Étude des caractéristiques des pores dans les microstructures de collage par frittage basée sur l’apprentissage automatique

Pourquoi de minuscules poches vides comptent

L’électronique de puissance moderne, des voitures électriques aux convertisseurs d’énergies renouvelables, fonctionne à haute température et sous forte contrainte. Au cœur de ces dispositifs, une fine couche d’assemblage colle la puce semi-conductrice à sa base métallique et conduit à la fois la chaleur et l’électricité. Cette couche est parcourue de pores microscopiques — de minuscules poches d’espace vide — dont la taille, la forme et l’organisation influencent fortement le fonctionnement et la durée de vie du dispositif. Pourtant, les ingénieurs débattent encore des détails de pores qui importent vraiment et de la manière d’interpréter ce paysage caché à partir de quelques images au microscope. Cette étude aborde ce problème en combinant des mesures soignées et l’apprentissage automatique pour révéler quelles caractéristiques des pores décrivent le mieux l’état de santé de la couche d’assemblage.

Des puces qui chauffent aux couches d’adhésif poreuses

Les modules de puissance fondés sur de nouveaux semi-conducteurs à large bande interdite, comme le carbure de silicium, fonctionnent à des températures et puissances plus élevées que l’électronique traditionnelle. Les soudures conventionnelles peuvent alors s’assouplir, se déformer ou se fissurer. Un remplacement prometteur est une jointure obtenue par frittage de particules de cuivre de taille nanométrique à relativement basse température. Ce procédé fusionne les particules en une couche métallique en forme d’éponge, traversée de pores. Ces pores influencent la résistance mécanique, la conductivité thermique et la fatigue à long terme, et peuvent croître et se relier en fissures en service. Parce que l’imagerie 3D complète est lente et coûteuse, les ingénieurs s’en tiennent généralement à des images bidimensionnelles de sections transversales acquises au microscope électronique à balayage (MEB) et à quelques indicateurs simples, comme la porosité globale. La question est de savoir si cette vue limitée et ces quelques mesures de base suffisent à juger de la véritable structure.

Transformer les motifs de pores en nombres

Les chercheurs ont préparé des joints en cuivre fritté selon quatre combinaisons différentes de température, pression et cyclage thermique, puis ont collecté plus de 120 images MEB à fort grossissement de leurs sections transversales. À l’aide d’un logiciel d’analyse d’images, ils ont identifié automatiquement plus de cent mille pores individuels et quantifié des propriétés telles que l’aire du pore, la circularité, l’espacement par rapport aux voisins et la longueur des « gorges » entre régions solides proches. À partir de ces mesures pore par pore, ils ont construit des descripteurs statistiques pour chaque image : combien de pores elle contenait, quelle était la porosité de la région, à quel point les pores étaient compactés et à quel point leurs formes se rapprochaient de cercles parfaits. Cela a créé une empreinte numérique riche pour chaque petite zone du joint.

Trouver de l’ordre caché dans des données désordonnées

Beaucoup de ces empreintes numériques se sont révélées fortement corrélées. Par exemple, plus il y avait de pores, plus la porosité était élevée ; plus les pores étaient rapprochés, plus courtes étaient les gorges entre particules solides ; et les images contenant de nombreux pores presque ronds montraient aussi une rondeur moyenne élevée. En analysant mathématiquement ces liens, les auteurs ont montré que les caractéristiques se regroupent naturellement en deux familles : l’une décrivant la distribution spatiale des pores et l’autre décrivant leurs formes. Ils ont ensuite utilisé une technique statistique appelée analyse en composantes principales pour compresser chaque famille en un score combiné unique : un « facteur de porosité » qui résume la densité et l’uniformité de l’agencement des pores, et un « facteur de forme » qui résume la régularité de leurs contours. Deux mesures plus simples — taille de pore typique et rapport d’aspect typique — ont été conservées comme descripteurs d’appoint.

Laisser les algorithmes juger la microstructure

Munis de ces quatre descripteurs seulement, l’équipe a entraîné plusieurs modèles d’apprentissage automatique pour deviner de quelle condition de traitement provenait chaque image MEB. Malgré le fait de n’avoir vu qu’une tranche limitée du joint et seulement quatre nombres par image, les modèles ont correctement classé les images plus de 80 % du temps, un réseau de neurones atteignant environ 90 % de précision. Lorsqu’ils ont comparé cette approche à une méthode d’apprentissage profond non supervisée qui apprend les caractéristiques directement à partir des images brutes, les descripteurs physiquement interprétables ont en fait mieux performé tout en restant beaucoup plus faciles à interpréter. Une analyse complémentaire a montré que le facteur de porosité combiné et le facteur de forme contribuaient le plus aux décisions des modèles, confirmant que le nombre de pores, leur espacement et leur rondeur portent l’empreinte la plus nette des conditions de traitement.

Ce que cela signifie pour des dispositifs meilleurs et plus durables

L’étude conclut que tous les détails mesurables dans une micrographie n’ont pas la même utilité. À la place, un petit ensemble de descripteurs bien choisis et fondés physiquement peut capturer la majeure partie de la variation significative dans les structures poreuses frittées. Pour les ingénieurs, cela signifie qu’un nombre limité d’images de sections transversales bien analysées peut donner une image fiable de la qualité du joint, même lorsque la microstructure varie d’un endroit à l’autre. Ces descripteurs peuvent également servir d’entrées ou de cibles pour de futurs modèles prédictifs et génératifs qui conçoivent des microstructures avec la résistance ou la conductivité thermique souhaitées. En termes pratiques, ce travail propose une façon plus claire et plus efficace de lire le motif caché des pores qui gouverne en fin de compte si l’électronique de haute puissance reste fraîche, robuste et fiable pendant des années d’utilisation exigeante.

Citation: 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

Mots-clés: jonctions en cuivre fritté, microstructure des pores, fiabilité de l’électronique de puissance, apprentissage automatique en matériaux, brasage de la puce