基于DIC测量和机器学习的芯片翘曲预测方法及系统技术方案

本公开涉及半导体封装技术领域，提出了一种基于DIC测量和机器学习的芯片翘曲预测方法及系统，预测方法包括：获取待测部件封装过程的相关参数数据，预处理后进行特征提取，并对相关特征进行组合变换形成新的特征；将组合变换后的特征作为输入，传输至机器学习模型进行识别，预测得到塑封体翘曲的概率分布和预测结果；所述机器学习模型，根据DIC测量方法得到塑封体表面的形变场，基于形变场计算塑封体的翘曲量，作为模型训练的目标数据对机器学习模型进行训练。用于预测半导体芯片在塑封后的翘曲程度，融合DIC测量和机器学习方法，能够实现芯片塑封体表面翘曲的高精度、低计算成本的预测。测。测。

【技术实现步骤摘要】
基于DIC测量和机器学习的芯片翘曲预测方法及系统


[0001]本公开涉及半导体封装相关
，具体的说，是涉及一种基于DIC测量和机器学习的芯片翘曲预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，并不必然构成在先技术。
[0003]在芯片封装的生产过程中，塑封是影响可靠性的关键步骤。在塑封过程中，由于材料性质和工艺参数的影响，芯片塑封体表面可能会发生翘曲变形，导致芯片的性能下降或失效。翘曲会导致芯片内部应力分布不均匀，影响产品性能和可靠性。因此，对芯片塑封翘曲的实时预测具有重要意义。因此，对芯片塑封体表面的翘曲进行准确预测和控制是非常重要的。
[0004]专利技术人在研究中发现，目前，常用的芯片塑封体表面翘曲预测方法是有限元模拟，但该方法需要耗费大量的计算资源，并且模型建立的过程需要大量的实验数据和时间。另外，由于有限元模拟过程中的假设和模型精度的限制，其预测结果与实际情况存在一定的偏差。

