一种机器学习辅助无铅焊点材料筛选方法及无铅焊料合金

本发明涉及电子微连接及封装材料，尤其涉及一种机器学习辅助无铅焊点材料筛选方法及无铅焊料合金。

背景技术：

1、电子封装中球栅阵列(ball grid array，bga)封装由于散热好、接口可靠性高、抗冲击性能好等特点至今仍然被广泛应用，来连接电子产品或设备中各种三维封装的功能模块与印刷电路板(printed circuit board，pcb)，例如笔记本、手机中cpu、内存等与主板间的互连。

2、微互连焊点是保证电子封装结构力学结构稳定、传热导电安全的重要组成部分，很多情况下电子产品的失效原因都来自于微互连焊点的失效。微互连焊点相关的可靠性问题一直是企业和科研工作人员关注的重点问题。剪切载荷是微焊点服役下很常见的载荷形式也是导致微焊点失效的主要原因之一。实际使用过程中热量堆积使得不同材料膨胀不同(特别是当它们热膨胀系数相差较大时)，相当于对焊点施加剪切载荷；电子设备受到冲击力，如手机掉落、磕碰时微焊点也可能会受到剪切载荷作用对结构造成破坏。同时设备使用年限较长以及高温环境使用时，内部微焊点会发生老化，其bga结构的剪切强度会大幅降低，这也会更容易导致微焊点失效。因此，开发新型bga焊点材料是推动封装技术发展的必要手段，具有重要意义。

3、传统材料优化开发方法主要基于试错法，即先通过科研者研究经验确定掺杂合金元素，制备不同配比的焊点材料，后续通过大量的实验测试表征来筛选确定最优成分。但此种方法人力物力耗费资源大，且获得的最优成分仅仅只是自己构建的成分空间中的最优配比，无法定量评估不同元素对焊点性能的影响。特别是目前多合金元素掺杂的第三代焊料合金，传统试错法在开发第三代焊料时将产生非常大的实验成本。

4、随着材料信息学快速发展，机器学习(machine learning，ml)结合不同搜索策略已经被广泛用于协助开发新型材料，机器学习技术辅助高性能材料研发主要体现在以下几点：①特征工程分析元素对性能的影响，指导材料成分设计；②机器学习预测材料性能，开发高性能材料；③机器学习辅助材料微观结构表征；④机器学习加速模拟技术发展。在sn-ag-cu基无铅焊料领域，目前有关机器学习技术主要以焊料自身拉伸性能为目标来进行优化设计，尚未发现有以bga微焊点剪切强度和断裂模式作为指标来直接开发bga微互连焊点应用情况下的焊点材料。

技术实现思路

1、针对上述情况，为了克服现有技术的缺陷，本发明提供了一种机器学习辅助无铅焊点材料筛选方法及无铅焊料合金，至少解决了部分现有技术中的问题。

2、为实现上述目的，本发明采取的技术方案如下：

3、一方面，一种机器学习辅助无铅焊点材料筛选方法，包括以下步骤：

4、s1、收集sn-ag-cu基bga无铅焊点的剪切测试数据集；

5、s2、以步骤s1中收集的剪切测试数据集中的元素成分和剪切测试参数为输入，以剪切强度为输出，用机器学习模型进行建模和训练；模型采用留一交叉验证法进行验证，筛选出预测准确率最高的机器学习模型；

6、s3、以步骤s1中收集的剪切测试数据集中的元素成分和剪切测试参数为输入，以剪切断裂模式为输出，用机器学习分类模型进行建模和训练；模型采用留一交叉验证法进行验证，并绘制混淆矩阵协同验证模型精度，筛选出剪切断裂模式预测准确率最高的机器学习分类模型；

7、s4、在剪切强度预测准确率最高的机器学习模型中计算特征重要性，比较元素成分的特征重要性指标以及影响规律、并筛选合金的元素成分组合；确定虚拟空间步长、并采用排列组合方式构建虚拟样本，然后将虚拟样本输入到机器学习模型中得到预测结果，在虚拟样本的空间中选点进行系统性试验验证，获得剪切性能优异的无铅焊点材料。

8、在进一步的方案中，步骤s1中，所述剪切测试数据包括焊点的元素成分、剪切测试参数、剪切强度和剪切断裂模式；所述剪切测试参数包括剪切高度、剪切速度和焊球尺寸。

9、在进一步的方案中，步骤s1中，所述收集sn-ag-cu基bga无铅焊点的剪切测试数据集的步骤包括：

10、(1)通过剪切测试实验，收集不同元素成分焊点的剪切测试数据，涉及的元素成分包括sn、ag、cu、bi、in、ti、ni、ge；

11、(2)收集文献中焊点的剪切测试数据，涉及的元素成分包括sn、ag、cu、bi、in、ti、al、fe、mn、ge。

12、在进一步的方案中，步骤s2中，所述机器学习模型包括以下6种：决策树模型(decision tree，dt)、梯度增强决策树模型(gradient boosting decision tree，gbdt)、极限梯度增强模型(extreme gradient boosting，xgboost)、随机森林模型(randomforest，rf)、自举聚合模型(bootstrap aggregating，bagging)、和k近邻模型(k-nearestneighbor，knn)。

