Badanie cech porów w spiekanych mikrostrukturach die-attach na podstawie uczenia maszynowego

Dlaczego drobne kieszonki pustki mają znaczenie

Nowoczesna elektronika mocy — od samochodów elektrycznych po przetwornice energii odnawialnej — pracuje intensywnie i w wysokich temperaturach. Głęboko w tych urządzeniach cienka warstwa wiążąca łączy chip półprzewodnikowy z metalową podstawą i przewodzi zarówno ciepło, jak i prąd. Ta warstwa jest pełna mikroskopijnych porów — malutkich kieszonek pustej przestrzeni — których rozmiar, kształt i rozmieszczenie silnie wpływają na działanie urządzenia i jego trwałość. Inżynierowie wciąż dyskutują, które cechy porów są kluczowe i jak odczytać ten ukryty krajobraz na podstawie kilku obrazów z mikroskopu. Niniejsze badanie podejmuje ten problem, łącząc staranne pomiary z uczeniem maszynowym, aby odkryć, które cechy porów najlepiej opisują stan warstwy wiążącej.

Od mocno grzejących się chipów do porowatych warstw klejących

Moduły mocy oparte na nowych półprzewodnikach o szerokim paśmie zabronionym, takich jak węglik krzemu, pracują w wyższych temperaturach i przy większych mocach niż tradycyjna elektronika. Konwencjonalne przylutowania mogą mięknąć, pełzać lub pękać w tych warunkach. Obiecującą alternatywą są połączenia uzyskiwane przez spiekanie nanocząstek miedzi w stosunkowo niskiej temperaturze. Proces ten łączy cząstki w gąbczastą metaliczną warstwę przetkaną porami. Te pory wpływają na wytrzymałość, przewodność cieplną i zmęczenie w czasie, a podczas eksploatacji mogą rosnąć i łączyć się, tworząc pęknięcia. Ponieważ pełne obrazowanie trójwymiarowe jest powolne i kosztowne, inżynierowie w większości polegają na dwuwymiarowych przekrojach zrastrami skaningowego mikroskopu elektronowego (SEM) i kilku prostych wskaźnikach, takich jak ogólna porowatość. Pytanie brzmi, czy ten ograniczony widok i kilka podstawowych miar wystarczą do oceny rzeczywistej struktury.

Przekształcanie wzorców porów w liczby

Naukowcy przygotowali spiekane połączenia miedziane w czterech różnych kombinacjach temperatury, ciśnienia i cykli termicznych, a następnie zgromadzili ponad 120 obrazów SEM wysokiego powiększenia ich przekrojów. Za pomocą oprogramowania do analizy obrazów automatycznie zidentyfikowali ponad sto tysięcy pojedynczych porów i zmierzyli właściwości takie jak pole poru, zaokrąglenie, odstęp od sąsiadów oraz długość „szyjek” między pobliskimi obszarami stałymi. Z tych pomiarów pore-po-pore zbudowali statystyczne deskryptory dla każdego obrazu: ile porów zawierał, jak bardzo region był porowaty, jak ciasno były upakowane pory i jak bliskie okręgom były ich kształty. To stworzyło bogaty numeryczny odcisk palca dla każdego małego obszaru w połączeniu.

Odnajdywanie ukrytego porządku w chaotycznych danych

Wiele z tych numerycznych odcisków okazało się silnie ze sobą powiązanych. Na przykład im więcej było porów, tym większa porowatość; im bliżej siebie leżały pory, tym krótsze były szyjki między cząstkami stałymi; a obrazy z wieloma niemal okrągłymi porami wykazywały też wysoką średnią zaokrąglenia. Analizując te zależności matematycznie, autorzy wykazali, że cechy naturalnie dzielą się na dwie grupy: jedna opisuje sposób rozmieszczenia porów w przestrzeni, a druga ich kształty. Następnie zastosowali technikę statystyczną zwaną analizą składowych głównych, aby skompresować każdą grupę do pojedynczego połączonego wskaźnika: „czynnik porowatości”, który podsumowuje, jak gęsto i równomiernie rozmieszczone są pory, oraz „czynnik kształtu”, który streszcza, jak regularne są ich obrysy. Dwie prostsze miary — typowy rozmiar poru i typowy współczynnik kształtu (aspect ratio) — zachowano jako wspierające deskryptory.

Polegając na algorytmach, by ocenić mikrostrukturę

Używając tylko tych czterech deskryptorów, zespół wytrenował kilka różnych modeli uczenia maszynowego, aby odgadnąć, z jakiego warunku przetwarzania pochodzi każdy obraz SEM. Pomimo że modele widziały jedynie niewielki przekrój połączenia i tylko cztery liczby na obraz, prawidłowo sklasyfikowały obrazy w ponad 80 procentach przypadków, a sieć neuronowa osiągnęła około 90 procent trafności. W porównaniu z bez nadzoru głębokim uczeniem, które uczyło się cech bezpośrednio z surowych obrazów, fizycznie znaczące deskryptory w istocie wypadły lepiej i były znacznie łatwiejsze do interpretacji. Dalsza analiza wykazała, że skumulowany czynnik porowatości i czynnik kształtu miały największy wkład w decyzje modeli, potwierdzając, że liczba porów, ich rozmieszczenie i stopień zaokrąglenia niosą najczytelniejszy ślad warunków przetwarzania.

Co to oznacza dla lepszych, trwalszych urządzeń

Badanie dochodzi do wniosku, że nie każdy mierzalny detal na mikrografie jest jednakowo użyteczny. Zamiast tego niewielki zestaw starannie dobranych, fizycznie uzasadnionych deskryptorów potrafi uchwycić większość znaczącej zmienności w spiekanych strukturach porowatych. Dla inżynierów oznacza to, że ograniczona liczba dobrze przeanalizowanych obrazów przekrojowych może dać wiarygodny obraz jakości połączenia, nawet gdy mikrostruktura jest nierównomierna w różnych miejscach. Te deskryptory mogą też służyć jako wejścia lub cele dla przyszłych modeli predykcyjnych i generatywnych projektujących mikrostruktury o pożądanej wytrzymałości lub przewodności cieplnej. W praktyce praca ta oferuje jaśniejszy, bardziej efektywny sposób odczytywania ukrytego wzoru porów, który ostatecznie decyduje o tym, czy elementy elektroniki mocy pozostaną chłodne, wytrzymałe i niezawodne przez lata intensywnej pracy.

Cytowanie: 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

Słowa kluczowe: spiekane połączenia miedziane, mikrostruktura porów, niezawodność elektroniki mocy, uczenie maszynowe w materiałach, wiązanie die-attach