机械工程学报

作者：张墅野, 段晓康, 罗克宇, 许孙武, 张志昊, 陈捷狮, 何鹏

单位：1. 哈尔滨工业大学先进焊接与连接国家重点实验室 哈尔滨 150001;2. 哈尔滨工业大学重庆研究院 重庆 401135;3. 厦门大学材料学院 厦门 361005;4. 上海工程技术大学材料工程学院 上海 201602

关键词：机器学习,电子封装,高熵合金,可靠性,金属间化合物；

基金：重庆市自然科学基金(cstc2021jcyj-msxmX1002)、中央高校基本科研业务费专项资金(AUGA5710051221)和国家重点研发计划(2020YFE0205300)资助项目。

随着“后摩尔时代”到来，先进封装技术使芯片性能不断提升，传统的材料开发制备以及封装互连研究难以适应时代需要。根据工业4.0的愿景，采用机器学习的算法在封装材料开发预测、封装工艺优化、焊点可靠性等方面进行高效预测工作，是未来发展的趋势之一。材料领域应用机器学习的过程，包括收集数据、数据预处理、调参优化三方面。封装领域中大多数预测问题可以归类为分类问题，传统监督学习应用最为广泛，常用算法有支持向量机、人工神经网络等。深度学习在封装问题的预测中大放异彩，如卷积神经网络模型等深度学习算法已经逐渐应该用于预测中，并且获得极佳的预测效果。尽管机器学习辅助电子封装研究尚处于萌芽状态，但仍然能够看到机器学习在电子封装领域具有巨大研究及实用价值。

来源：2023年第22期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第22期