一种基于机器学习的芯片DFN封装与工艺协同优化方法技术

本发明专利技术涉及芯片封装工艺技术领域，公开一种基于机器学习的芯片DFN封装与工艺协同优化方法，通过田口正交试验的百分制加权评判法和信噪比的极差分析法确定焊膏种类、PAD焊层厚度、芯片下表面焊层厚度、芯片材料种类的质量指标，对各因素的极差值R进行排序分析获得综合评分，并通过随机森林机器学习和网格搜索进一步优化田口法的最优DFN封装参数组合；并对回流焊温度曲线进行优化，选取最优回流焊温度曲线；解决现有芯片DFN封装中因材料组合或结构设计的不合理而导致的系列问题，本方法大大提高了优化效率，也一定程度上提高了田口法优化参数的准确性。

【技术实现步骤摘要】

本专利技术涉及芯片封装工艺，特别是涉及一种基于机器学习的芯片dfn封装与工艺协同优化方法。

技术介绍

1、在芯片dfn封装中，材料组合或结构设计的不合理，会导致结构翘曲或者应力集中现象的产生，直接影响封装体的共面度及可靠性，引发芯片断裂，焊接层分层等问题；除此之外，回流焊工艺设置的合理程度也直接影响了封装产品的可靠性，从而影响产品性能和服役寿命。因此，对芯片封装结构参数与回流焊工艺参数进行协同优化设计可以有效提高封装可靠性，减小封装结构中焊接层分层、应力集中以及芯片翘曲等问题。现有的田口基础优化方法罗列的组合参数结果有可能并非最优，列举法选最优参数组合的时效性差等问题。

2、面对国内外芯片行业的激烈竞争，加工周期和生产成本的缩减要求越来越严格。因此，能够在新产品开发初期，在获取封装结构与工艺参数的协同优化组合的同时提高优化效率是必要且不可或缺，不仅极大降低了生产成本且提前规避了影响可靠性问题产生的潜在因素。

技术实现思路

1、为了解决以上技术问题，本专利技术提供了一种基于机器学习的芯片dfn封装与本文档来自技高网...

【技术保护点】

1.一种基于机器学习的芯片DFN封装与工艺协同优化方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于机器学习的芯片DFN封装与工艺协同优化方法，其特征在于，所述步骤S1中，焊膏种类选择Sn-3.0Ag-0.5Cu、Sn-1.0Ag-0.5Cu、纳米银焊膏；PAD焊层厚度选择0.025mm、0.035mm、0.045mm；芯片下表面焊层厚度选择0.02mm、0.025mm、0.03mm；芯片材料种类选择Si、SiC、GaN。

3.根据权利要求1所述的基于机器学习的芯片DFN封装与工艺协同优化方法，其特征在于，所述步骤S2中，回流焊温度曲线参数设置...

【技术特征摘要】

1.一种基于机器学习的芯片dfn封装与工艺协同优化方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于机器学习的芯片dfn封装与工艺协同优化方法，其特征在于，所述步骤s1中，焊膏种类选择sn-3.0ag-0.5cu、sn-1.0ag-0.5cu、纳米银焊膏；pad焊层厚度选择0.025mm、0.035mm、0.045mm；芯片下表面焊层厚度选择0.02mm、0.025mm、0.03mm；芯片材料种类选择si、sic、gan。

3.根据权利要求1所述的基于机器学习的芯片dfn封装与工艺协同优化方法，其特征在于，所述步骤s2中，回流焊温度曲线参数设置为：0s到40s升温并浸润到150℃，40s到140s预热并浸润，140s到146s先升温至焊料熔点临界值，再146s到160s升温至260℃，开始回流，随后170s到210s以小于等于6℃/s的降温速度降至25℃。

4.根据权利要求...

【专利技术属性】
技术研发人员：吴洁，庞瑞阳，杨旭琪，蔡志匡，王磊，邢卫兵，禹华宸，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：