CN101320400A - 一种基于人工神经网络的微电子封装器件的优化设计方法 - Google Patents

Abstract

本发明公开了一种基于人工神经网络的微电子封装器件的优化设计方法，包括：①用户给定需要进行设计的器件参数设计空间及优化设计目标，给出对人工神经网进行训练用的样本；②训练经过主成分分析和遗传算法改进的前向误差反向传播神经网络，构造出一个***反映输入和输出关系的神经网络模型；③将训练好的神经网络模型当作优化设计的观察工具，观察各参数对优化目标的影响，并选择优化组合；④根据现有材料及工艺的可行性，选择合适的参数优化组合。本发明能够较好地解决材料搭配和尺寸搭配的可靠性设计难题，适合于各种封装器件的优化设计，也可以应用于各类涉及多目标或多因素复杂***的优化设计领域。

Description

一种基于人工神经网络的微电子封装器件的优化设计方法

技术领域

本发明涉及微电子封装技术领域，具体为一种基于人工神经网络的微电子封装器件的优化设计方法。

背景技术

微电子封装器件的可靠性优化设计是封装制造领域的重要方面。因为实际封装器件的可靠性在受各种因素影响下，其失效机理是复杂的非线性关系，如材料属性，结构参数，环境参数，工艺参数，等等。因此，为了通过可靠性优化设计，针对封装器件某关键失效机理优化选择器件的各种参数，提高微电子封装器件的可靠性是不可缺少的环节。而且，目前多数针对封装器件的优化设计方法是基于传统的线性理论(或假设为线性***)，对于多因素共同影响的封装器件可靠性设计，这就不可避免地存在参数搭配选择、冗余的困难，利用基于人工神经网络的优化设计方法能有效地消除这问题。

进行封装器件优化设计，就是从所有参数设计空间集里合适选出一个或几个子集，使优化设计目标到达最优。封装器件优化设计的关键点是选用相互搭配效果对优化目标最有利的参数组合。传统的优化方法，如正交实验法，实践中存在较大限制。比如在设计空间较大、设计参数多及设计水平多的情况下，特别是在相互存在影响的参数搭配设计上。

随着人工智能领域的不断进步，神经网络的应用不断得到发展。常见的思路是利用人工神经网络的泛化预测能力的方法，如文献1的Xu Liuiie，Xing Jiandong，Wei Shizhong，et al..Optimization of chemical composition of high speed steel with high vanadium content for abrasivewear using an artificial neural network.Materials and Design，28(2007)1031-1037介绍的，这些方法都是直接基于神经网络预测可能出现的后果。少数的思路利用其预测能力反过来优化多目标问题，如文献2的T.S.Li，C.T.Su，T.L.Chiangc.Applying robust multi-response qualityengineering for parameter selection using a novel neural-genetic algorithm.Computers in Industry，50(2003)113-122介绍的。少数的思路利用其预测能力反过来优化工艺参数问题，如文献3的ZHANG Junhong，XIE Anguo，SHEN Fengman，multi-objective optimization and analysismodel of sintering process based on BP neural network.Journal of Iron and Steel Research，International，2007，14(2)：01-05介绍的。为了避免输入数据的的信息重叠作用，如文献4的CAI Miao，YANG Dao-guo，ZHONG Li-jun，et al..Prediction of fatigue life of packaging EMCmaterial based on BP neural networks.Electronic components and materials，2008，27(3)：64-67介绍的，使用了主成分分析方法改善神经网络的稳定性。实事上，完全可以把文献4提出的主成分分析方法作为一种输入数据的预处理方式。

发明内容

本发明的目的在于提供一种基于人工神经网络的微电子封装器件的优化设计方法，该方法适应于设计空间较大、设计参数多及设计水平多的情况，特别是在相互存在影响的参数搭配设计上，能够顺利进行优化设计，在实际应用中，能够较好的地解决材料搭配和尺寸搭配的可靠性设计难题。设计过程简单；容易编程实现，并可当作一个优化***进行应用。

