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

Probleemstelling

De paper adresseert het complexe probleem van stressvoorspelling in geavanceerde 3D-heterogene IC-pakketten. Wanneer deze pakketten worden blootgesteld aan thermische cycli (extreme temperatuurschommelingen), treden er hoge spanningen op, voornamelijk aan de grensvlakken tussen verschillende materialen (zoals de chip, ondervulling/UF en herverdelingslaag/RDL).

De uitdagingen voor het modelleren van deze stress zijn:

1. Complexiteit van DOE (Design of Experiments): Het genereren van een volledig factorieel dataset via eindige-elementenanalyse (FEA) is rekenkundig onhaalbaar vanwege het grote aantal parameters en niveaus per laag.
2. Inversie en Latente Ruimte: Bestaande Deep Generative Models (DGM) zijn vaak ongesuperviseerd en vereisen beeldkoppelingen (input/output). Voor stressvoorspelling is echter een multimodale koppeling nodig: een vector van materiaaleigenschappen (input) naar een stressbeeld (output). De inversie van de latente ruimte voor stressvoorspelling is hierbij niet goed gevestigd.
3. Heterogeniteit: Stresspatronen verschillen sterk tussen lagen (inter-layer) en binnen lagen (intra-layer) vanwege de complexe interfaces. Het trainen van een apart model voor elke laag is niet praktisch.
4. Data-tekort: In tegenstelling tot simpele 2D-structuren is het verkrijgen van datasets voor IC-pakketten via simulatie zeer kostbaar.

Methodologie

De auteurs stellen een nieuwe architectuur voor die een Boundary-Decoder (BD) Net combineert met Deep Clustering. Het doel is om een inversie-model te creëren dat materiaalparameters direct omzet in stresscontourbeelden.

1. Boundary-Decoder (BD) Net:

   • Dit model bestaat uit een autoencoder en een "boundary net".
   • Het boundary net mapt materiaalparameters (zoals EMC-modulus, CTE, chipgrootte, gap) naar een gedeelde latente ruimte ($z$) die ook door de autoencoder wordt gebruikt.
   • De decoder genereert vervolgens het stressbeeld vanuit deze latente representatie.
   • Dit fungeert als een inversie-model: gegeven parameters, wordt het bijbehorende stressbeeld gereconstrueerd.

2. Integratie van Deep Clustering (DC+BD):

   • Omdat de mapping van lage-dimensionale parameters naar hoge-dimensionale beelden een "ill-posed" probleem is, wordt de latente ruimte verder gestructureerd.
   • Er wordt een Deep Clustering laag toegevoegd. Tijdens het trainen wordt er bij elke iteratie een K-means-algoritme uitgevoerd op de latente samples.
   • Een extra verliesfunctie ($L_2$) straft samples die ver weg zijn van hun clustercentrum, waardoor de encoder wordt geregulariseerd om een meer compacte en gestructureerde latente ruimte te leren. Dit helpt bij het onderscheiden van intra- en inter-layer variaties.

3. Verliesfuncties:
   Het totale verlies is een combinatie van:

   • $L_1$: Reconstructieverlies (Autoencoder).
   • $L_2$: Clustering-verlies (Deep Clustering).
   • $L_3$: Boundary-verlies (koppeling parameters naar latente ruimte).

4. Baseline:
   Ter vergelijking wordt een baseline-methode ontwikkeld: AE+KNN. Hierbij wordt een autoencoder getraind om beelden in een latente ruimte te comprimeren, en wordt voor nieuwe inputs de dichtstbijzijnde trainingssample gevonden via K-Nearest-Neighbors (KNN) om het beeld te reconstrueren.

Dataset en Experimenten

• Dataset: Een interne dataset van 1825 simulaties (1500 train, 325 test) van een IC-pakket met twee identieke chips.
• Parameters: Vier variabelen met elk 5 niveaus (EMC-modulus, EMC-CTE, chipgrootte, gap tussen chips), resulterend in 625 cases per laag voor 3 lagen (Overmold, UF, RDL).
• Doel: Voorspelling van stressverdeling op de interfaces tussen EMC/Die, Die/UF en UF/RDL.

Resultaten

De resultaten tonen aan dat de voorgestelde methoden de baseline significant overtreffen:

• Voorspellingsnauwkeurigheid:

  • De DC+BD methode (Deep Clustering + Boundary Decoder) presteert het beste.
  • De testfout van DC+BD is 0.1309, vergeleken met 0.1589 voor de AE+KNN baseline. Dit is een verbetering van ongeveer 17.6%.
  • De AE+BD variant (zonder clustering) presteert ook beter dan de pure BD en de baseline, met een testfout van 0.1409.
  • De BD methode alleen heeft een hogere testfout (0.1437) dan de varianten met extra regularisatie, wat aangeeft dat het model zonder clustering minder goed generaliseert naar onbekende data.

• Visuele Kwaliteit:

  • De DC+BD methode levert de scherpste stresscontouren op, vooral in de "Overmold" laag waar de parameters de grootste invloed hebben.
  • Bij kleinere chipgroottes vertonen alle methoden enige artefacten, maar BD presteert hier visueel iets beter dan de complexere varianten, mogelijk door beperkte trainingsdata.
  • De RDL-laag blijft uitdagend vanwege het gebrek aan sterk contrast in de stressintensiteit.

• Rekentijd:

  • De BD methode is het snelst (8-25s).
  • DC+BD is het langzaamst (400-600s) vanwege de extra berekening van K-means clusters bij elke iteratie, maar dit wordt gerechtvaardigd door de aanzienlijke verbetering in nauwkeurigheid.

Belangrijke Bijdragen

1. Nieuwe AI-Architectuur: Het introduceren van een Boundary-Decoder net gekoppeld aan Deep Clustering voor stressvoorspelling in IC-pakketten. Dit is een innovatieve aanpak die nog niet eerder is toegepast in dit domein.
2. Oplossing voor Heterogeniteit: De methode slaagt erin om zowel intra-layer als inter-layer stresspatronen te modelleren binnen één enkel framework, zonder aparte modellen per laag te hoeven trainen.
3. Multimodale Mapping: Het succesvol omzetten van een vector van fysieke parameters naar een stressbeeld, wat een uitdaging was voor bestaande DGM-methoden die vaak op beeldkoppelingen zijn gebaseerd.
4. Validatie: Het creëren en publiceren van een robuust dataset van 1825 FEA-simulaties voor twee-chip IC-pakketten, inclusief een gedetailleerde vergelijking met een sterke baseline.

Significantie

Deze studie is significant voor de halfgeleiderindustrie omdat het een schaalbaar en nauwkeurig AI-gestuurd alternatief biedt voor kostbare en tijdrovende FEA-simulaties. Door stresscontouren snel en accuraat te voorspellen op basis van ontwerpparameters, kunnen IC-ontwerpers thermisch geïnduceerde scheuren sneller identificeren en hun ontwerpen optimaliseren voordat fabricage plaatsvindt. De integratie van Deep Clustering lost het probleem van de "ill-posed" inversie op en verbetert de generalisatievermogen van het model, wat essentieel is voor betrouwbare voorspellingen in complexe, heterogene verpakkingen.