Estudio sobre las características de poros en microestructuras de unión por sinterización basado en aprendizaje automático

Por qué importan los pequeños bolsillos de vacío

La electrónica de potencia moderna, desde los coches eléctricos hasta los convertidores de energías renovables, funciona a altas temperaturas y con gran carga. En el interior de estos dispositivos, una fina capa de unión pega el chip semiconductor a su base metálica y transporta tanto el calor como la electricidad. Esta capa está llena de poros microscópicos—pequeños bolsillos de espacio vacío—cuyas dimensiones, forma y disposición influyen de manera decisiva en el rendimiento y la vida útil del dispositivo. Sin embargo, los ingenieros aún debaten qué detalles de los poros son realmente relevantes y cómo inferir ese paisaje oculto a partir de unas pocas imágenes de microscopio. Este estudio afronta ese problema combinando mediciones cuidadosas con aprendizaje automático para descubrir qué características de los poros describen mejor el estado de la capa de unión.

De chips que funcionan a alta temperatura a capas porosas de adhesivo

Los módulos de potencia basados en nuevos semiconductores de banda prohibida amplia, como el carburo de silicio, operan a temperaturas y potencias superiores a la electrónica tradicional. Las uniones de soldadura convencionales pueden ablandarse, deformarse por fluencia o agrietarse bajo estas condiciones. Una alternativa prometedora es una unión formada por la sinterización de partículas de cobre de tamaño nanométrico a temperaturas relativamente bajas. Este proceso fusiona las partículas en una capa metálica tipo esponja atravesada por poros. Estos poros influyen en la resistencia mecánica, la conductividad térmica y la fatiga a largo plazo, y pueden crecer y conectarse formando grietas durante el servicio. Dado que la imagen tridimensional completa es lenta y costosa, los ingenieros dependen sobre todo de imágenes bidimensionales de sección transversal obtenidas por microscopía electrónica de barrido (SEM) y de un puñado de indicadores simples, como la porosidad global. La pregunta es si esta vista limitada y unas pocas medidas básicas son suficientes para juzgar la verdadera estructura.

Convertir los patrones de poros en números

Los investigadores prepararon uniones de cobre sinterizado bajo cuatro combinaciones diferentes de temperatura, presión y ciclos térmicos, y recopilaron más de 120 imágenes SEM de alta magnificación de sus secciones transversales. Usando software de análisis de imágenes, identificaron automáticamente más de cien mil poros individuales y cuantificaron propiedades como el área del poro, la redondez, la distancia a los vecinos y la longitud de los “cuellos” entre regiones sólidas cercanas. A partir de estas mediciones por poro, construyeron descriptores estadísticos para cada imagen: cuántos poros contenía, cuánta porosidad había en la región, cuán compactos estaban los poros y cuán próximas estaban sus formas a círculos perfectos. Esto creó una huella numérica rica de cada pequeña región de la unión.

Encontrar orden oculto en datos desordenados

Muchos de estos perfiles numéricos resultaron estar estrechamente relacionados. Por ejemplo, cuantos más poros había, mayor era la porosidad; cuanto más juntos se encontraban los poros, más cortos eran los cuellos entre partículas sólidas; e imágenes con muchos poros casi redondos también mostraban una alta redondez media. Al analizar matemáticamente estos vínculos, los autores demostraron que las características se agrupan naturalmente en dos familias: una que describe cómo se distribuyen los poros en el espacio y otra que describe sus formas. A continuación utilizaron una técnica estadística llamada análisis de componentes principales para comprimir cada familia en una sola puntuación combinada: un “factor de porosidad” que resume cuán densamente y de forma homogénea están dispuestos los poros, y un “factor de forma” que resume cuán regulares son sus contornos. Dos medidas más sencillas—el tamaño típico de poro y la razón de aspecto típica—se mantuvieron como descriptores complementarios.

Dejar que los algoritmos juzguen la microestructura

Con solo estos cuatro descriptores, el equipo entrenó varios modelos de aprendizaje automático para predecir de qué condición de procesamiento procedía cada imagen SEM. A pesar de ver solo una pequeña porción de la unión y únicamente cuatro números por imagen, los modelos clasificaron correctamente las imágenes en más del 80 por ciento de los casos, alcanzando una red neuronal aproximadamente un 90 por ciento de acierto. Cuando compararon este enfoque con un método no supervisado de aprendizaje profundo que aprendía características directamente de las imágenes en bruto, los descriptores con significado físico en realidad tuvieron un mejor rendimiento y, además, resultaron mucho más fáciles de interpretar. Un análisis adicional mostró que el factor combinado de porosidad y el factor de forma contribuyeron más a las decisiones de los modelos, confirmando que cuántos poros hay, cómo se espacian y cuán redondeados son contienen la huella más clara de las condiciones de procesado.

Qué significa esto para dispositivos mejores y más duraderos

El estudio concluye que no todos los detalles medibles en una micrografía son igualmente útiles. En su lugar, un pequeño conjunto de descriptores cuidadosamente seleccionados y fundamentados físicamente puede capturar la mayor parte de la variación significativa en estructuras porosas sinterizadas. Para los ingenieros, esto significa que un número limitado de imágenes transversales bien analizadas puede ofrecer una imagen fiable de la calidad de la unión, incluso cuando la microestructura es desigual de un punto a otro. Estos descriptores también pueden servir como entradas o como objetivos para futuros modelos predictivos y generativos que diseñen microestructuras con la resistencia o la conductividad térmica deseadas. En términos prácticos, el trabajo ofrece una forma más clara y eficiente de leer el patrón oculto de poros que, en última instancia, determina si la electrónica de alta potencia se mantiene fría, resistente y fiable a lo largo de años de servicio exigente.

Cita: 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

Palabras clave: uniones de cobre sinterizado, microestructura de poros, fiabilidad en electrónica de potencia, aprendizaje automático en materiales, unión die-attach