Studio sulle caratteristiche dei pori nelle microstrutture di die-attach sinterizzate basato su machine learning

Perché piccole tasche di vuoto contano

L'elettronica di potenza moderna, dalle auto elettriche ai convertitori per energie rinnovabili, funziona a temperature elevate e con carichi intensi. Nel cuore di questi dispositivi, uno strato sottile di collegamento incolla il chip semiconduttore alla sua base metallica e convoglia sia calore sia corrente. Questo strato è pieno di pori microscopici — piccole tasche di spazio vuoto — la cui dimensione, forma e disposizione influenzano fortemente le prestazioni e la durata del dispositivo. Eppure gli ingegneri discutono ancora su quali dettagli dei pori siano veramente determinanti e su come leggere questo paesaggio nascosto a partire da poche immagini al microscopio. Questo studio affronta il problema combinando misure accurate con il machine learning per scoprire quali caratteristiche dei pori descrivono meglio lo stato dello strato di collegamento.

Dai chip ad alto carico agli strati di collegamento porosi

I moduli di potenza basati su nuovi semiconduttori a bandgap ampio, come il carburo di silicio, operano a temperature e livelli di potenza più elevati rispetto all'elettronica tradizionale. I giunti saldati convenzionali possono ammorbidirsi, deformarsi per scorrimento o creparsi in queste condizioni. Un sostituto promettente è un giunto ottenuto sinterizzando particelle di rame nanometriche a temperature relativamente basse. Questo processo fonde le particelle in uno strato metallico a spugna attraversato da pori. Questi pori influenzano la resistenza meccanica, la conducibilità termica e la fatica a lungo termine, e possono crescere e collegarsi in crepe durante il servizio. Poiché l'imaging tridimensionale completo è lento e costoso, gli ingegneri si affidano soprattutto a immagini bidimensionali di sezioni trasversali al microscopio elettronico a scansione (SEM) e a pochi indicatori semplici, come la porosità complessiva. La domanda è se questa visione limitata e poche misure di base siano sufficienti per giudicare la vera struttura.

Trasformare i pattern dei pori in numeri

I ricercatori hanno preparato giunti in rame sinterizzati sotto quattro diverse combinazioni di temperatura, pressione e cicli termici, quindi hanno raccolto più di 120 immagini SEM ad alto ingrandimento delle sezioni trasversali. Usando software di analisi delle immagini, hanno identificato automaticamente oltre centomila pori individuali e quantificato proprietà come area del poro, rotondità, distanza dai vicini e la lunghezza dei “neck” tra regioni solide vicine. Da queste misure poro-per-poro hanno costruito descrittori statistici per ogni immagine: quante porosità conteneva, quanto era porosa la regione, quanto erano ravvicinati i pori e quanto le loro sagome si avvicinavano a cerchi regolari. Ciò ha creato un ricco imprint numerico di ogni piccola regione del giunto.

Trovare ordine nascosto in dati disordinati

Molti di questi fingerprint numerici si sono rivelati fortemente correlati. Per esempio, più pori erano presenti, maggiore era la porosità; più i pori erano vicini, più corti erano i neck tra le particelle solide; e le immagini con molti pori quasi circolari mostravano anche un'elevata rotondità media. Analizzando matematicamente questi legami, gli autori hanno mostrato che le caratteristiche si raggruppano naturalmente in due famiglie: una che descrive come i pori si distribuiscono nello spazio e un'altra che descrive le loro forme. Hanno quindi usato una tecnica statistica chiamata analisi delle componenti principali per comprimere ciascuna famiglia in un singolo punteggio combinato: un “fattore porosità” che riassume quanto densamente e uniformemente i pori sono disposti, e un “fattore forma” che riassume quanto regolari sono i loro contorni. Due misure più semplici — dimensione tipica del poro e rapporto d'aspetto tipico — sono state mantenute come descrittori di supporto.

Lasciare che gli algoritmi giudichino la microstruttura

Con solo questi quattro descrittori, il team ha addestrato diversi modelli di machine learning per indovinare da quale condizione di processo proveniva ciascuna immagine SEM. Pur vedendo solo una piccola porzione del giunto e solo quattro numeri per immagine, i modelli hanno classificato correttamente le immagini oltre l'80% delle volte, con una rete neurale che ha raggiunto circa il 90% di accuratezza. Quando hanno confrontato questo approccio con un metodo di deep learning non supervisionato che apprende caratteristiche direttamente dalle immagini grezze, i descrittori con un significato fisico hanno in realtà performato meglio e sono rimasti molto più facili da interpretare. Analisi ulteriori hanno mostrato che il fattore porosità combinato e il fattore forma sono i contributori principali alle decisioni dei modelli, confermando che il numero di pori, il loro distanziamento e la loro circolarità portano l'impronta più chiara delle condizioni di processo.

Cosa significa per dispositivi migliori e più duraturi

Lo studio conclude che non ogni dettaglio misurabile in una micrografia è ugualmente utile. Al contrario, un piccolo insieme di descrittori scelti con cura e radicati nella fisica può catturare la maggior parte della variazione significativa nelle strutture porose sinterizzate. Per gli ingegneri, ciò significa che un numero limitato di immagini sezionali ben analizzate può dare un quadro affidabile della qualità del giunto, anche quando la microstruttura è irregolare da un punto all'altro. Questi descrittori possono anche servire come input o obiettivi per futuri modelli predittivi e generativi che progettano microstrutture con la resistenza o la conduzione termica desiderata. In termini pratici, il lavoro offre un modo più chiaro ed efficiente di leggere il motivo nascosto dei pori che, in ultima analisi, determina se l'elettronica di potenza resta fresca, robusta e affidabile nel corso di anni di esercizio gravoso.

Citazione: 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

Parole chiave: giunti in rame sinterizzato, microstruttura dei pori, affidabilità dell'elettronica di potenza, machine learning nei materiali, bonding die-attach