Deep Clustering based Boundary-Decoder Net for Inter and Intra Layer Stress Prediction of Heterogeneous Integrated IC Chip

논문 요약: 이종 통합 IC 칩의 층간 및 층내 응력 예측을 위한 딥 클러스터링 기반 경계 디코더 네트워크

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 3D 이종 통합 (Heterogeneous Integration) IC 패키지는 극단적인 온도 사이클링 하에서 높은 응력을 겪으며, 이는 서로 다른 재료 (다이, 언더필, RDL 등) 간의 계면에서 주로 발생합니다. 이러한 응력으로 인한 균열을 예측하는 것은 IC 설계에 필수적입니다.
• 기존 방법의 한계:
  • 데이터 생성 비용: 유한 요소 분석 (FEA) 을 통한 실험 설계 (DOE) 는 변수가 많아 전수 조사 (Full Factorial) 가 불가능하며, 시뮬레이션 비용이 매우 높습니다.
  • 딥러닝 모델의 제약: 기존 생성 모델 (GAN 등) 은 주로 동질적인 2D 구조나 이미지 쌍 (입력: 형상, 출력: 응력) 에 의존합니다. 그러나 IC 패키지는 이종 재료의 복잡한 계면으로 인해 **층간 (Inter-layer)**과 층내 (Intra-layer) 응력 분포가 크게 다르며, 이미지 쌍이 아닌 매개변수 벡터 (재료 특성, 설계 변수) 와 응력 이미지의 매칭 (Multimodal pairing) 이 필요합니다.
  • 역문제 (Inverse Modeling) 의 어려움: 잠재 공간 (Latent Space) 에서 라벨이 불명확하여, 재료 매개변수에서 응력 이미지를 역으로 예측하는 모델 구축이 어렵습니다.

2. 제안된 방법론 (Methodology)

저자들은 경계 디코더 (Boundary-Decoder, BD) 네트워크를 기반으로 하며, 이를 **딥 클러스터링 (Deep Clustering)**과 결합하여 이종 IC 패키지의 응력 예측 성능을 극대화하는 새로운 아키텍처를 제안합니다.

• 핵심 아키텍처:

  1. 경계 디코더 (BD) Net: 오토인코더 (Autoencoder) 와 경계 네트워크 (Boundary Net) 로 구성됩니다.
     • 경계 네트워크: 재료 매개변수 (EMC 모듈러스, CTE, 다이 크기, 간격 등) 를 입력받아 오토인코더의 잠재 공간 (Latent Space) 으로 매핑합니다.
     • 디코더: 잠재 공간의 벡터를 받아 응력 컨투어 (Stress Contour) 이미지를 생성합니다.
     • 이는 "재료 매개변수 $\rightarrow$ 응력 이미지"의 역예측 (Inverse Prediction) 문제를 해결합니다.
  2. 딥 클러스터링 (Deep Clustering) 통합:
     • 잠재 공간이 고차원이고 입력 차원이 낮아 (4 개 매개변수 $\rightarrow$ 26x26 이미지) 문제가 ill-posed(잘 정의되지 않음) 될 수 있습니다.
     • 이를 해결하기 위해 잠재 공간 내의 데이터 포인트들을 K-means 알고리즘으로 클러스터링하고, 클러스터 중심에서 멀리 떨어진 샘플에 페널티를 주는 **딥 클러스터링 손실 (Deep Clustering Loss)**을 추가합니다.
     • 이를 통해 잠재 공간의 구조를 정규화하고, 층별 (Layer-wise) 응력 분포의 유사성을 더 잘 포착하도록 합니다.

• 손실 함수 (Loss Function):

  • 총 손실 함수는 재구성 손실 ($L_1$), 잠재 공간 클러스터링 손실 ($L_2$), 경계 디코더 손실 ($L_3$) 의 가중 합으로 구성됩니다.
  • $Loss = \lambda_1 L_1 + \lambda_2 L_2 + L_3$

• 비교 대상 (Baseline):

  • AE+KNN: 오토인코더로 이미지를 잠재 공간에 매핑한 후, K-최근접 이웃 (KNN) 을 사용하여 테스트 입력에 가장 가까운 훈련 샘플을 찾고 디코더로 이미지를 복원하는 방법.