本发明提供的一种基于人工神经网络的微电子封装器件的优化设计方法，包括以下步骤：

(1)根据给定需要进行设计的器件参数设计空间及优化设计目标，给出对人工神经网络进行训练用的样本，具体为：

(1.1)根据指定封装器件关键设计参数x_k的设计空间，并结合均匀实验设计表安排设计水平；

(1.2)指定与实验对应的优化设计目标y_k；

(1.3)使用均匀实验安排，利用有限元分析软件的参数化模拟分析方法进行分析，得到用于人工神经网进行训练用的样本：

{(x_k，y_k)|x∈R^m，y∈Rⁿ，k＝1，2，...，N}

其中：输入节点为m个，输出节点为n个，隐节点为p个，

(2)训练经过主成分分析和遗传算法改进的前向误差反向传播神经网络，构造出一个***反映输入和输出映射关系：

F：R^m→Rⁿ

具体为：

(2.1)利用主成分分析对神经网络训练样本的输入数据进行降维去噪处理；

(2.2)利用遗传算法改善BP神经网络的初始连接权值和节点阀值；

(2.3)训练BP神经网络；

(2.4)利用训练好的网络预测并验证，当结果满足要求时，进入步骤(2.5)，否则重复步骤(2.2)-(2.3)；

(2.5)得到一个***反映输入和输出映射关系的神经网络预测模型，

(3)将训练好的神经网络模型当作优化设计的观察工具，在x_i(i≤N)参数组合的基础上分别变化各参数大小，观察各参数对优化目标y_i的影响，并选择各个参数的最优解，从而确定优化组合G_i，即i组参数的优化组合，

(4)结合现有材料及工艺的可行性，在优化得出的优化组合G_i里选择合适的参数优化组合。

上述步骤(3)还可以包括以下处理过程：

在确定优化组合G_i后，并利用训练好的BP神经网络的预测能力，根据各优化组合对优化结果的影响大小排序。

本发明的微电子封装器件的优化设计方法是在给出器件的关键设计参数，优化设计目标的前提下，开始封装器件优化设计过程，下面详细介绍封装器件优化设计流程。

进行器件优化设计，就是要合适的选取要设计的关键参数，使优化设计目标到达最优。本发明提出的优化设计方法中，根据提供的按均匀实验方法有限元分析分析得出的样本数据集训练改进后的人工神经网络，再借助训练好的网络，在训练样本的参数设计范围内，分别计算各设计参数在变化的情况下设计目标的变化值，达到优化选择各设计参数的目的。

(1)根据给定需要进行设计的器件参数设计空间及优化设计目标，按均匀实验方法进行有限元分析分析，给出对人工神经网进行训练用的样本。

(1.1)设计参数的指定

指定要优化设计的封装器件的关键设计参数，如各种有设计空间的材料属性参数，器件各部件的尺寸参数；并指定设计参数的设计空间。设计参数的个数j为自然数，也就是所设计参数的个数为一个或多个。

(1.2)优化目标的指定

指定设计过程中的优化目标，如器件的翘曲率；某部位的应力、应变、蠕变；某界面处的界面强度表征参数，如裂纹尖端处的J-积分值、能量释放率G、应力强度应子K；等。优化设计目标可以选择一个或多个。

(1.3)均匀实验的设定

在各参数设计空间内设计参数大小水平，取各4～8个水平；选择均匀实验设计表，均匀实验次数为设计参数个数的3～5倍。

(1.4)有限元模拟分析

参数化有限元建模、条件加载、分析、结果提取。

(1.5)训练样本的整理

按每组实验对于一组优化目标的方式，确定用于人工神经网络进行训练用的样本：

{(x_k，y_k)|x∈R^m，y∈Rⁿ，k＝1，2，...，N}

采用输入节点为m个，输出节点为n个，隐节点为p个的三层BP神经网络来实现。

(2)训练经过主成分分析和遗传算法改进的前向误差反向传播神经网络，构造出一个***反映输入和输出映射关系的网络。

如图2所示，在样本数据用于神经网络训练之前，利用统计学的主成分分析先对输入数据进行降维去噪处理；然后把处理后的主成分作为神经网络的输入；在训练神经网络初始化连接权值和节点阀值时，利用遗传算法改进网络的收敛性能。具体过程如下：

(2.1)主成分分析

利用主成分分析对神经网络训练样本的输入数据进行降维去噪处理，得到各参数的主成分得分a_ji和主成分f₁，f₂，....，f_i：

f₁＝a₁₁X₁+a₂₁X₂+......+a_j1X_j

f₂＝a₁₂X₁+a₂₂X₂+......+a_j2X_j

....................

