CN114065687A - 基于人工智能确定用于制造部件承载件的行动规划 - Google Patents

基于人工智能确定用于制造部件承载件的行动规划 Download PDF

Info

Publication number
CN114065687A
CN114065687A CN202010790022.8A CN202010790022A CN114065687A CN 114065687 A CN114065687 A CN 114065687A CN 202010790022 A CN202010790022 A CN 202010790022A CN 114065687 A CN114065687 A CN 114065687A
Authority
CN
China
Prior art keywords
manufacturing
component carrier
artificial intelligence
parameters
intelligence module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010790022.8A
Other languages
English (en)
Inventor
陆虹屹
王显韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
AT&S Austria Technologie und Systemtechnik AG
Original Assignee
AT&S Austria Technologie und Systemtechnik AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by AT&S Austria Technologie und Systemtechnik AG filed Critical AT&S Austria Technologie und Systemtechnik AG
Priority to CN202010790022.8A priority Critical patent/CN114065687A/zh
Priority to EP21187752.7A priority patent/EP3951526A1/en
Priority to US17/443,927 priority patent/US12117810B2/en
Publication of CN114065687A publication Critical patent/CN114065687A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K3/00—Apparatus or processes for manufacturing printed circuits
    • H05K3/0005—Apparatus or processes for manufacturing printed circuits for designing circuits by computer
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31053—Planning, generate assembly plans
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32188—Teaching relation between controlling parameters and quality parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45035—Printed circuit boards, also holes to be drilled in a plate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K3/00—Apparatus or processes for manufacturing printed circuits
