Sinterlenmiş die-attach mikro yapılarındaki gözenek özellikleri üzerine makine öğrenimi temelli çalışma

Neden küçük boşluklar önemli

Modern güç elektroniği—elektrikli araçlardan yenilenebilir enerji dönüştürücülerine kadar—yüksek sıcaklıkta ve yoğun çalışır. Bu cihazların derinliklerinde, yarı iletken çipi metal tabana yapıştıran ince bir bağlayıcı katman hem ısıyı hem de elektriği taşır. Bu katman, boyut, şekil ve düzenleri cihazın performansını ve ömrünü güçlü biçimde etkileyen mikroskobik gözeneklerle—küçük boşluk cepleriyle—dolu. Yine de mühendisler hangi gözenek ayrıntılarının gerçekten önemli olduğu ve birkaç mikroskop görüntüsünden bu gizli manzarayı nasıl okumak gerektiği konusunda hâlâ tartışıyor. Bu çalışma, dikkatli ölçümlerle makine öğrenimini birleştirerek bağlayıcı katmanın durumunu en iyi hangi gözenek özelliklerinin tanımladığını ortaya koymayı amaçlıyor.

Sıcak çalışan çiplerden gözenekli yapışkan katmanlara

Silikon karbür gibi yeni geniş bant aralıklı yarı iletkenlere dayanan güç modülleri, geleneksel elektroniklere göre daha yüksek sıcaklık ve güç seviyelerinde çalışır. Geleneksel lehim bağlantıları bu koşullar altında yumuşayabilir, sürünme yapabilir veya çatlayabilir. Ümit vaat eden bir alternatif, nispeten düşük sıcaklıkta nano boyutlu bakır parçacıklarının sinterlenmesiyle oluşturulan bir bağlantıdır. Bu süreç parçacıkları gözenekli bir metalik katmanda birleştirir. Bu gözenekler dayanımı, ısıl iletkenliği ve uzun süreli yorulmayı etkiler; servis sırasında büyüyüp çatlaklara dönüşebilirler. Tam üç boyutlu görüntüleme yavaş ve pahalı olduğu için mühendisler çoğunlukla iki boyutlu kesit taramalı elektron mikroskobu (SEM) görüntülerine ve toplam gözeneklilik gibi birkaç basit göstergeye başvurur. Soru şu: bu sınırlı bakış ve birkaç temel ölçüm gerçek yapıyı değerlendirmek için yeterli mi?

Gözenek desenlerini sayılara dönüştürmek

Araştırmacılar dört farklı sıcaklık, basınç ve termal döngü kombinasyonunda bakır sinter bağlantılar hazırladı ve kesitlerinden 120’den fazla yüksek büyütmeli SEM görüntüsü topladı. Görüntü analizi yazılımı kullanarak yüz binden fazla bireysel gözenek otomatik olarak tanımlandı ve gözenek alanı, yuvarlaklık, komşularına uzaklık ve yakın katı bölgeler arasındaki “boyun” uzunluğu gibi özellikler nicelendirildi. Bu gözenek bazlı ölçümlerden, her görüntü için istatistiksel betimleyiciler oluşturuldu: içerdiği gözenek sayısı, bölgenin toplam gözenekliliği, gözeneklerin ne kadar sıkışık olduğu ve şekillerinin ne kadar dairesel olduğu gibi. Bu, bağlantının her küçük bölgesi için zengin bir sayısal parmak izi yarattı.

Dağınık veride gizli düzeni bulmak

Bu sayısal parmak izlerinin çoğu birbirleriyle güçlü ilişkiler gösterdi. Örneğin, gözenek sayısı arttıkça toplam gözeneklilik yükseliyor; gözenekler birbirine daha yakınsa katı parçacıklar arasındaki boyunlar daha kısa oluyor; ve çok sayıda neredeyse yuvarlak gözenek içeren görüntülerde ortalama yuvarlaklık da yüksek çıkıyordu. Yazarlar bu bağlantıları matematiksel olarak analiz ederek özelliklerin doğal olarak iki aileye ayrıldığını gösterdiler: biri gözeneklerin mekânsal dağılımını, diğeri ise şekillerini tanımlıyor. Ardından her aileyi tek bir birleşik skora sıkıştırmak için ana bileşen analizi adlı istatistiksel tekniği kullandılar: gözenekliliğin yoğunluğunu ve düzenini özetleyen bir “gözeneklilik faktörü” ve konturlarının düzenliliğini özetleyen bir “şekil faktörü”. İki daha basit ölçü—tipik gözenek boyutu ve tipik en-boy oranı—destekleyici betimleyiciler olarak korundu.

Algoritmaların mikro yapıyı değerlendirmesine izin vermek

Sadece bu dört betimleyiciyle ekip, her SEM görüntüsünün hangi işlem koşulundan geldiğini tahmin etmek üzere birkaç farklı makine öğrenimi modeli eğitti. Bağlantının yalnızca küçük bir kesitini ve görüntü başına yalnızca dört sayıyı gören modeller, görüntüleri %80’in üzerinde doğru sınıflandırdı; bir sinir ağı yaklaşık %90 doğruluğa ulaştı. Ham görüntülerden doğrudan özellik öğrenen gözetimsiz derin öğrenme yöntemleriyle karşılaştırıldığında, fiziksel olarak anlamlı betimleyiciler daha iyi performans gösterdi ve yorumlanması çok daha kolay kaldı. Daha fazla analiz, birleşik gözeneklilik faktörü ile şekil faktörünün modellerin kararlarında en büyük katkıyı yaptığını gösterdi; bu da gözenek sayısının, aralarındaki mesafenin ve yuvarlaklıklarının işlem koşullarının en belirgin izi olduğunu doğruladı.

Daha iyi, daha uzun ömürlü cihazlar için anlamı

Çalışma, bir mikrograftaki her ölçülebilir ayrıntının eşit derecede yararlı olmadığını sonucuna varıyor. Bunun yerine, iyi seçilmiş, fiziksel temele dayalı küçük bir betimleyici seti sinterlenmiş gözenekli yapıların anlamlı varyasyonunun çoğunu yakalayabilir. Mühendisler için bu, mikro yapının yer yer düzensiz olduğu durumlarda bile sınırlı sayıda dikkatle analiz edilmiş kesit görüntüsünün bağlantı kalitesi hakkında güvenilir bir fikir verebileceği anlamına geliyor. Bu betimleyiciler ayrıca istenen mekanik dayanım veya ısıl iletim özelliklerine sahip mikro yapılar tasarlayan gelecekteki öngörücü ve üretici modeller için girdi ya da hedef olarak kullanılabilir. Pratik açıdan, çalışma yüksek güçlü elektroniğin yıllar süren zorlu kullanımda serin, sağlam ve güvenilir kalıp kalmayacağını belirleyen gözenek desenini okumak için daha net ve verimli bir yol sunuyor.

Atıf: 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

Anahtar kelimeler: sinterlenmiş bakır bağlantılar, gözenek mikro yapısı, güç elektroniği güvenilirliği, malzemelerde makine öğrenimi, die-attach bağlama