f_i＝a_1iX₁+a_2iX₂+......+a_jiX_j

(2.2)归一化处理

将各主成分f_i和优化目标y_i按下式归一化处理在0.1～0.9间：

X_h＝0.8*(x_h-x_min)/(x_max-x_min)+0.1

式中χ_h，X_h分别为归一化处理前后数值；χ_min，χ_max分别为某数列归一化处理前的最小和最大值。对神经网络预测出来的结果按如下式反归一化处理：

x_h＝(X_h-0.1)(x_max-x_min)/0.8+x_min

(2.3)训练BP神经网络；

(2.3.1)输入层节点个数的选取

输入层节点数等于主成分分析后的主成分个数。

(2.3.2)输出层节点个数的选取

输出层节点数等于优化目标的个数。

(2.3.3)隐含层节点个数的选取

$h=\sqrt{n+m}+a$

m为输入层节点数，n为输出层节点数，h为隐含层节点数，a为1～10之间的常数。h先从小的开始取。

(2.3.4)遗传算法的利用

利用遗传算法全局性搜索的特点，寻找最为合适的初始连接权值和节点阀值。数学描述如下：

$\left\{\begin{array}{c}\min E(w,v,\mathrm{\θ},r)=\frac{1}{2}\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{[y_k\left(t\right)-{\hat{y}}_k\left(t\right)]}^2\\ s.\mathrm{t\; w}\∈R^{m\×p},v\∈R^{p\×n},\mathrm{\θ}\∈R^p,r\∈R^n\end{array}\right.$

y_k期望输出，

为网络的实际输出。

(2.3.5)训练BP神经网络

选取训练停止条件：根据优化目标要求精度适当选取均方误差为0.01～0.001；根据收敛情况适当选取最大训练次数为500～2000次。

(2.3.6)利用训练好的网络预测并验证，当结果满足要求时，进入步骤(2.4)，否则重复步骤(2.3.3)-(2.3.5)；满足要求是：预测和真实模拟的结果的大小变化规律基本一样。

(2.4)得到一个***反映输入和输出映射关系并且可当作优化设计的神经网络观察工具。

(3)优化组合的获取

(3.1)参数水平的设定

在各参数的设计空间内重新选定各参数水平，水平数大于等于均匀设计表时的水平数。

(3.2)基础组合的选择

在均匀设计表的各参数组合中选择一组组合作为优化各参数的基础组合。

(3.3)优化参数的选择

在基础组合的基础上，分别取各参数的水平，并输入神经网络观察工具，得到各参数大小变化时的网络输出，观察优化目标数值的变化，选择优化目标最好情况下的各参数最优解。所有参数的大小都选择了以后，组合在一起，就是器件参数优化组合之一。

(3.4)优化组合的选择

重复选择步骤(3.2)的基础组合，并执行步骤(3.3)，就可得到i组参数配合优化的组合G_i。

(4)最优选择

(4.1)按照如下公式：

J_total＝min(|J_Ci|+|J_Di|+|J_Ei|+|J_Hi|)

利用神经网络观察工具的预测能力，根据优化组合G_i对优化目标的影响进行大小排序。

(4.2)结合现有材料及工艺的可行性，给定设计空间内的材料种类集和尺寸集

(4.3)根据优化组合G_i，在材料种类集和尺寸集中选择合适的材料和尺寸组合用于生产制造。

本发明的微电子封装器件的优化设计方法与现有的设计方法相比的优点在于：当设计空间较大、设计参数多及设计水平多的情况下，特别是在相互存在影响的参数搭配设计上，能够顺利进行优化设计，在实际应用中，能够较好的地解决材料搭配和尺寸搭配的可靠性设计难题；设计过程简单；容易编程实现；并可当作一个优化***进行应用；适合于各种封装器件的优化设计。本发明已成功应用于多种新型封装器件的优化设计上，也可以应用于各类涉及多目标或多因素复杂***的优化设计领域。

附图说明

图1为基于人工神经网络的微电子封装器件的优化设计方法的流程图；

图2为带有主成分分析和遗传算法的人工神经网络的示意图；

图3为设计的封装器件QFN的结构示意图；

图4为建立的带有主成分分析和遗传算法的人工神经网络的结构示意图；

图5为优化组合前4组对优化目标的对比图。

具体实施方式

用户希望按照器件在受湿、热及蒸汽压力的综合影响条件下硅片粘结剂DA与引线框架(lead-frame)的界面层裂失效为设计标准，优化设计QFN器件。如图3所示。加载过程为：从封装充模结束开始，经过186hr85℃HR85％的预处理，再经过无铅回流焊接并冷却到-65℃。

