몰드 경화 공정 중 패키지 휨 예측을 위한 비용 절감형 머신러닝 방법

• 영문명: Cost-effective Machine Learning Method for Predicting Package Warpage during Mold Curing
• 발행기관: 한국마이크로전자및패키징학회
• 저자명: 박성환(Seong-Hwan Park) 김태현(Tae-Hyun Kim) 이은호(Eun-Ho Lee)
• 간행물 정보: 『마이크로전자 및 패키징학회지』제31권 제3호, 24~37쪽, 전체 14쪽
• 주제분류: 공학 > 산업공학
• 파일형태: PDF
• 발행일자: 2024.09.30

국문 초록

반도체 패키지의 초박형화로 인해 작은 열하중에서도 Warpage가 크게 발생하며, 이는 제품 신뢰성에 심각한 영향을 미칠 수 있다. 특히 몰드 경화 공정에서의 Warpage 예측은 복합적인 열-화학-기계적 현상으로 인해 어려운 문제이다. 본 연구는 몰드 경화 공정에서 Warpage를 예측하기 위한 비용 절감형 머신러닝 모델 구축 방법을 분석하였다. 경화 공정에서 시간과 온도에 따른 경화도를 특성화하고, 이를 통해 재료의 기계적 특성을 수치화하였다. ABAQUS UMAT을 사용해 특성화된 재료 특성으로 FEM 시뮬레이션 모델을 개발하였으며, 패키지의 적층 구조에 따른 Local Warpage를 예측하는 Warpage formula를 제안하고 FEM 시뮬레이션 결과와 비교하여 검증하였다. 개발된 모델과 이론식을 통해 다양한 설계 인자를 고려한 몰드 경화 공정에서 Warpage를 저비용으로 예측할 수 있는 방법을 제시하였다. 이 방법은 머신러닝 입력 변수로 Warpage formula를 사용하고, 훈련 데이터 세트를 효율적으로 구축하여 Single IC 패키지 기준으로 98% 이상의 예측 정확도와 96.5%의 시뮬레이션 시간 절약을 가능하게 한다.

영문 초록

Due to the thin nature of semiconductor packages, even minor thermal loads can cause significant warpage, impacting product reliability through issues like delamination or cracking. The mold curing process, which encloses the package to protect the semiconductor chip, is particularly challenging to predict due to the complex thermal, chemical, and mechanical interactions. This study proposes a cost-effective machine learning model to predict warpage in the mold curing process. We developed methods to characterize the curing degree based on time and temperature and quantify the material's mechanical properties accordingly. A Finite Element Method (FEM) simulation model was created by integrating these properties into ABAQUS UMAT to predict warpage for various design factors. Additionally, a Warpage formula was developed to estimate local warpage based on the package's stacking structure. This formula combines bending theory with thermo-chemical-mechanical properties and was validated through FEM simulation results. The study presents a method to construct a machine learning model for warpage prediction using this formula and proposes a cost-effective approach for building a training dataset by analyzing input variables and design factors. This methodology achieves over 98% prediction accuracy and reduces simulation time by 96.5%.

목차

1. 서 론

2. 이론적 배경

3. Warpage 예측을 위한 비용 절감형 머신러닝 방법

4. 결 과

5. 고 찰

6. 결 론

Acknowledgements

Reference

키워드

Warpage Curing process FEM simulation Cost-effective Physics informed machine Learning