    • H05K3/46—Manufacturing multilayer circuits
    • H05K3/4611—Manufacturing multilayer circuits by laminating two or more circuit boards
    • H05K3/4638—Aligning and fixing the circuit boards before lamination; Detecting or measuring the misalignment after lamination; Aligning external circuit patterns or via connections relative to internal circuits
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Medical Informatics (AREA)
  • Power Engineering (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)
  • General Factory Administration (AREA)
  • Manufacturing Of Printed Wiring (AREA)

Abstract

本公开提供了一种规划制造部件承载件(100)的方法，其中，该方法包括将最终产品参数(Y)的集合限定为用于待制造的部件承载件(100)的目标，其中，产品参数(Y)能够受到能够在制造方法期间进行设置的过程参数(X)的集合的影响，就过程参数(X)对最终产品参数(Y)的影响对过程参数(X)进行排序，选择排名较高的过程参数(X)的子集，输入所选定的过程参数(X)的子集以用于由人工智能模块(102)进行处理，以及基于人工智能模块(102)的输出来确定用于制造方法的行动规划(152)。

Description

基于人工智能确定用于制造部件承载件的行动规划
技术领域
本发明涉及规划制造部件承载件的方法、用于确定制造部件承载件用的行动规划的设备、计算机可读介质以及程序元件。
背景技术
在随着配备有一个或更多个电子部件的部件承载件的产品功能不断增长、电子部件越来越小型化以及越来越多的将被安装在比如印刷电路板之类的电子部件上的背景下，采用的是具有若干电子部件的日益更强大的阵列状部件或封装件，阵列状部件或封装件具有多个接触部或连接部，所述多个接触部或连接部之间的间距更小。在操作期间，由这种电子部件和部件承载件自身产生的热的去除成为越来越严重的问题。同时，部件承载件应具有机械强度和电气可靠性，以便即使在恶劣条件下也是可操作的。
通常由工程师对部件承载件的制造做出规划。然而，可能发生的是，所制造的部件承载件表现出不期望的性质，从而导致产量上的损失。
发明内容
本发明的目的是以高产量和合理的措施来制造部件承载件。
为了实现以上限定的目的，提供了根据独立权利要求所述的规划制造部件承载件的方法、用于确定制造部件承载件用的行动规划的设备、计算机可读介质和程序元件。
根据本发明的示例性实施方式，提供了一种规划制造部件承载件的方法，其中，该方法包括将最终产品参数的集合限定为用于待制造的部件承载件的目标，其中，产品参数能够受到在制造方法期间能够设置的过程参数的集合的影响，就过程参数对最终产品参数的影响对过程参数进行排序，选择排名较高的过程参数的子集，输入所选定的过程参数的子集以用于由人工智能模块进行处理，以及基于人工智能模块的输出来确定用于制造方法的行动规划。