(1)用户给定需要进行设计的器件参数设计空间及优化设计目标，按均匀实验方法进行有限元分析分析，给出对人工神经网进行训练用的样本。

(1.1)设计参数的指定

用户指定优化选择EMC、DA与lead-frame材料的杨氏模量E(MPa)和热膨胀系数α(ppm/℃)的6个材料参数，以及6个结构参数：硅片的宽度2*L2(mm)，硅片与硅片盘比DP-R(％)，封装体高度H1(mm)，硅片的厚度H2(mm)，硅片粘结剂DA的厚度H3(mm)以及引线框架的厚度H4(mm)。则j＝12。并给出设计空间：

封装体厚度(mm)：0.7～1；

DA厚度(mm)：0.01～0.03；

硅片厚度(mm)：0.2～0.38；

硅片尺寸(mm2)：2×2～5×5；

引线框架厚度(mm)：0.1～0.2；

DP-R为(％)：70～95；

EMC的热膨胀系数α(ppm/℃)：5～12

DA的热膨胀系数α(ppm/℃)：10～50

lead-frame的热膨胀系数α(ppm/℃)：5～30

lead-frame的杨氏模量E(MPa)：110000～150000

且EMC和DA都当成粘弹性材料，并当作简单模型处理，安排杨氏模量E(MPa)随温度变化，各取6组有代表性的水平情况：

EMC的E水平：EMC-E1，EMC-E2，EMC-E3，EMC-E4，EMC-E5，EMC-E6；

DA的E水平：DA-E1，DA-E2，DA-E3，DA-E4，DA-E5，DA-E6；

(1.2)优化目标的指定

用户指定裂纹尖端处(通过比较A～K的危险程度，得出关键点为C，D，E，H)的界面强度表征参数J-积分值：JC，JD，JE，JH。则k＝4。

(1.3)均匀实验的设定

在各参数设计空间内分别取6个水平；选择均匀实验设计表U₅₄(6¹²)，即均匀实验次数为54次。

(1.4)有限元模拟分析

利用有限元参数化建模、条件加载、分析、结果提取的方法进行模拟分析。

(1.5)训练样本的整理

按每组实验对于一组优化目标的方式，确定用于人工神经网络进行训练用的样本一共54组。

(2)训练经过主成分分析和遗传算法改进的前向误差反向传播神经网络，构造出一个***反映输入和输出映射关系的网络。

如图4所示，在样本数据用于神经网络训练之前，利用统计学的主成分分析先对输入12维数据进行降维去噪处理为7维主成分；然后把处理后的7维主成分作为神经网络的输入；

并训练利用遗传算法改进过的BP神经网络。具体过程如下：

(2.1)主成分分析

利用主成分分析对神经网络训练样本的输入数据进行降维去噪处理，得到各参数的主成分得分a_ji和主成分f₁，f₂，....，f_i，i＝7，j＝12。利用如下公式求主成分：

f₁＝a₁₁X₁+a₂₁X₂+......+a_j1X_j

f₂＝a₁₂X₁+a₂₂X₂+......+a_j2X_j

....................

f_i＝a_1iX₁+a_2iX₂+......+a_jiX_j；

(2.2)归一化处理

将各主成分f_i和优化目标y_i按下式归一化处理在0.1～0.9间：

X_h＝0.8*(x_h-x_min)/(x_max-x_min)+0.1

式中χh，Xh分别为归一化处理前后数值；χmin，χmax分别为某数列归一化处理前的最小和最大值；

(2.3)训练BP神经网络；

(2.3.1)输入层节点个数的选取

输入层节点数等于主成分分析后的主成分个数i＝7。

(2.3.2)输出层节点个数的选取

输出层节点数等于优化目标的个数k＝4。

(2.3.3)隐含层节点个数的选取

M＝i＝7为输入层节点数，n＝k＝4为输出层节点数，h为隐含层节点数，从小开始取4～13。

(2.3.4)遗传算法的利用

利用遗传算法全局性搜索的特点，寻找最为合适的初始连接权值和节点阀值。即是使下式的E最小：

$\left\{\begin{array}{c}\min E(w,v,\mathrm{\θ},r)=\frac{1}{2}\underset{k=1}{\overset{N_1}{\mathrm{\Σ}}}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{[y_k\left(t\right)-{\hat{y}}_k\left(t\right)]}^2\\ s.\mathrm{t\; w}\∈R^{m\×p},v\∈R^{p\×n},\mathrm{\θ}\∈R^p,r\∈R^n\end{array}\right.$

