《机器学习模型在封装可靠性分析中的高级应用》

   Karsten Meier 博士

   德国德累斯顿工业大学 高级研究员、助理主任

演讲摘要：

随着异构集成封装技术的不断普及，为了满足卓越的性能、微型化以及限制能耗等需求，其设计变得愈发复杂，这也使得研发工作面临着前所未有的挑战。这促使业界对虚拟开发工具产生了浓厚兴趣，并最终催生了实现“全虚拟开发与验证”的构想。然而，目前现有的仿真工具往往需要耗费大量精力进行深度开发，且求解时间极长，通常需要数小时甚至数天。

随着人工智能的崛起，尤其是机器学习模型的持续应用，基于神经网络（Neural Network-based）的模型似乎为克服计算时间过长的问题提供了切实可行的解决方案。本研究探讨了如何在电子封装的热机械可靠性评估中开发和应用神经网络。具体而言，本文将介绍适用于不同应用场景的多种神经网络类型。鉴于物理驱动模型与数据驱动模型之间的差异，我们将重点展示数据驱动模型的准备与训练要求，包括合适性能指标的选择。

最后，本文将展示如何扩展神经网络的功能，以预测在不同温度条件下的振动载荷对焊点应力的影响。这将充分证明神经网络在汽车、工业、航空电子及其他恶劣环境应用可靠性评估中的巨大潜力。具体包括：展示可用于寿命预测的特征非线性塑性应变预测，以及塑性应变模式预测。事实上，这将焊点寿命评估进一步拓展到了失效模式的预测领域。

演讲人简介：

Karsten Meier 博士自2006年起任职于德国德累斯顿工业大学的电子封装技术研究所。他在攻读电气工程专业的期间，曾前往美国亚特兰大的佐治亚理工学院封装研究中心进行访问研究，并于2015年获得德累斯顿工业大学博士学位。

在电子封装技术研究所，Meier博士担任助理主任，并领导板级可靠性研究小组。他的研究活动涵盖了5G和汽车应用的封装技术开发与封装可靠性、功率电子、材料表征以及热机械仿真等领域，这些研究成果已为他发表了160余篇合著或独立署名的学术论文提供了重要支撑。

近期，他还参与了与美国马里兰大学先进生命周期工程中心（CALCE）的研究合作，共同研究焊料互连在机械与热载荷耦合作用下的表现。

在学术任职方面，Meier博士是IEEE EPS学会、IEEE EPTC先进封装小组委员会以及IEEE ESTC电子器件与系统可靠性小组委员会的成员。目前，他担任IEEE ECTC执行委员会委员，并领导该会议的热/机械仿真与表征小组委员会。此外，他还作为审稿人支持IEEE EuroSimE会议、ASME和CPMT学会以及《微电子可靠性》（Journal of Microelectronics Reliability）期刊的评审工作。