基于人工神经网络的LED焊点可靠性预测：不同输入数据的比较研究

《IEEE Transactions on Device and Materials Reliability》：Comparison of Different Input Data for the Prediction of LED Solder Joints Using Artificial Neural Networks

　　本刊推荐：针对可靠性预测中数据稀缺的挑战，研究人员系统比较了不同测量数据（瞬态热分析TTA和扫描声学显微镜SAM）在预测LED焊点可靠性中的效用。研究表明，利用时间序列信息的LSTM模型显著提升长期预测精度（R2达0.75），而SAM图像对极长期预测有补充价值。该研究为微电子系统可靠性建模提供了数据优化策略。

　　

在微电子系统领域，可靠性是任何应用场景下最基本的要求之一，尤其是对于安全关键电子元件、功率和光电子器件而言。高功率LED封装的寿命深受工作温度影响，常见损伤源是温度变化过程中不同部件因热膨胀系数（CTE）不匹配产生的热机械应力，这种应力通过反复塑性变形导致材料疲劳，最终损害结构完整性，尤其集中在焊点处。更棘手的是，LED性能如效率和色彩也会随温度升高而恶化，形成恶性循环：受损焊点热传递变差，导致工作温度升高，进而加剧焊点应力并加速损坏。因此，管理高功率LED封装的热特性至关重要。

当前，锡银铜（SAC）焊料是主流无铅焊料，其可靠性备受关注。然而，可靠性预测面临原始数据稀缺的挑战，如何充分利用有限数据成为关键。传统方法如威布尔分布在预测焊点可靠性时精度有限，而数据驱动方法如人工神经网络（ANN）虽具潜力，但输入数据的选择和预处理对模型性能影响显著。例如，瞬态热分析（TTA）可快速无损检测微电子系统中的裂纹和分层，扫描声学显微镜（SAM）能提供空间信息，但两者如何结合最优尚未明确。

为此，研究人员在《IEEE Transactions on Device and Materials Reliability》上发表论文，系统比较了不同输入数据对预测LED焊点可靠性的影响。研究基于大规模测量活动，涵盖TTA和SAM数据，重点探讨了使用完整时间信息与单点测量的差异、SAM数据的增益、TTA信息呈现方式（全曲线与专家选择特征），以及分类信息（焊料和LED封装类型）的编码方法（独热编码与嵌入）。最终，将最佳模型与类似数据集开发的模型架构在通过/失败预测性能上进行比较。

研究团队主要采用了以下关键技术方法：基于1800个LED样本的加速老化实验（热冲击循环-40°C至125°C），采集TTA数据（通过JESD51-14标准测量热阻抗Z_th及其对数导数B(z)）和SAM图像（50MHz频率的C模式二维图像）；利用长短期记忆网络（LSTM）和卷积神经网络（CNN）处理时间序列和图像数据；通过决定系数R2和平均绝对误差（MAE）评估模型性能；使用ADAM优化器（学习率0.005）和交叉验证防止过拟合。

时间序列预测的效应

使用时间序列信息（LSTM）的模型在所有预测时间跨度上均优于单点预测模型。对于短程预测（如1步），差异较小（R2≈0.8），但随着预测跨度增加（如6步，对应超1000次热冲击循环），时间序列模型的R2保持在0.5以上，而单点模型降至0.3以下甚至负值。这表明长期行为依赖复杂动态历史，时间上下文至关重要。有趣的是，单点TTA曲线模型性能最差，可能因数据量不足导致过拟合。

分类输入的影响

当仅使用TTA特征时，添加焊料信息对长程预测提升显著（R2提高约0.15），因焊料疲劳抗性难以从TTA推导；LED类型信息也有小幅改善。结合SAM数据后，分类信息的影响减弱，因SAM能直接识别组件类型。误差分布显示，初始周期因LED行为易变而误差较高，中期（约200周期）预测最富挑战，但模型仍能保持80%准确率。

分类信息编码格式

嵌入编码略优于独热编码（R2差约0.05），尤其在训练稳定性上。嵌入法将类别映射为4维向量，能压缩信息并适应大规模类别，但需要额外训练。对于本数据集规模，嵌入的增益超过其复杂性代价。

通过/失败预测

将最佳模型（结合TTA特征、SAM图像和时间序列）与先前纯LSTM架构比较，前者在 categorical 预测中准确率更高（中期阶段达80%）。SAM图像对极长期预测（如6步）有显著增益，但因采样间隔长，其效果随预测跨度增大而减弱。

研究结论强调，时间序列信息是长期预测的关键，LSTM架构能将基于前250次循环的预测扩展至1500次循环（R2=0.75），大幅缩短老化测试时间。TTA特征向量已包含多数状态信息，全曲线未带来额外增益；SAM图像在极长期预测中有补充价值。分类信息（如焊料类型）的显式提供能提升性能。这些发现为微电子可靠性建模中的数据策略提供了实践指导，尤其在资源有限场景下，优化输入选择比增加模型复杂度更有效。该工作不仅推动了LED可靠性预测的精准化，也为类似数据驱动方法在可靠性工程中的应用树立了范例。