Onderzoek naar poriëneigenschappen in gesinterde die-attach-microstructuren op basis van machine learning

Waarom kleine holtes ertoe doen

Moderne vermogenselektronica, van elektrische auto’s tot omvormers voor hernieuwbare energie, draait heet en zwaar. Diep in deze apparaten verbindt een dunne lijmlaag de halfgeleiderchip met zijn metalen ondergrond en voert zowel warmte als stroom af. Deze laag zit vol microscopische poriën—kleine holtes—waarvan grootte, vorm en rangschikking sterk bepalen hoe goed het apparaat werkt en hoe lang het meegaat. Toch bestaat er onder ingenieurs nog discussie over welke poreigenschappen echt van belang zijn en hoe je dit verborgen landschap uit een paar microscoopbeelden kunt aflezen. Deze studie pakt dat probleem aan door zorgvuldige metingen te combineren met machine learning om te achterhalen welke poreigenschappen het meest representatief zijn voor de staat van de lijmlaag.

Van heet draaiende chips naar poreuze lijmlagen

Vermogensmodules op basis van nieuwe wide-bandgap-halfgeleiders, zoals siliciumcarbide, werken bij hogere temperaturen en vermogensniveaus dan traditionele elektronica. Conventionele soldeerverbindingen kunnen onder deze omstandigheden verzachten, kruipen of barsten. Een veelbelovende vervanging is een verbinding die ontstaat door het sinteren van nanogrote koperdeltjes bij relatief lage temperatuur. Dit proces versmelt de deeltjes tot een sponsachtige metalen laag dooraderd met poriën. Deze poriën beïnvloeden sterkte, thermische geleidbaarheid en langdurige vermoeiing, en ze kunnen tijdens gebruik groeien en aaneensluiten tot scheuren. Omdat volledige driedimensionale beeldvorming traag en duur is, vertrouwen ingenieurs meestal op tweedimensionale dwarsdoorsnedebeelden van een scanning elektronenmicroscoop (SEM) en een handvol eenvoudige indicatoren, zoals de totale porositeit. De vraag is of dit beperkte uitzicht en een paar basale maten genoeg zijn om de werkelijke structuur te beoordelen.

Porepatronen omzetten in cijfers

De onderzoekers bereidden koperen gesinterde verbindingen onder vier verschillende combinaties van temperatuur, druk en thermische cycli, en verzamelden vervolgens meer dan 120 SEM-beelden met hoge vergroting van hun dwarsdoorsneden. Met beeldanalyse-software identificeerden ze automatisch meer dan honderdduizend individuele poriën en kwantificeerden eigenschappen zoals pore-oppervlakte, rondheid, afstand tot buren en de lengte van de "necks" tussen naburige vaste gebieden. Uit deze porie-voor-porie-metingen bouwden ze statistische beschrijvingen voor elk beeld: hoeveel poriën het bevatte, hoe poreus het gebied was, hoe dicht de poriën opeengepakt waren en hoe dicht hun vormen bij nette cirkels lagen. Dit creëerde een rijk numeriek vingerafdruk van elk klein gebied in de verbinding.

Verborgen orde vinden in rommelige data

Veel van deze numerieke vingerafdrukken bleken sterk met elkaar samen te hangen. Bijvoorbeeld: hoe meer poriën er waren, hoe hoger de porositeit; hoe dichter poriën op elkaar zaten, hoe korter de neks tussen vaste deeltjes; en beelden met veel bijna ronde poriën vertoonden ook een hoge gemiddelde rondheid. Door deze verbanden wiskundig te analyseren, toonden de auteurs aan dat de kenmerken van nature in twee families vallen: één die beschrijft hoe poriën ruimtelijk zijn verdeeld en een andere die hun vormen beschrijft. Ze gebruikten vervolgens een statistische techniek genaamd hoofdcomponentenanalyse om elke familie te comprimeren tot één gecombineerde score: een "porositeitsfactor" die samenvat hoe dicht en gelijkmatig poriën zijn gerangschikt, en een "vormfactor" die samenvat hoe regelmatig hun omtrekken zijn. Twee eenvoudigere maten—typische pore-grootte en typische aspectverhouding—bleven als aanvullende beschrijvingen behouden.

Algoritmen de microstructuur laten beoordelen

Gewapend met slechts deze vier beschrijvingen, trainde het team verschillende machine learning-modellen om te raden uit welke verwerkingsconditie elk SEM-beeld afkomstig was. Ondanks dat ze slechts een klein deel van de verbinding zagen en maar vier getallen per beeld hadden, classificeerden de modellen afbeeldingen in meer dan 80 procent van de gevallen correct, waarbij een neuraal netwerk ongeveer 90 procent nauwkeurigheid bereikte. Toen ze deze benadering vergeleken met een onbewaakte deep-learningmethode die kenmerken direct uit ruwe beelden leerde, presteerden de fysisch betekenisvolle beschrijvingen zelfs beter en bleven ze veel gemakkelijker te interpreteren. Verdere analyse toonde dat de gecombineerde porositeitsfactor en vormfactor het meest bijdroegen aan de beslissingen van de modellen, wat bevestigt dat het aantal poriën, hun onderlinge afstand en hun rondheid het duidelijkste spoor van de verwerkingscondities vormen.

Wat dit betekent voor betere, duurzamere apparaten

De studie concludeert dat niet elk meetbaar detail in een micrograaf even nuttig is. In plaats daarvan kan een kleine set zorgvuldig gekozen, fysisch onderbouwde beschrijvingen het grootste deel van de betekenisvolle variatie in gesinterde poreuze structuren vastleggen. Voor ingenieurs betekent dit dat een beperkt aantal goed geanalyseerde dwarsdoorsneden een betrouwbare inschatting van de kwaliteit van een verbinding kan geven, zelfs wanneer de microstructuur van plaats tot plaats ongelijkmatig is. Deze beschrijvingen kunnen ook dienen als invoer of doel voor toekomstige voorspellende en generatieve modellen die microstructuren ontwerpen met gewenste sterkte of warmtegeleiding. In praktische zin biedt het werk een helderder, efficiënter manier om het verborgen patroon van poriën te lezen dat uiteindelijk bepaalt of hoogvermogen-elektronica jarenlang koel, sterk en betrouwbaar blijven onder zware bedrijfsomstandigheden.

Bronvermelding: 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

Trefwoorden: gesinterde koperen verbindingen, poreuze microstructuur, betrouwbaarheid van vermogenselektronica, machine learning in materialen, die-attach bonding