Studie om porfunktioner i sintrade die-attach-mikrostrukturer baserad på maskininlärning

Varför små tomrum spelar roll

Modern kraftelektronik, från elbilar till omriktare för förnybar energi, körs varmt och hårt. Djupt inne i dessa enheter finns ett tunt bindningsskikt som limmar halvledarchippet till dess metallbas och leder både värme och elektricitet. Detta skikt är fullt av mikroskopiska porer—små fickor av luft—vars storlek, form och ordning starkt påverkar hur väl apparaten fungerar och hur länge den håller. Ändå råder fortsatt debatt bland ingenjörer om vilka poraspekter som verkligen är viktiga och hur man kan avläsa detta dolda landskap utifrån några mikroskopbilder. Denna studie tar itu med problemet genom att kombinera noggranna mätningar med maskininlärning för att avslöja vilka poregenskaper som bäst beskriver bindningsskiktets skick.

Från varma chip till porösa bindningsskikt

Kraftmoduler baserade på nya wide-bandgap-halvledare, som kiselkarbid, arbetar vid högre temperaturer och effektnivåer än traditionell elektronik. Konventionella lödfogar kan mjukas upp, krypa eller spricka under dessa förhållanden. Ett lovande alternativ är en fog skapad genom sintring av nanopartiklar av koppar vid relativt låg temperatur. Denna process smälter samman partiklar till ett svampigt metalliskt skikt genomborrat av porer. Dessa porer påverkar styrka, termisk ledningsförmåga och långtidströtthet, och de kan växa och länka ihop sig till sprickor under drift. Eftersom helt tredimensionell avbildning är långsam och kostsam förlitar sig ingenjörer till stor del på tvådimensionella tvärsnittsbilder från svepelektronmikroskop (SEM) och ett fåtal enkla indikatorer, såsom total porositet. Frågan är om denna begränsade vy och några grundläggande mått räcker för att bedöma den verkliga strukturen.

Att göra poremönster till siffror

Forskarna förberedde sintrade kopparkontakter under fyra olika kombinationer av temperatur, tryck och termisk cykling, och samlade därefter in mer än 120 SEM-bilder med hög förstoring av deras tvärsnitt. Med bildanalysprogramvara identifierade de automatiskt över hundratusen enskilda porer och kvantifierade egenskaper som poreyta, rundhet, avstånd till grannar och längden på ”halsarna” mellan närliggande solida områden. Från dessa pore-för-pore-mätningar byggde de statistiska beskrivare för varje bild: hur många porer den innehöll, hur poröst området var, hur tätt porerna var packade och hur nära deras former var perfekta cirklar. Detta skapade ett rikt numeriskt fingeravtryck för varje litet område i fogen.

Att hitta dold ordning i röriga data

Många av dessa numeriska fingeravtryck visade sig vara starkt relaterade. Till exempel ju fler porer, desto högre porositet; ju närmare porerna låg varandra, desto kortare var halsarna mellan fasta partiklar; och bilder med många nästan runda porer visade också hög genomsnittlig rundhet. Genom att analysera dessa samband matematiskt visade författarna att funktionerna naturligt faller i två familjer: en som beskriver hur porerna är fördelade i rummet och en annan som beskriver deras former. De använde sedan en statistisk teknik kallad principal component analysis för att komprimera varje familj till en enda sammansatt poäng: en ”porositetsfaktor” som sammanfattar hur tätt och jämnt porerna är ordnade, och en ”formfaktor” som summerar hur regelbundna deras konturer är. Två enklare mått—typisk porestorlek och typiskt aspektförhållande—behölls som stödjande beskrivare.

Låta algoritmer bedöma mikrostrukturen

Utrustade med bara dessa fyra beskrivare tränade teamet flera olika maskininlärningsmodeller för att gissa vilken bearbetningsförhållande varje SEM-bild kom från. Trots att modellerna bara såg en liten skiva av fogen och endast fyra siffror per bild klassificerade de bilder korrekt mer än 80 procent av gångerna, med ett neuralt nätverk som nådde cirka 90 procents noggrannhet. När de jämförde detta tillvägagångssätt med en osuperviserad djupinlärningsmetod som lärde sig funktioner direkt från råa bilder presterade de fysiskt meningsfulla beskrivarna faktiskt bättre samtidigt som de var mycket lättare att tolka. Ytterligare analys visade att den kombinerade porositetsfaktorn och formfaktorn bidrog mest till modellernas beslut, vilket bekräftar att hur många porer det finns, hur de är fördelade och hur runda de är bär den tydligaste signaturen av bearbetningsförhållandena.

Vad detta betyder för bättre, mer långlivade enheter

Studien drar slutsatsen att inte alla mätbara detaljer i en mikrograph är lika användbara. Istället kan en liten uppsättning genomtänkta, fysiskt motiverade beskrivare fånga det mesta av den meningsfulla variationen i sintrade porösa strukturer. För ingenjörer innebär detta att ett begränsat antal väl analyserade tvärsnittsbilder kan ge en pålitlig bild av fogkvaliteten, även när mikrostrukturen varierar från ställe till ställe. Dessa beskrivare kan också fungera som indata eller mål för framtida prediktiva och generativa modeller som utformar mikrostrukturer med önskad styrka eller värmeledning. I praktiska termer erbjuder arbetet ett klarare, mer effektivt sätt att läsa det dolda poremönstret som i slutändan avgör om kraftelektronik håller sig sval, stark och pålitlig över år av krävande drift.

Citering: 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

Nyckelord: sintrade kopparkontakter, pormikrostruktur, pålitlighet i kraftelektronik, maskininlärning inom material, die-attach-bindning