#芯片# 【仅需1秒钟，清华团队基于深度学习实现“图片-等效热导率”的高效直接预测，解决芯片先进封装设计难题】

在#芯片封装# 设计中，关键材料参数缺失是领域内的关键性挑战。纳米银键合是软钎焊之后的新一代互连技术，大幅提高了封装的可靠性、耐热性和导热性，可满足宽禁带半导体、高性能计算、#5G通讯# 、#智能电网# 等领域对芯片散热的苛刻要求。

但不可忽视的是，纳米银键合具有单一成分和多孔特征，焊膏材料、烧结工艺、烧结设备会通过影响键合层的微纳米孔的尺寸和分布影响等效热导率。因此，纳米焊膏厂家提供的热导率仅能作为参考。

为解决关键材料参数缺失影响芯片封装设计准确性的问题，清华大学机械工程系刘磊副教授及其团队基于人工智能-深度学习技术，通过 1 张图片，仅在 1 秒钟就能预测芯片键合层的等效热导率。

他们仅使用芯片键合层横截面切片的微观组织图片，便可快速、准确地预测烧结银等效热导率，甚至可以分析不同微区的热导率差异，加速了银烧结封装产品的开发和迭代。

近日，相关论文以《基于深度学习的烧结银有效导热系数高精度高效预测》（Highly accurate and efficient prediction of effective thermal conductivity of sintered silver based on deep learning method）为题发表在 International Journal of Heat and Mass Transfer 上 [1]。

#清华大学# 机械工程系博士生杜成杰为该论文第一作者，清华大学机械工程系刘磊副教授为论文通讯作者，邹贵生教授为该团队负责人。

戳链接查看详情：http://t.cn/A69jCe1Q