根据本发明的另一示例性实施方式，提供了一种用于确定制造部件承载件用的行动规划的设备，其中，该设备包括：接收单元(例如包括输入/输出接口和/或对应的操作式和/或编程式处理器或该处理器的一部分，以及可选地存储器)，接收单元配置成用于接收被限定的最终产品参数的集合来作为待制造的部件承载件的目标，以及用于接收过程参数的集合，其中，产品参数能够受到在制造方法期间能够设置的过程参数的集合的影响；排序单元(例如包括输入/输出接口和/或对应的操作式和/或编程式处理器或该处理器的一部分，以及可选地存储器)，排序单元配置成用于就过程参数对最终产品参数的影响对过程参数进行排序；选择单元(例如包括输入/输出接口和/或对应的操作式和/或编程式处理器或该处理器的一部分，以及可选地存储器)，选择单元配置成用于选择排名较高的过程参数的子集；人工智能模块(例如包括输入/输出接口和/或对应的操作式和/或编程式处理器或该处理器的一部分，以及可选地存储器)，人工智能模块配置成用于使用人工智能来处理所选定的过程参数的子集；以及确定单元(例如包括输入/输出接口和/或对应的操作式和/或编程式处理器或该处理器的一部分，以及可选地存储器)，确定单元配置成用于基于人工智能处理的输出来确定用于制造方法的行动规划。
根据本发明的又一示例性实施方式，提供了一种程序元件(例如，软件程序、源代码或可执行代码)，程序元件适于在由处理器(例如微处理器或CPU)执行时控制和/或实施具有上述特征的方法。
根据本发明的又一示例性实施方式，提供了一种计算机可读介质(例如，CD、DVD、USB棒、SD卡、软盘或硬盘、或任何其他存储介质(尤其也是较小的存储介质))，在计算机可读介质中存储有计算机程序，该计算机程序适于在由处理器(比如微处理器或CPU)执行时控制和/或实施具有上述特征的方法。
可以根据本发明的实施方式执行的数据处理可以通过以下来实现：通过计算机程序，即通过软件、或通过使用一个或更多个特殊的电子优化电路，即以硬件或混合形式，也就是说借助于软件部件和硬件部件来实现。
在本申请的上下文中，术语“部件承载件”可以特别表示任何支撑结构，该支撑结构能够在其上和/或其中容纳一个或更多个部件以提供机械支撑和/或电连接性和/或光学连接性和/或热连接。换言之，部件承载件可以配置为用于部件的机械和/或电子承载件。特别地，部件承载件可以是印刷电路板、有机中介层和IC(集成电路)基板中的一者。部件承载件也可以是组合了上述类型的部件承载件中的不同类型的混合板。
在本申请的上下文中，术语“人工智能”可以特别表示诸如神经网络、自学习或自适应系统、模糊逻辑等之类的工具。人工智能可以基于电子硬件和软件资源而独立于人类进行操作。相应地，人工智能模块可以是包括人工智能功能的物理或虚拟实体。人工智能可以特别地表示处理器(例如计算机系统)可以用来执行特定任务而无需使用明确指令、不依赖模式等的算法和/或统计模型的实现形式。特别地，人工智能算法可以基于输入数据(也可以表示为训练数据)建立数学模型，以便进行预测或决策而无需为执行任务明确地编程。
在本申请的上下文中，术语“最终产品参数”可以特别地表示容易制造的部件承载件的目标性能或参数的集合。例如，最终产品参数可以表征根据预定规格制造的部件承载件。特别地，最终产品参数可以不作为输入参数输入到制造过程中，但是与此相反，可以限定制造过程的期望输出，即要实现的结果。
在本申请的上下文中，术语“过程参数”可以特别地表示可以从用户方在设计和限定制造部件承载件的方法方面进行调节的输入参数的集合，即过程参数可以用于对制造部件承载件的机器进行控制。人工智能模块的目标可以是确定过程参数的集合，以允许实现基于所确定的过程参数的集合而制造的部件承载件的最终产品参数的集合。
在本申请的上下文中，术语“行动规划”可以特别地表示可以为实际执行制造过程而采取的一系列指令、命令、过程和特定措施的。因此，行动规划可以是实际操作用于制造部件承载件的制造装置的算法。特别地，该行动规划可以指示如何执行制造方法以实现与被限定的最终产品参数的集合相符合。
