基于机器学习的烧结焊接微观结构孔隙特征研究

为何微小的空腔重要

从电动汽车到可再生能源转换器，现代功率电子设备工作条件苛刻、温度和负载都很高。在这些器件内部，一层薄薄的粘接层将半导体芯片粘合到金属基底上，承担着热与电的传导。这一层中布满了显微级的孔隙——微小的空腔——它们的大小、形状与排列方式强烈影响器件的性能与寿命。然而工程师们仍在探讨究竟哪些孔隙特征真正重要，以及如何仅凭若干张显微照片来解读这一隐藏的地貌。本研究通过将细致测量与机器学习相结合，旨在揭示哪些孔隙特征最能表征这层粘接层的健康状态。

从高温运行的芯片到多孔的粘接层

基于新型宽禁带半导体（如碳化硅）的功率模块，比传统电子器件在更高温度与功率下工作。传统的焊料接头在这些条件下可能软化、蠕变或开裂。一种有前景的替代方案是通过在相对低温下烧结纳米级铜粒子来制备接头。该工艺将颗粒融合成海绵状的金属层，穿插着大量孔隙。这些孔隙影响强度、热导率和长期疲劳行为，并可能在服役中生长并相互连通形成裂纹。由于完整的三维成像既慢又昂贵，工程师通常依赖二维断面扫描电子显微镜（SEM）图像和一些简单指标，例如总体孔隙率。问题在于，这种有限的视角和少量基本度量是否足以判断真实结构。

把孔隙模式转为数字

研究人员在四种不同的温度、压力和热循环组合下制备了铜烧结接头，然后采集了120多幅高倍率的断面SEM图像。借助图像分析软件，他们自动识别出十几万个单独孔隙，并量化了诸如孔面积、圆整度、与邻近孔的间距以及相邻实相之间“颈部”长度等属性。基于每个孔隙的测量，他们为每张图像构建了统计描述：孔数、区域孔隙率、孔的密集程度以及孔形是否接近圆形等。这为接头中每一小块区域创建了丰富的数值指纹。

在杂乱数据中发现隐含秩序

这些数值指纹中许多彼此密切相关。例如，孔越多，总体孔隙率越高；孔越靠近，实相之间的颈部越短；含有许多近圆孔的图像也显示出较高的平均圆整度。通过对这些关联进行数学分析，作者表明这些特征天然地分为两类：一类描述孔在空间中的分布，另一类描述孔的形状。随后他们使用一种名为主成分分析的统计技术，将每一类压缩为单一的综合得分：一个“孔隙因子”总结了孔的密集与均匀程度，和一个“形状因子”总结了轮廓的规则性。两个更简单的度量——典型孔径和典型长宽比——被保留作为辅助描述量。

让算法来评判微观结构

研究团队仅用这四个描述量训练了若干机器学习模型，去预测每张SEM图像对应的制备工艺条件。尽管模型只看到接头的一个小切面并且每张图像只有四个数字，模型的分类准确率仍超过80%，其中一个神经网络的准确率约为90%。当他们将这种基于物理有意义描述量的方法与一种直接从原始图像中学习特征的无监督深度学习方法进行比较时，前者实际上表现更好且更易解释。进一步分析显示，组合后的孔隙因子和形状因子对模型决策的贡献最大，证实了孔的数量、间距和圆整度在反映制程条件方面留下了最明显的印记。

对更好、更耐用器件的意义

研究结论是，并非微观图像中的每一项可测细节都同等有用。相反，一小组经过深思熟虑且有物理根据的描述量就能捕捉烧结多孔结构中大部分有意义的变化。对工程师而言，这意味着即使微观结构在不同位置不均匀，有限数量的经过良好分析的断面图像也能提供可靠的接头质量画像。这些描述量还可作为未来用于预测或生成所需强度或热流特性的微观结构模型的输入或目标。在实践层面，这项工作为解读最终决定高功率电子器件在多年苛刻使用中是否保持冷却、强度和可靠性的孔隙隐藏模式，提供了一条更清晰、更高效的路径。

引用: 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

关键词: 烧结铜接头, 孔隙微观结构, 功率电子可靠性, 材料中的机器学习, 芯片粘接