Studie zu Porenmerkmalen in gesinterten Die-Attach-Mikrostrukturen auf Basis von Machine Learning

Warum winzige Hohlräume wichtig sind

Moderne Leistungselektronik, von Elektroautos bis hin zu Umrichtern für erneuerbare Energien, läuft heiß und unter hoher Last. Tief in diesen Geräten verbindet eine dünne Verklebungsschicht den Halbleiterchip mit seiner Metallbasis und leitet sowohl Wärme als auch Strom. Diese Schicht ist voller mikroskopischer Poren — winziger Hohlräume — deren Größe, Form und Anordnung stark beeinflussen, wie gut das Bauteil funktioniert und wie lange es hält. Ingenieure streiten jedoch noch, welche Porenmerkmale wirklich entscheidend sind und wie sich diese verborgene Landschaft aus wenigen Mikroskopbildern ablesen lässt. Diese Studie geht dieses Problem an, indem sie sorgfältige Messungen mit Machine Learning kombiniert, um herauszufinden, welche Porenmerkmale die Gesundheit der Bondingschicht am besten beschreiben.

Von heiß laufenden Chips zu porösen Klebschichten

Leistungsbausteine auf Basis neuer Wide-Bandgap-Halbleiter, wie Siliziumkarbid, arbeiten bei höheren Temperaturen und Leistungsdichten als traditionelle Elektronik. Konventionelle Lötverbindungen können unter diesen Bedingungen erweichen, kriechen oder reißen. Ein vielversprechender Ersatz ist eine Verbindung, die durch das Sintern nanoskaliger Kupferpartikel bei relativ niedriger Temperatur entsteht. Bei diesem Prozess verschmelzen Partikel zu einer schwammartigen Metallschicht, durchzogen von Poren. Diese Poren beeinflussen Festigkeit, Wärmeleitfähigkeit und Ermüdungsverhalten und können im Betrieb wachsen und sich zu Rissen vernetzen. Da vollständige dreidimensionale Bildgebung langsam und teuer ist, verlassen sich Ingenieure meist auf zweidimensionale Querschliff-Scanning-Elektronenmikroskop-(SEM-)Bilder und eine Handvoll einfacher Kennzahlen, etwa die Gesamtporosität. Die Frage ist, ob dieser eingeschränkte Blick und ein paar Basismaße ausreichen, um die wahre Struktur zu beurteilen.

Porenmuster in Zahlen verwandeln

Die Forschenden stellten gesinterte Kupferverbindungen unter vier verschiedenen Kombinationen aus Temperatur, Druck und thermischer Belastung her und sammelten mehr als 120 hochvergrößerte SEM-Bilder ihrer Querschnitte. Mit Bildanalyse-Software identifizierten sie automatisch über hunderttausend einzelne Poren und quantifizierten Eigenschaften wie Porenfläche, Rundheit, Abstand zu Nachbarn und die Länge der „Hälse“ zwischen benachbarten festen Bereichen. Aus diesen porenweisen Messungen bauten sie statistische Beschreiber für jedes Bild: wie viele Poren es enthielt, wie porös die Region war, wie dicht die Poren gepackt waren und wie nah ihre Formen an saubere Kreise herankamen. So entstand ein reichhaltiger numerischer Fingerabdruck jeder kleinen Region in der Verbindung.

Verborgene Ordnung in unordentlichen Daten finden

Viele dieser numerischen Fingerabdrücke erwiesen sich als stark miteinander verknüpft. Beispielsweise je mehr Poren vorhanden waren, desto höher war die Porosität; je dichter die Poren beieinander lagen, desto kürzer waren die Hälse zwischen festen Partikeln; und Bilder mit vielen annähernd runden Poren zeigten auch hohe mittlere Rundheitswerte. Durch die mathematische Analyse dieser Zusammenhänge zeigten die Autorinnen und Autoren, dass die Merkmale natürlicherweise in zwei Familien zusammenfallen: eine, die beschreibt, wie Poren räumlich verteilt sind, und eine, die ihre Formen beschreibt. Anschließend nutzten sie eine statistische Technik, die Hauptkomponentenanalyse, um jede Familie in eine einzige kombinierte Kennzahl zu komprimieren: einen „Porositätsfaktor“, der zusammenfasst, wie dicht und gleichmäßig Poren angeordnet sind, und einen „Formfaktor“, der zusammenfasst, wie regelmäßig ihre Umrisse sind. Zwei einfachere Maße — typische Porengröße und typisches Seitenverhältnis — blieben als ergänzende Beschreiber erhalten.

Algorithmen die Mikrostruktur beurteilen lassen

Mit nur diesen vier Beschreibern trainierte das Team mehrere Machine-Learning-Modelle, um zu erraten, unter welchem Prozessbedingung jede SEM-Aufnahme entstanden war. Obwohl die Modelle nur einen kleinen Ausschnitt der Verbindung und lediglich vier Zahlen pro Bild sahen, klassifizierten sie die Bilder in über 80 Prozent der Fälle korrekt; ein neuronales Netz erreichte rund 90 Prozent Genauigkeit. Verglichen mit einem unüberwachten Deep-Learning-Ansatz, der Merkmale direkt aus Rohbildern lernte, schnitten die physikalisch sinnvollen Beschreiber sogar besser ab und blieben dabei deutlich leichter interpretierbar. Weitere Analysen zeigten, dass der kombinierte Porositätsfaktor und der Formfaktor am stärksten zu den Modellentscheidungen beitrugen, was bestätigt, dass Anzahl, Abstand und Rundheit der Poren den klarsten Fingerabdruck der Prozessbedingungen liefern.

Was das für bessere, langlebigere Geräte bedeutet

Die Studie kommt zu dem Schluss, dass nicht jedes messbare Detail in einem Mikrographen gleichermaßen nützlich ist. Stattdessen kann eine kleine Auswahl wohlüberlegter, physikalisch fundierter Beschreiber den Großteil der aussagekräftigen Variation in gesinterten porösen Strukturen erfassen. Für Ingenieure bedeutet das, dass eine begrenzte Anzahl gut analysierter Querschliffbilder ein verlässliches Bild der Verbindungsqualität liefern kann, selbst wenn die Mikrostruktur von Stelle zu Stelle ungleichmäßig ist. Diese Beschreiber können auch als Eingaben oder Ziele für künftige prädiktive und generative Modelle dienen, die Mikrostrukturen mit gewünschter Festigkeit oder Wärmeleitung entwerfen. Praktisch gesehen bietet die Arbeit einen klareren, effizienteren Weg, das verborgene Porenmuster zu lesen, das letztlich bestimmt, ob Leistungselektronik über Jahre anspruchsvollen Betriebs kühl, stabil und zuverlässig bleibt.

Zitation: 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

Schlüsselwörter: gesinterte Kupferverbindungen, Porenmikrostruktur, Zuverlässigkeit der Leistungselektronik, Machine Learning in Materialwissenschaften, Die-Attach-Bonding