根据本发明的示例性实施方式，提供了一种用于确定制造部件承载件的改进的制造方法的系统，该系统包括人工智能(AI)的一个或更多个元件，例如神经网络。相应地，可以提供用于预测所制造的部件承载件的期望性能的基于AI的预测模型。相应的制造规划系统可以最初限定表征实际制造的部件承载件的最终产品参数，来作为指示制造的部件承载件的目标性能的目标参数的集合。相应地，可以限定过程参数的集合，该过程参数可以在制造过程中从用户方或从外部侧进行调节，即，过程参数可以直接涉及用户影响。因此过程参数也可以表示为用于制造过程的输入参数。从描述上来讲，更改过程参数可能会对容易制造的部件承载件的最终产品参数产生间接影响。然而，最终产品参数不是直接作为输入参数由用户输入到制造装置中。在所述限定之后，可以对过程参数的至少一部分进行排序，其中，对最终产品参数具有更大影响的过程参数可以比对最终产品参数具有较低影响的其他过程参数排名更高或可以被排名为更相关。例如，可以基于建模、理论计算、经验数据和/或专业知识来进行关于所述排名的评估。基于所述排序，可以通过数据压缩过程来减少数据空间的量，该数据压缩过程仅选择过程参数的将用于随后基于AI的评估的子集。对于进一步处理而言，可以不考虑其他较低排名的过程参数。优选地，就过程参数对最终产品参数的影响而言，最相关的过程参数可以被选择以用于进一步分析。然后可以仅将最相关的过程参数的所述子集输入到人工智能模块，该人工智能模块可以例如具有神经网络。人工智能模块然后可以专注于所选定的更高排名的过程参数，以用于确定或搜索适当的行动规划或制造概念。特别地，人工智能模块可以为所选定的过程参数确定适当的值，以实现与被限定的最终产品参数的集合的适当(或甚至最佳)符合。因此，该行动规划可以根据由人工智能模块基于其预过滤输入而确定的过程参数的子集的值，以便确定能够在被限定的最终产品参数的集合方面完全满足的制造规划。当用于制造部件承载件的实际制造过程根据人工智能模块的输出使用所选定的过程参数的值的集合时，可以获得容易制造的部件承载件，该部件承载件的性能与初始限定的最终产品参数的集合足够相似。
有利地，可以通过对人工智能模块的适当训练(可以包括自训练)来持续地改进以下方法：基于AI确定用于制造部件承载件的制造规划。开发适合的部件承载件制造过程的所描述的概念可以基于大数据方法，即，将越多的数据供给至系统，系统将更高效且准确地工作。因此，示例性实施方式提供了在制造部件承载件方面的整体问题的有效解决方案。特别地，可以提供用于制造和质量控制的主动系统。该系统可以具有用户友好的界面，并且可以容易地操作和实现。此外，就规划部件承载件的制造而言，所述系统可以易于扩散到各种问题。
在下文中，将对该方法、该设备、该计算机可读介质和该程序元件的另外的示例性实施方式进行说明。
如上所述，该方法可以包括选择更高排名的过程参数的子集。在实施方式中，该子集可以仅是所有过程参数的少部分，或者该子集也可以是所有过程参数的大部分或者甚至所有过程参数。
在实施方式中，该方法包括将过程参数分成多个类别，每个类别与制造方法的被分配的制造阶段有关。并非部件承载件制造过程的所有过程参数都会对每个制造阶段产生影响或产生足够强烈的影响。例如，过程参数的至少部分不同的集合可以与镀覆过程有关，而不是与激光钻孔过程、层压过程、部件嵌入过程以及表面抛光过程有关。因此，当将过程参数分成不同类别时，可以获得更适合的结果，其中，某个组或类别的所有过程参数可能在分配的制造阶段上具有特别强的输入。因此，通过这种分类可以实现更有意义的结果，这是因为对人工智能模块的输入可以更是过程阶段相关的。
在实施方式中，该方法包括基于经分类的过程参数进行排序。因此，可以在排序之前进行分类或归类。换言之，可以在分类过程之后执行排序过程。例如，可以针对每个类别分别进行排序。在排序之前进行的比如与过程有关的归类可以对人工智能模块提供更具体的输入，以及使人工智能模块的输出更可靠和有意义。
在实施方式中，该方法包括基于下述各者中的至少一者进行分类：专业知识和建模。例如，一组专家规则可以被限定及应用为分类的基础。例如，该专家规则可以指示电传导迹线厚度(作为用于过程参数的示例)受到镀覆过程(例如用于制造阶段的分类)的强烈影响。这种专家规则可以应用于分类。而且，理论模型和/或经验模型、计算和/或数据也可以应用为用于分类的基础。
