基于数据驱动的纳米烧结银内聚力模型参数反演与预测

纳米烧结银具有高熔点、高电导率、高热导率和低温无压烧结等优点，已经在第三代功率半导体封装互连中得到了广泛应用。纳米烧结银对烧结工艺和尺寸高度敏感，因此对纳米烧结银力学性能的反演和精确预测服役寿命是该领域的焦点问题。内聚力模型是一种典型的模拟粘结材料失效破坏的方法，已在不同领域得到广泛应用，该方法也能很好地将纳米烧结银的断裂失效考虑为连续的损伤过程，进而应用于复杂条件下功率器件纳米烧结银封装互连层的失效模拟和预测。然而，确定内聚力模型的参数一直是个难点。传统的内聚力模型参数确定方法包括J-积分方法和反演分析方法，由于纳米烧结银尺寸和微结构的限制，通过反演分析方法得到的纳米烧结银内聚力模型参数相对较优。但是，传统的反演分析方法通常需要借助大量的有限元计算与匹配，且在收敛性、计算效率和精度上普遍存在劣势。随着数据驱动方法与力学和集成电路封装可靠性领域交叉研究的深入，数据驱动方法在内聚力模型参数反演识别方面突出了其在处理该问题上的优势和特点，极具研究价值和应用前景。

北京工业大学秦飞教授团队代岩伟副教授研究组近期基于前期大量实验与数值模拟数据的积累，建立了多层感知器、卷积神经网络和动态卷积神经网络三种不同数据驱动模型的内聚力模型参数反演识别和预测方法，预测结果分别如图1～3 所示，其中为最大切向应力。多层感知器、卷积神经网络和动态卷积神经网络三种模型经过超参数调节和训练后均能实现载荷-位移曲线直接反演识别和预测内聚力模型参数，且均具有相对较高的预测精度。通过损失分析、统计指标比较和交叉验证，发现动态卷积神经网络明显比卷积神经网络模型和多层感知器模型具有更好的预测精度和性能。动态卷积神经网络模型可以作为高精度的内聚力模型参数反演识别和预测替代模型，同时动态卷积神经网络对载荷与位移曲线的数据长度不敏感，且对变长载荷-位移曲线数据集仍然具有很强的稳健性。然而由于动态卷积神经网络相对复杂的网络结构和计算框架，其训练效率有所降低，而卷积神经网络模型和多层感知器模型则具有相对较高的训练效率。

图1 多层感知器模型预测结果

图2 卷积神经网络模型预测结果

图3 动态卷积神经网络模型预测结果

近期，研究组围绕功率器件互连和三维集成电路封装可靠性中的关键问题，结合数据驱动与人工智能方法，尝试发展了一系列针对集成电路封装可靠性测试、评价与建模等方面的数据驱动方法，为解决集成电路封装与可靠性评估中的难点问题探索新的研究思路和解决方向。（代岩伟 隗嘉慧 秦飞）

原始文献：

WEI J H, DAI Y W, QIN F. Inverse identification of cohesive zone parameters for sintered nano-silver joints based on dynamic convolution neural network[J]. Engineering Fracture Mechanics,2023,291:109651.