3. 실험 설정 (Experiments)

• 데이터셋: 2 개의 다이 (Die) 가 포함된 IC 패키지 시뮬레이션 데이터.
  • 변수: EMC 모듈러스, EMC 열팽창 계수 (CTE), 다이 크기, 다이 간격 (총 4 개 변수, 각 5 레벨).
  • 규모: 3 개의 층 (Overmold, UF, RDL) 에 대해 전수 조사 (Full Factorial) 로 생성된 총 1,825 개의 사례 (1,500 개 훈련, 325 개 테스트).
  • 도구: ANSYS Mechanical 을 사용하여 FEA 시뮬레이션 수행.

4. 주요 결과 (Results)

• 오차 감소:
  • 제안된 DC+BD (Deep Clustering + Boundary Decoder) 모델이 모든 비교 대상 (기존 BD, AE+BD, Baseline AE+KNN) 보다 테스트 오차 (Test Error) 에서 가장 우수한 성능을 보였습니다.
  • 구체적으로, DC+BD 는 AE+KNN 대비 **17.6%**의 오차 감소, 기존 BD 대비 **8.9%**의 오차 감소를 기록했습니다.
  • 훈련 오차 (Train Error) 는 BD 계열 모델들이 비슷했으나, 일반화 성능 (Test Error) 측면에서 DC+BD 가 압도적으로 우세했습니다. 이는 딥 클러스터링을 통한 잠재 공간의 정규화가 과적합을 방지하고 미지의 샘플에 대한 예측력을 높였음을 시사합니다.
• 시각적 분석:
  • Overmold 층: 재료 매개변수의 영향이 직접적으로 나타나 명확한 대비를 보이며, DC+BD 가 가장 정교한 응력 분포를 재현했습니다.
  • UF 및 RDL 층: 다이에서 멀어질수록 매개변수 영향이 적어 응력 차이가 미미하여 예측이 어려웠으나, DC+BD 가 여전히 가장 좋은 결과를 보였습니다.
  • 소형 다이 (Small Die): 작은 다이 크기에서는 일부 아티팩트가 발생했으나, 전반적으로 DC+BD 의 우세함이 확인되었습니다.
• 계산 비용:
  • DC+BD 는 매번 잠재 공간에서 K-means 를 재계산해야 하므로 학습 시간이 가장 길었습니다 (400~600 초). 반면, BD 는 가장 빠르지만 정확도는 낮았습니다.

5. 주요 기여 및 의의 (Contributions & Significance)

• 혁신적인 AI 접근법: IC 패키지의 이종 계면 응력 예측을 위해 경계 조건 (매개변수) 과 이미지를 결합한 역예측 모델을 최초로 제안했습니다.
• 딥 클러스터링의 적용: 라벨이 없는 잠재 공간에서 클러스터링 기법을 도입하여, 층간 (Inter-layer) 과 층내 (Intra-layer) 의 복잡한 응력 분포를 효과적으로 학습하고 일반화 성능을 획기적으로 향상시켰습니다.
• 실용적 가치: 고비용의 FEA 시뮬레이션 횟수를 줄이면서도 높은 정확도의 응력 예측을 가능하게 하여, IC 패키지 설계 단계에서의 신뢰성 평가 및 설계 최적화에 기여할 수 있습니다.
• 데이터셋 구축: 1,825 개의 다양한 시나리오를 포함한 IC 패키지 응력 예측용 데이터셋을 구축하고 공개하여, 해당 분야의 벤치마킹을 가능하게 했습니다.

6. 결론

이 연구는 딥 클러스터링 기반의 경계 디코더 네트워크를 통해 이종 통합 IC 패키지의 층간 및 층내 응력 예측 문제를 성공적으로 해결했습니다. 제안된 방법은 기존 방법론보다 정확도가 높으며, 특히 복잡한 재료 특성과 구조적 계면을 가진 IC 패키지의 신뢰성 분석을 위한 강력한 AI 도구로 평가받습니다. 향후 다양한 다이 수를 가진 패키지로의 일반화 연구가 필요하다고 언급했습니다.