在实施方式中，该方法包括：对人工智能模块的输出进行验证；以及基于所验证的输出来确定行动规划。换言之，可以进一步评估AI分析的结果，以用于验证被限定的最终产品参数的集合是否实际上可以获得为与AI分析的输出充分对应的程度。如果是，则输出可以被接受而作为经验证的行动规划的基础。如果不是，则可以进一步修改人工智能模块的输出，以提高与被限定的最终产品参数的集合的符合性。例如，可以再次使用人工智能模块使输出成为进一步迭代的对象。通过该验证程序，可以进一步提高以下能力：行动规划满足被限定的最终产品参数的集合的要求。
在实施方式中，验证包括确定人工智能模块的输出(例如，建议的行动规划)是否满足至少一个预限定的合规标准或质量标准，并且如果不满足，则修改人工智能模块的输出(例如，修改建议的行动规划)，以用于满足至少一项预限定的合规标准或质量标准。因此，验证过程可以将一个或更多个合规标准或质量标准应用于所确定的AI输出，以用于评估：例如所确定的行动规划草案是否符合待制造的部件承载件的预定规格。例如，可以评估：所确定的行动规划是否与指示待制造的部件承载件的目标性能的被限定的最终产品参数的集合一致。如果鉴于至少一个合规标准或质量标准不被匹配或不被充分匹配而认为协议不足，则可以进一步修改所确定的行动规划。
在实施方式中，基于下述各者中的至少一者进行排序：回归显著性、关联性和过程知识。回归分析可以基于用于估计因变量(可以是最终产品参数)与一个或更多个自变量(可以是过程参数)之间的关系的统计过程的集合。关联性分析可以评估统计关联性。过程知识可以与部件承载件的历史制造相关的技术知识和/或经验有关。附加地或替代地，也可以使用其他数值分析工具来完善排名。
在实施方式中，由人工智能模块进行处理包括通过深度学习进行处理。深度学习可以特别表示基于带有表示学习的人工神经网络的机器学习方法。深度学习可以是被监督的、半监督的或无监督的。可以根据本发明的示例性实施方式实现的深度学习架构的示例是深度神经网络、深度信念网络、递归神经网络和卷积神经网络。在确定用于制造部件承载件的行动规划中实现的深度学习算法可以进一步提高所确定的行动规划的可靠性、性能和准确性。
在实施方式中，由人工智能模块进行处理包括使用神经网络进行处理。这种神经网络可以是计算系统，该计算系统能够通过考虑示例来学习执行任务，而通常无需使用任务特定的规则进行编程。神经网络可以基于称为人工神经元的连接节点的集合。所述神经元之间的每个连接可以将信号传输到其他神经元。接收信号的人工神经元随后对信号进行处理，并可以向与该人工神经元相连的神经元发出信号。在学习期间，可以连续调整连接的权重。通过输入排序和选定的过程参数，神经网络可以确定与由目标或最终产品参数限定的约束完全符合的行动规划。
在实施方式中，最终产品参数描述了所制造的部件承载件的物理性能。更具体地，最终产品参数限定了根据要被确定的行动规划制造的部件承载件应具有的目标参数。特别地，最终产品参数在制造方法期间可以是不可调节的。更具体地，在设计制造过程时不能自由地调节最终产品参数，但是最终产品参数与以下进行对比：使用直接可调节的过程参数来执行制造过程的结果。例如，最终产品参数包括收缩量(例如在固化期间部件承载件的电绝缘层结构的树脂的收缩量)、热膨胀系数(例如部件承载件的层压的层叠置件的平均CTE值)、阻抗和/或电阻和/或电容(例如，在部件承载件的操作期间承载信号的导电迹线)、部件承载件(特别是部件承载件的层压的层叠置件)的厚度、对准性(例如相邻层的导孔之间的层间对准性)以及盘共面性(即，叠置件的主表面上的盘或垫相对于水平取向的偏离)。
