Исследование характеристик пор в спечённых микроструктурах для приклейки кристаллов с использованием машинного обучения

Почему крошечные пустоты имеют значение

Современная силовая электроника — от электромобилей до преобразователей возобновляемой энергии — работает при высоких температурах и нагрузках. Глубоко внутри этих устройств тонкий связующий слой скрепляет полупроводниковый кристалл с его металлической подложкой и одновременно отводит тепло и проводит электрический ток. Этот слой заполнен микроскопическими порами — крошечными заполненными воздухом полостями, — размеры, форма и расположение которых сильно влияют на характеристики и длительность службы устройства. Тем не менее инженеры всё ещё спорят, какие именно детали пор наиболее важны и как по нескольким микроскопическим снимкам судить о скрытом ландшафте. В этом исследовании авторы решают эту задачу, сочетая точные измерения с методами машинного обучения, чтобы выявить, какие признаки пор лучше всего описывают состояние связующего слоя.

От горячих кристаллов к пористым слоям-«клеям»

Силовые модули на базе новых широкозонных полупроводников, таких как карбид кремния, работают при более высоких температурах и мощностях, чем традиционная электроника. Обычные паяные соединения при таких условиях могут размягчаться, ползти или трескаться. Перспективной заменой являются соединения, полученные спеканием наночастиц меди при относительно низкой температуре. В этом процессе частицы слипаются в губчатый металлический слой, пронизанный порами. Эти поры влияют на прочность, теплопроводность и длительную усталостную стойкость; в эксплуатации они могут расти и соединяться в трещины. Поскольку полное трёхмерное сканирование медленное и дорогое, инженеры в основном полагаются на двумерные поперечные снимки в растровом электронном микроскопе (SEM) и на несколько простых показателей, таких как общая пористость. Встает вопрос: достаточно ли такой ограниченной картины и нескольких базовых мер для оценки реальной структуры.

Преобразование рисунков пор в числа

Исследователи подготовили медные спечённые соединения в четырёх различных сочетаниях температуры, давления и термических циклов, а затем собрали более 120 SEM-снимков поперечных сечений с высоким увеличением. С помощью программного обеспечения для анализа изображений они автоматически выделили более ста тысяч отдельных пор и количественно оценили свойства, такие как площадь поры, округлость, расстояние до соседей и длина «шеек» между близкими твёрдыми областями. На основе этих покомпонентных измерений пор были построены статистические дескрипторы для каждого изображения: сколько пор содержится, какова общая пористость, насколько плотно располагаются поры и насколько близки их формы к идеальным кругам. Так для каждой маленькой области соединения сформировался богатый числовой отпечаток.

Поиск скрытого порядка в запутанных данных

Многие из этих числовых отпечатков оказались сильно взаимосвязаны. Например, чем больше пор, тем выше пористость; чем ближе расположены поры, тем короче шейки между твёрдыми частями; а изображения с большим числом почти круглых пор также демонстрировали высокую среднюю округлость. Анализируя эти связи математически, авторы показали, что признаки естественно разбиваются на две группы: одна описывает пространственное распределение пор, другая — их форму. Затем они применили статистический метод главных компонент, чтобы свести каждую группу к единому комбинированному показателю: «фактор пористости», суммирующий плотность и равномерность расположения пор, и «фактор формы», суммирующий регулярность контуров. Две более простые меры — типичный размер поры и типичное соотношение сторон — сохранили в качестве вспомогательных дескрипторов.

Доверить алгоритмам оценку микроструктуры

Имея лишь эти четыре дескриптора, команда обучила несколько моделей машинного обучения отличать, при каких режимах обработки было получено каждое SEM-изображение. Несмотря на то что модели видели только тонкий срез соединения и всего по четыре числа на изображение, они правильно классифицировали снимки более чем в 80% случаев, а нейронная сеть достигла примерно 90% точности. При сравнении с неконтролируемым методом глубокого обучения, который учится извлекать признаки напрямую из сырых изображений, физически осмысленные дескрипторы показали себя даже лучше и при этом были значительно проще для интерпретации. Дальнейший анализ показал, что сочетание фактора пористости и фактора формы внесло наибольший вклад в решения моделей, подтверждая, что число пор, их пространственное расположение и округлость оставляют наиболее четкий след от условий обработки.

Что это значит для более надёжных и долговечных устройств

Исследование делает вывод, что не каждая измеримая деталь на микрографе одинаково полезна. Вместо этого небольшой набор тщательно подобранных, физически обоснованных дескрипторов может захватить большую часть значимой вариации в спечённых пористых структурах. Для инженеров это означает, что ограниченное число качественно проанализированных поперечных снимков может дать надежную картину качества соединения, даже когда микроструктура неоднородна по сечению. Эти дескрипторы также могут служить вводами или целями для будущих предиктивных и генеративных моделей, проектирующих микроструктуры с требуемой прочностью или теплопроводностью. Практически это даёт более ясный и эффективный способ прочитать скрытый рисунок пор, который в конечном счёте определяет, останется ли силовая электроника прохладной, прочной и надёжной в течение многих лет интенсивной эксплуатации.

Цитирование: 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

Ключевые слова: спечённые медные соединения, поровая микроструктура, надёжность силовой электроники, машинное обучение в материалах, соединение die-attach