y_k期望输出，

为网络的实际输出。

(2.3.5)训练BP神经网络

选取训练停止条件：根据优化目标要求精度适当选取均方误差为0.001；根据收敛情况适当选取最大训练次数为1500次。

(2.3.6)用户利用训练好的网络预测并验证，对神经网络预测出来的结果按如下式反归一化处理：

x_h＝(X_h-0.1)(x_max-x_min)/0.8+x_min

当预测和真实模拟的结果的大小变化规律基本一样时，进入步骤(2.4)，否则重复步骤(2.3.3)-(2.3.5)；满足要求是：

(2.4)最后发现当网络隐含层节点数h＝5时有最好的预测效果，则取网络结构为7-5-4，从而得到一个含主成分分析且可当作优化设计的神经网络观察工具。

(3)优化组合的获取

(3.1)参数水平的设定

用户在各参数的设计空间内选定各参数的10个水平。

(3.2)基础组合的选择

用户在均匀设计表U₅₄(6¹²)的54组参数组合中选择一组组合作为优化各参数的基础组合G0。

(3.3)优化参数的选择

用户在基础组合G0的基础上，分别取各参数的10个水平，并输入神经网络观察工具，得到参数大小变化时的网络输出(用户选择其中一个关键设计点作为自己设计的点，如JD)，观察优化目标数值的变化，选择优化目标最好情况下的各参数最优解。所有参数的大小都选择了以后，组合在一起，就是器件参数优化组合G_i之一：G1。

(3.4)优化组合的选择

用户重复选择步骤(3.2)的基础组合，并执行步骤(3.3)，就可得到i组参数配合优化的组合G_i。

(4)最优选择

(4.1)用户按照如下公式：

J_total＝min(|J_Ci|+|J_Di|+|J_Ei|+|J_Hi|)

利用神经网络观察工具的预测能力，根据优化组合G_i对优化目标的影响进行大小排序，可得到排在前4组的参数组合。见下表和附图5。

(4.2)结合现有材料及工艺的可行性，用户给定设计空间内的材料种类集和尺寸集。

(4.3)用户根据优化组合G_i，在材料种类集和尺寸集中选择合适的材料和尺寸组合用于生产制造。

Claims (2)

1.一种基于人工神经网络的微电子封装器件的优化设计方法，包括以下步骤：

(1)根据给定需要进行设计的器件参数设计空间及优化设计目标，给出对人工神经网络进行训练用的样本，具体为：

(1.1)根据指定封装器件关键设计参数x_k的设计空间，并结合均匀实验设计表安排设计水平；

(1.2)指定与实验对应的优化设计目标y_k；

(1.3)使用均匀实验安排，利用有限元分析软件的参数化模拟分析方法进行分析，得到用于人工神经网进行训练用的样本：

{(x_k，y_k)|x∈R^m，y∈Rⁿ，k＝1，2，…，N}

其中：输入节点为m个，输出节点为n个，隐节点为p个；

(2)训练经过主成分分析和遗传算法改进的前向误差反向传播神经网络，构造出一个***反映输入和输出映射关系：

F：R^m→Rⁿ

具体为：

(2.1)利用主成分分析对神经网络训练样本的输入数据进行降维去噪处理；

(2.2)利用遗传算法改善BP神经网络的初始连接权值和节点阀值；

(2.3)训练BP神经网络；

(2.4)利用训练好的网络预测并验证，当结果满足要求时，进入步骤(2.5)，否则重复步骤(2.2)-(2.3)；

(2.5)得到一个***反映输入和输出映射关系的神经网络预测模型；

(3)将训练好的神经网络模型当作优化设计的观察工具，在x_i(i≤N)参数组合的基础上分别变化各参数大小，观察各参数对优化目标y_i的影响，并选择各个参数的最优解，从而确定优化组合G_i，即i组参数的优化组合；

(4)结合现有材料及工艺的可行性，在优化得出的优化组合G_i里选择合适的参数优化组合。

2.根据权利要求1所述的方法，其特征在于：上述步骤(3)还可以包括以下处理过程：在确定优化组合G_i后，并利用训练好的BP神经网络的预测能力，根据各优化组合对优化结果的影响大小排序。

Images