在实施方式中，过程参数描述用于制造部件承载件的制造过程的特性。更具体地，可以在制造方法期间直接调节过程参数。因此，过程参数可以是在执行制造方法时可以修改或自由选择的设计参数。例如，过程参数可以是迹线厚度和/或迹线宽度(例如，通过图案化铜箔形成的部件承载件的导电迹线的厚度和/或宽度)、绝缘体厚度(例如部件承载件的预浸料或FR4层的厚度)、垫直径(例如连接至导孔的圆形铜结构的直径)、导孔(via)(例如，填充有铜的以机械方式钻孔或激光钻孔的竖向贯通连接部)、温度和/或压力(例如，在部件承载件的层叠置件的层结构进行层压期间施加的温度和/或压力)、处理时间(例如镀覆时间)、蚀刻率(例如用于蚀刻层压的干膜的蚀刻率)和浓度(例如电流镀覆液中的铜浓度)。
在实施方式中，该方法包括舍弃较低排名的过程参数的另一子集，以用于由人工智能和/或行动规划确定进行的选择和/或处理。采取该措施可以导致待处理的数据量显著减少，从而可以减轻人工智能模块的计算负担。特别地，可以通过舍弃不太重要的数据(根据先前的排序)来执行该数据减少，使得不会由于该数据量的减少而发生重要信息丢失。
在实施方式中，在执行该方法期间获得的数据可以用于训练人工智能模块的神经网络。例如，所述数据可以作为训练数据存储在数据库中，并且可以用于训练人工智能模块。通过将来自先前的部件承载件制造规划方法的该数据引入到人工智能模块，可以持续改进人工智能模块(例如人工智能模块的神经网络)的性能。换言之，该方法的输出和设备的输出可以协同地用作用于人工智能模块的极有价值的训练数据。
在一种实施方式中，该方法包括由人工智能模块进行分析、优选地调节输入的所选定的过程参数的子集，使得人工智能模块的输出提供与制造方法有关的指令，以用于获得符合被限定的最终产品参数的集合的部件承载件。例如，神经网络可以配置或训练成用于确定适当的过程参数的集合，这些过程参数在用作制造部件承载件的制造过程的基础时导致部件承载件满足最终或目标产品参数的约束。换言之，由人工智能模块进行处理的目的可以是对排名最高的且优选地制造阶段特有的过程参数的集合进行确定，这些参数可以作为指令馈送输入至人工智能模块，从而获得具有期望性能的部件承载件。
在下文中，将描述半加工的或所制造的部件承载件的其他性能以及制造过程的其他方面：
在实施方式中，部件承载件包括具有至少一个电绝缘层结构和至少一个电传导层结构的叠置件。在本申请的上下文中，术语“层结构”可以特别地表示在公同平面内的连续层、图案化层或多个非连续岛。层结构可以是电绝缘的和/或电传导的。例如，部件承载件可以是所提及的电绝缘层结构和电传导层结构的层压件，特别地通过施加机械压力和/或热能而形成。所述叠置件可以提供板状的部件承载件，该板状的部件承载件能够提供用于另外的部件的大的安装表面，但是仍然非常薄且紧凑。
在实施方式中，部件承载件被成形为板。这有助于紧凑的设计，其中，部件承载件仍然为在将部件安装在部件承载件上提供了大的基础。此外，特别地，作为嵌入式电子部件的示例的裸露的晶片由于其较小的厚度而可以方便地嵌入到诸如印刷电路板之类的薄板中。板状的部件承载件还确保短的电连接路径，因此抑制了运输期间的信号失真。
在实施方式中，可以形成在面板的基部上的部件承载件被构造为印刷电路板、基板(特别是IC基板)和中介层中的一者。
在本申请的上下文中，术语“印刷电路板”(PCB)可以特别地表示通过例如借助于施加压力和/或通过供给热能将多个电传导层结构与多个电绝缘层结构层压而形成的板状部件承载件。作为用于PCB技术的优选材料，电传导层结构由铜制成，而电绝缘层结构可以包括树脂和/或玻璃纤维、所谓的预浸料或FR4材料。通过例如以激光钻孔或机械钻孔的方式形成穿过层压件的通孔，并且通过用电传导材料(特别是铜)填充该通孔从而形成作为通孔连接部的导孔，可以以期望的方式将各电传导层结构连接至彼此。除了可以嵌入在印刷电路板中的一个或更多个部件以外，印刷电路板通常被构造成用于在板状印刷电路板的一个表面或两个相反表面上容纳一个或更多个部件。所述一个或更多个部件可以通过焊接连接至相应的主表面。PCB的介电部分可以包括具有增强纤维(诸如玻璃纤维)的树脂。