13、在更进一步的方案中，步骤s2中，所述筛选出预测准确率最高的机器学习模型的方法包括：通过比较不同剪切强度预测模型的可决系数r2进行筛选，筛选出测准确率最高的为决策树模型。

14、在进一步的方案中，步骤s3中，所述机器学习分类模型包括以下4种：决策树分类模型(decision tree classifier，dtc)、梯度增强分类模型(gradient boostingclassifier，gbc)、随机森林分类模型(random forest classifier，rfc)和支持向量机分类模型(support vector classifier，svc)。

15、在进一步的方案中，步骤s3中，所述筛选出预测准确率最高的机器学习模型的步骤包括：比较不同剪切断裂模式分类模型预测准确率和混淆矩阵，筛选出测准确率最高的梯度增强分类模型。

16、在进一步的方案中，步骤s4中，所述比较元素成分的特征重要性指标以及影响规律、筛选合金元素成分组合包括以下步骤：

17、(1)比较元素成分的特征重要性指标以及影响规律，得到的元素的特征重要性排序如下：ag＞in＞sn＞bi＞cu＞ge＞ti＞mn＞ni＞al＞fe；

18、(2)筛选出特征重要性排序前五的元素种类为ag、in、sn、bi、cu，去除sn-ag-cu基包括的sn、ag、cu，确定合金添加元素为bi和in。

19、在进一步的方案中，步骤s4中，所述确定虚拟空间步长、并采用排列组合方式构建虚拟样本的步骤包括：确定虚拟空间中元素包括sn、ag、cu、bi和in，以0.2wt％为步长，在bi0-5wt％、in 0-5wt％范围内进行虚拟空间设计，共得到676个虚拟样本；

20、其中，ag＝3.8wt％、cu＝0.7wt％、sn＝100-(ag+cu+bi+in)wt％。

21、在更进一步的方案中，步骤s4中，所述在虚拟样本空间中选点进行系统性试验验证步骤包括：

22、(1)通过步骤s2训练好的剪切强度机器学习模型对虚拟样本的焊点剪切强度值做出预测，得到预测的焊点剪切强度值；并选取虚拟样本空间中高性能成分作为成分推荐，后续通过剪切实验测试进行验证；

23、(2)使用步骤s3筛选出的机器学习分类模型，来预测步骤(1)中的高性能成分的焊点的剪切断裂模式，后续通过剪切实验测试进行验证。

24、在进一步的方案中，所述方法还包括：

25、(1)对步骤s4获得的剪切性能优异的bga焊点材料，实验合成焊点合金并测试其剪切性能，所述剪切性能包括最大剪切强度、剪切断裂能和焊点剪切断裂模式；

26、(2)若合成的焊点合金的预测剪切强度与实验测得的剪切强度相差较大，超出实验误差范围，则重新优化剪切强度预测模型参数；

27、(3)若合成的焊点合金的预测剪切断裂模式与实验剪切断裂模式不同，则重新优化剪切断裂分类模型参数。

28、在更进一步的方案中，所述实验合成焊点合金的方法包括：

29、(1)根据成分推荐及配比，将sn、ag、cu、bi、in使用真空感应熔炼炉在氩气保护下直接混合熔炼，制备块体焊料合金；

30、(2)将块体焊料合金进行轧制加工并裁剪成0.13mm薄片，用冲孔器冲孔，获取0.13mm厚圆片状合金，将上述圆片放于盛有甘油的al2o3坩埚中，用恒温加热台在270℃恒温加热使上述合金圆片熔化成球，待其冷却后用丙酮超声清洗去除表面油污，制得无铅bga焊球；

31、(3)以5×5的阵列形式将上述焊球通过n2回流焊工艺焊接到pcb板上，制备得到bga焊点。

32、优选地，所述实验合成焊点合金的方法步骤(3)中，所述n2回流焊工艺包括：确保实际峰值温度高于焊球熔点，并且焊接区时间保持在30-60s。

33、另一方面，本发明还提供了一种sn-ag-cu-bi-in无铅焊点材料，所述sn-ag-cu-bi-in无铅焊点材料由上述机器学习辅助无铅焊点材料筛选方法获得。

34、在进一步的方案中，所述sn-ag-cu-bi-in无铅焊点材料，按质量百分比计，包含以下组分：ag 3.8％、cu 0.7％、bi 0.5-3.5％、in 0-2％，余量为sn。

35、优选地，所述sn-ag-cu-bi-in无铅焊点材料，按质量百分比计，包含以下组分：ag3.8％、cu 0.7％、bi 2.0％、in 1.8％、sn 91.7％。

36、与现有技术相比，本发明具有以下有益效果：

37、1、本发明通过结合机器学习方法对高性能无铅焊点材料筛选进行指导，加快了从制备、表征到获得性能优异的无铅焊点材料的速度，降低了用于研发的成本。

38、2、本发明直接以bga微互联焊点应用过程中十分重要的焊点剪切性能作为特征目标，能够更为直接地开发高性能bga无铅焊点材料。

39、3、通过本方法筛选的无铅焊点材料具有较高的剪切强度和剪切断裂能。

40、4、通过本方法筛选的无铅焊点材料在150℃老化36天后测试其焊点剪切强度保持稳定，合金抗氧化性能大幅提高。