الروابط رياضياً، أظهر المؤلفون أن الخصائص تنقسم طبيعياً إلى عائلتين: واحدة تصف كيف تتوزع المسام في الفضاء وأخرى تصف أشكالها. ثم استخدموا تقنية إحصائية تسمى تحليل المركبات الرئيسية لضغط كل عائلة إلى مقياس مركب واحد: «عامل المسامية» الذي يلخّص مدى كثافة وانتظام توزيع المسام، و«عامل الشكل» الذي يلخّص مدى انتظام محيطاتها. أبقي مقياسان أبسط — حجم المسام النمطي ونسبة الأبعاد النمطية — كواصفات داعمة.

إتاحة الخوارزميات للحكم على البنية الدقيقة

مسلحين بهذه الأوصاف الأربعة فقط، درب الفريق عدة نماذج تعلم آلي مختلفة لتخمين أي ظروف معالجة أتت منها كل صورة SEM. على الرغم من أن النماذج رأت فقط شريحة صغيرة من الوصلة وأربعة أرقام فقط لكل صورة، صنفت الصور بشكل صحيح أكثر من 80 في المئة من الوقت، مع وصول شبكة عصبية إلى نحو 90 في المئة دقة. عندما قارنوا هذا النهج بطريقة تعلم عميق غير مراقبة تتعلم الخصائص مباشرة من الصور الخام، أدت الأوصاف ذات المعنى الفيزيائي أداءً أفضل بينما ظلت أسهل بكثير في التفسير. أظهر تحليل إضافي أن عامل المسامية المركب وعامل الشكل مساهمان الأكثر أهمية في قرارات النماذج، مؤكداً أن عدد المسام، وتباعدها، ومدى استدارتها تحمل الطابع الأوضح لظروف المعالجة.

ماذا يعني هذا لأجهزة أفضل وأطول عمراً

تخلص الدراسة إلى أن ليس كل تفصيل قابل للقياس في الصورة الميكروغرافية مفيد بنفس القدر. بدلاً من ذلك، يمكن لمجموعة صغيرة من الأوصاف المختارة بعناية والمبنية على مبادئ فيزيائية أن تلتقط معظم التباين ذي المغزى في الهياكل المسامية الملبدة. بالنسبة للمهندسين، يعني ذلك أن عدد محدود من الصور العرضية المحللة جيداً يمكن أن يعطي صورة موثوقة عن جودة الوصلة، حتى عندما تكون البنية الدقيقة غير متجانسة من موضع لآخر. يمكن أيضاً استخدام هذه الأوصاف كمدخلات أو أهداف لنماذج تنبؤية وتوليدية مستقبلية تصمم البنى الدقيقة بخصائص قوة أو تدفق حراري مرغوبة. عملياً، يقدم العمل طريقة أوضح وأكثر كفاءة لقراءة النمط الخفي للمسام الذي يحدد في نهاية المطاف ما إذا كانت إلكترونيات الطاقة عالية القدرة تظل باردة وقوية وموثوقة على مدى سنوات من الخدمة الشاقة.

الاستشهاد: Gao, R., Tatsumi, H., Kobatake, T. et al. Study on pore features in sintered die-attach microstructures based on machine learning. Sci Rep 16, 8803 (2026). https://doi.org/10.1038/s41598-026-39207-x

الكلمات المفتاحية: وصلات النحاس الملبدة, البنية الدقيقة للمسام, قابلية موثوقية إلكترونيات الطاقة, التعلم الآلي في المواد, ربط رقائق الشرائح