Estudo sobre características de poros em microestruturas de união por sinterização com base em aprendizado de máquina

Por que minúsculos bolsões de vazio importam

A eletrônica de potência moderna, de carros elétricos a conversores de energia renovável, opera em temperaturas elevadas e com altas demandas. No interior desses dispositivos, uma camada fina de união liga o chip semicondutor à sua base metálica e conduz tanto calor quanto eletricidade. Essa camada está repleta de poros microscópicos — minúsculos bolsões de espaço vazio — cujo tamanho, forma e arranjo afetam fortemente o desempenho e a vida útil do dispositivo. Ainda assim, engenheiros discutem quais detalhes dos poros realmente importam e como ler essa paisagem oculta a partir de algumas imagens de microscópio. Este estudo encara esse problema combinando medições cuidadosas com aprendizado de máquina para descobrir quais características dos poros melhor descrevem a saúde da camada de união.

De chips que aquecem a camadas de cola porosa

Módulos de potência baseados em novos semicondutores de banda larga, como o carbeto de silício, operam em temperaturas e níveis de potência mais altos que a eletrônica tradicional. Juntas soldadas convencionais podem amolecer, sofrer fluência ou trincar nessas condições. Uma substituição promissora é uma junta feita pela sinterização de partículas de cobre na faixa nanométrica a temperaturas relativamente baixas. Esse processo funde as partículas em uma camada metálica semelhante a uma esponja, atravessada por poros. Esses poros influenciam resistência mecânica, condutividade térmica e fadiga ao longo do tempo, e podem crescer e conectar-se formando trincas durante o uso. Como a imagem tridimensional completa é lenta e cara, os engenheiros costumam depender de imagens bidimensionais de seções transversais por microscopia eletrônica de varredura (SEM) e de um punhado de indicadores simples, como a porosidade global. A questão é se essa visão limitada e algumas medidas básicas são suficientes para avaliar a estrutura real.

Transformando padrões de poros em números

Os pesquisadores prepararam juntas de cobre sinterizado sob quatro combinações diferentes de temperatura, pressão e ciclos térmicos, e em seguida coletaram mais de 120 imagens SEM de alta ampliação de suas seções transversais. Usando software de análise de imagem, identificaram automaticamente mais de cem mil poros individuais e quantificaram propriedades como área do poro, arredondamento, espaçamento até vizinhos e o comprimento dos “pescoços” entre regiões sólidas próximas. A partir dessas medições por poro, construíram descritores estatísticos para cada imagem: quantos poros continha, quão porosa era a região, quão compactos estavam os poros e quão próximas suas formas estavam de círculos perfeitos. Isso criou uma impressão digital numérica rica de cada pequena região da junta.

Encontrando ordem oculta em dados desordenados

Muitas dessas impressões digitais numéricas mostraram forte correlação entre si. Por exemplo, quanto mais poros havia, maior era a porosidade; quanto mais próximos os poros, mais curtos eram os pescoços entre partículas sólidas; e imagens com muitos poros quase circulares também exibiam alto arredondamento médio. Ao analisar essas ligações matematicamente, os autores demonstraram que os recursos se agrupam naturalmente em duas famílias: uma descrevendo como os poros se distribuem no espaço e outra descrevendo suas formas. Em seguida, usaram uma técnica estatística chamada análise de componentes principais para comprimir cada família em um único escore combinado: um “fator de porosidade” que resume quão densa e uniforme é a disposição dos poros, e um “fator de forma” que resume quão regulares são seus contornos. Duas medidas mais simples — tamanho típico do poro e razão de aspecto típica — foram mantidas como descritores de apoio.

Deixando algoritmos julgar a microestrutura

Com apenas esses quatro descritores, a equipe treinou vários modelos de aprendizado de máquina para prever de qual condição de processamento cada imagem SEM tinha origem. Apesar de verem apenas uma fatia pequena da junta e apenas quatro números por imagem, os modelos classificaram corretamente as imagens mais de 80% das vezes, com uma rede neural alcançando cerca de 90% de acurácia. Ao comparar essa abordagem com um método de deep learning não supervisionado que aprendeu características diretamente das imagens brutas, os descritores com significado físico tiveram desempenho superior e permaneceram muito mais fáceis de interpretar. Análises adicionais mostraram que os fatores combinados de porosidade e forma foram os que mais contribuíram para as decisões dos modelos, confirmando que o número de poros, seu espaçamento e seu arredondamento carregam a impressão mais clara das condições de processamento.

O que isso significa para dispositivos melhores e mais duradouros

O estudo conclui que nem todo detalhe mensurável em uma micrografia é igualmente útil. Em vez disso, um pequeno conjunto de descritores escolhidos com cuidado e fundamentados em física pode capturar a maior parte da variação significativa em estruturas porosas sinterizadas. Para engenheiros, isso significa que um número limitado de imagens de seções transversais bem analisadas pode fornecer um retrato confiável da qualidade da junta, mesmo quando a microestrutura é heterogênea de um ponto a outro. Esses descritores também podem servir como entradas ou alvos para futuros modelos preditivos e generativos que projetem microestruturas com resistência ou fluxo de calor desejados. Em termos práticos, o trabalho oferece uma maneira mais clara e eficiente de ler o padrão oculto de poros que, em última instância, determina se eletrônicos de alta potência permanecem frios, resistentes e confiáveis ao longo de anos de serviço exigente.

Citação: 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

Palavras-chave: juntas de cobre sinterizado, microestrutura de poros, confiabilidade em eletrônica de potência, aprendizado de máquina em materiais, ligação die-attach