技术实现思路

[0005]本公开为了解决上述问题，提出了一种基于DIC测量和机器学习的芯片翘曲预测方法及系统，用于预测半导体芯片在塑封后的翘曲程度，融合DIC测量和机器学习方法，能够实现芯片塑封体表面翘曲的高精度、低计算成本的预测，可广泛应用于半导体封装行业，预测翘曲程度有助于优化封装工艺，降低生产成本，提高产品质量和可靠性，同时减少生产过程中的浪费和不良品率。
[0006]为了实现上述目的，本公开采用如下技术方案：
[0007]一个或多个实施例提供了基于DIC测量和机器学习的芯片翘曲预测方法，包括如下步骤：
[0008]获取待测部件封装过程的相关参数数据，预处理后进行特征提取，并对相关特征进行组合变换形成新的特征；
[0009]将组合变换后的特征作为输入，传输至机器学习模型进行识别，预测得到塑封体翘曲的概率分布和预测结果；
[0010]所述机器学习模型，根据DIC测量方法得到塑封体表面的形变场，基于形变场计算塑封体的翘曲量，作为模型训练的目标数据对机器学习模型进行训练。
[0011]一个或多个实施例提供了基于DIC测量和机器学习的芯片翘曲预测系统，包括：
[0012]特征工程模块：被配置为用于获取待测部件封装过程的相关参数数据，预处理后进行特征提取，并对相关特征进行组合变换形成新的特征；
[0013]预测模块：被配置为用于将组合变换后的特征作为输入，传输至机器学习模型进
行识别，预测得到塑封体翘曲的概率分布和预测结果；
[0014]所述机器学习模型，根据DIC测量方法得到塑封体表面的形变场，基于形变场计算塑封体的翘曲量，作为模型训练的目标数据对机器学习模型进行训练。
[0015]一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
[0016]一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
[0017]与现有技术相比，本公开的有益效果为：
[0018]本公开中，采用了DIC测量方法和机器学习相结合的方法，利用DIC测量技术收集芯片塑封过程中的详细数据，为机器学习模型提供了丰富的输入信息。这使得预测方法能够更准确地反映芯片塑封过程中的翘曲现象，对提取的原始数据进行特征工程，通过数据探索、特征提取、变换、组合、筛选等过程，有针对性地挖掘与翘曲相关的关键特征，进一步提高模型性能。
[0019]本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
[0020]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。
[0021]图1是本公开实施例1的预测方法的流程图；
[0022]图2是本公开实施例1的数据预处理方法流程图；
[0023]图3是本公开实施例1的特征工程处理过程流程图。
具体实施方式
[0024]下面结合附图与实施例对本公开作进一步说明。
[0025]应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0026]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
[0027]实施例1
[0028]在一个或多个实施方式公开的技术方案中，如图1至图3所示，一种基于DIC测量和机器学习的芯片翘曲预测方法，包括如下步骤：
[0029]步骤1、获取待测部件封装过程的相关参数数据，预处理后进行特征提取，并对相关特征进行组合变换形成新的特征；
[0030]步骤2、将组合变换后的特征作为输入，传输至机器学习模型进行识别，预测得到
塑封体翘曲的概率分布和预测结果；
[0031]所述机器学习模型，根据DIC测量方法得到塑封体表面的形变场，基于形变场计算塑封体的翘曲量，作为模型训练的目标数据对机器学习模型进行训练。
[0032]本实施例中，采用了DIC测量方法和机器学习相结合的方法，利用DIC测量技术收集芯片塑封过程中的详细数据，为机器学习模型提供了丰富的输入信息。这使得预测方法能够更准确地反映芯片塑封过程中的翘曲现象，对提取的原始数据进行特征工程，通过数据探索、特征提取、变换、组合、筛选等过程，有针对性地挖掘与翘曲相关的关键特征，进一步提高模型性能。
[0033]步骤1中，封装过程的相关参数数据包括工艺参数、材料参数等，具体的，工艺参数可以包括封装尺寸、封装温度、封装时间等。
[0034]在一些实施例中，如图2所示，预处理方法可以包括缺失值处理、数据清洗、类别特征编码、降维处理和平衡样本数量处理。
[0035]可选的，缺失值处理可以检查数据中是否有缺失值，填充缺失值。
[0036]可选的，数据清洗具体为清除的异常值、重复值和不一致的数据。
[0037]可选的，类别特征编码具体的将数据中的非数值特征转换为数值形式。
[0038]可实现的，当特征数量过多时，可以使用降维技术减少特征维度，降低模型复杂性；对于不平衡的数据集，可以采用过采样、欠采样、综合采样方法平衡各类别的样本数量。
[0039]进一步的技术方案，将预处理后的数据进行特征工程处理，得到处理后的特征。特征工程包括：特征提取、特征变换、特征组合或/和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DIC测量和机器学习的芯片翘曲预测方法，其特征在于：包括如下步骤：获取待测部件封装过程的相关参数数据，预处理后进行特征提取，并对相关特征进行组合变换形成新的特征；将组合变换后的特征作为输入，传输至机器学习模型进行识别，预测得到塑封体翘曲的概率分布和预测结果；所述机器学习模型，根据DIC测量方法得到塑封体表面的形变场，基于形变场计算塑封体的翘曲量，作为模型训练的目标数据对机器学习模型进行训练。2.如权利要求1所述的基于DIC测量和机器学习的芯片翘曲预测方法，其特征在于：相关参数数据预处理包括缺失值处理、数据清洗、类别特征编码、降维处理和平衡样本数量处理。3.如权利要求1所述的基于DIC测量和机器学习的芯片翘曲预测方法，其特征在于：预处理后的数据进行特征工程处理，得到处理后的特征；特征工程包括：特征提取、特征变换、特征组合或/和特征缩放。4.如权利要求3所述的基于DIC测量和机器学习的芯片翘曲预测方法，其特征在于：特征变换包括对数变换、平方根变换或/和指数变换；或者，特征组合包括温度与时间的组合特征、时间与材料参数的组合特征。5.如权利要求1所述的基于DIC测量和机器学习的芯片翘曲预测方法，其特征在于，根据DIC测量方法得到塑封体表面的形变场的方法，包括如下步骤：获取塑封件的表面图像；对获取的塑封件表面图像进行预处理；将预处理后的图像与参考图像，采用DIC方法计算图像之间的互相关值，得到图像间的形变信息，即为得到塑封体表面的形变场；或者，机器学习模型，采用神经网络模型、支持向量机模型或/和随机森林模型，对特征变量与翘曲程度之间的关系进行建模。6.如权利要求1所述的基于DIC测量和机器学习的芯片翘曲预测方法，其特征在于，机器学习模型的训练，包括如下步骤：获取数据集，所述数据集数据包括封装体表面的图像数据以及与封装过程相关的参数数据；针对数据集中的封装体表面的图像数据，采用DIC测量方法得到塑封体表面的形变场，基于形变场计算封装体的翘曲值，作为训练标签；对数据集中的相关参数数据进行预处理；对预处理后的数据提取关键特征，并进行对特征进行变换及组合；利用机器学习模型，...

【专利技术属性】
技术研发人员：阚皞，田延童，刘昭麟，汪肖阳，史浩男，李阳，张春伟，高嵩，岳文静，刘建行，张磊，田言飞，
申请(专利权)人：济南大学，
类型：发明
国别省市：