在本申请的上下文中，术语“基板”可以特别地表示较小的部件承载件。基板相对于PCB而言可以是相对较小的部件承载件，一个或更多个部件可以安装在该部件承载件上，并且该部件承载件可以用作一个或更多个芯片与另一PCB之间的连接媒介。例如，基板可以具有与要被安装在基板上的部件(例如电子部件)大致相同的尺寸(例如在芯片级封装(CSP)的情况下)。更具体地，基板可以被理解为用于电连接件或电网络的承载件以及与印刷电路板(PCB)相当但具有相当高密度的横向和/或竖向布置的连接件的部件承载件。横向连接件例如是传导路径，而竖向连接件可以是例如钻孔。这些横向和/或竖向连接件布置在基板内，并且可以用于提供容置部件或未容置部件(诸如裸晶片)——特别是IC芯片——与印刷电路板或中间印刷电路板的电连接和/或机械连接。因此，术语“基板”还包括“IC基板”。基板的介电部分可以包括具有增强颗粒(诸如加强球体，特别地为玻璃球体)的树脂。
基板或中介层可以包括下述各者或由下述各者构成：至少一层玻璃、硅(Si)、可光成像或可干蚀刻的有机材料如环氧基积层材料(诸如环氧基积层材料膜)、或聚合物复合物如聚酰亚胺、聚苯并恶唑或苯并环丁烯官能化聚合物。
在实施方式中，上述至少一个电绝缘层结构包括下述各者中的至少一者：树脂(诸如增强树脂或非增强树脂，例如环氧树脂或双马来酰亚胺-三嗪树脂)、氰酸酯、聚亚苯基衍生物、玻璃(特别是玻璃纤维、多层玻璃、玻璃状材料)、预浸材料(诸如为FR-4或FR-5)、聚酰亚胺、聚酰胺、液晶聚合物(LCP)、环氧基积层膜、聚四氟乙烯(PTFE，特氟隆)、陶瓷以及金属氧化物。也可以使用例如由玻璃(多层玻璃)制成的增强结构，诸如网状物、纤维或球体。尽管预浸料特别是FR4对于刚性的PCB而言通常是优选的，但是也可以使用其他材料，特别是用于基板的环氧基积层膜。对于高频的应用，诸如聚四氟乙烯、液晶聚合物和/或氰酸酯树脂、低温共烧陶瓷(LTCC)或其他较低的、极低的或超低的DK材料的高频材料可以在部件承载件中被实现为电绝缘层结构。
在实施方式中，所述至少一个电传导层结构包括下述各者中的至少一者：铜、铝、镍、银、金、钯和钨。尽管铜通常是优选的，但是其他的材料或其涂覆的其他类型也是可以的，特别地电传导层结构被涂覆有诸如石墨烯之类的超导材料。
在实施方式中，部件承载件还可以包括安装在部件承载件材料上和/或嵌入在部件承载件材料、特别地叠置件中的电子部件。至少一个部件可以特别地选自下述各者：非导电嵌体(诸如陶瓷嵌体，优选地包括氮化铝或氧化铝)、导电嵌体(诸如金属嵌体，优选地包括铜或铝)、热传递单元(例如热管)、光引导元件(例如光波导或光导连接件)、光学元件(例如透镜)、电子部件或其组合。例如，部件可以是有源电子部件、无源电子部件、电子芯片、存储设备(例如DRAM或另一种数据存储器)、滤波器、集成电路、信号处理部件、功率管理部件、光电接口元件、发光二极管、光电耦合器、电压转换器(例如DC/DC转换器或AC/DC转换器)、密码部件、发射器和/或接收器、机电换能器、传感器、致动器、微机电系统(MEMS)、微处理器、电容器、电阻器、电感、电池、开关、相机、天线、逻辑芯片以及能量收集单元。然而，其他部件也可以嵌入部件承载件中。例如，磁性元件可以用作部件。这种磁性元件可以是永磁性元件(诸如铁磁性元件、反铁磁性元件、多铁性元件或亚铁磁性元件，例如铁氧体芯)或者可以是顺磁性元件。然而，该部件还可以是例如呈板中板构造的基板、中介层或另外的部件。该部件可以表面安装在部件承载件上和/或可以嵌入在部件承载件的内部。
在实施方式中，部件承载件是层压式部件承载件。在这样的实施方式中，部件承载件是通过施加压力和/或热而叠置并连接在一起的多层结构的组合件。
在对半加工的部件承载件的内部层结构进行处理之后，可以用一个或更多个另外的电绝缘层结构和/或电传导层结构对称地或不对称地覆盖(特别是通过层压)经处理的层结构的一个主表面或两个相反的主表面。换言之，可以持续堆积，直到获得期望的层数为止。
在电绝缘层结构和电传导层结构的叠置件的形成完成之后，可以对所获得的层结构或部件承载件进行表面处理。
特别地，在表面处理方面，可以将电绝缘的阻焊剂施用至层叠置件或部件承载件的一个主表面或两个相反的主表面。例如，可以在整个主表面上形成诸如阻焊剂并且随后对阻焊剂层进行图案化以暴露一个或更多个电传导表面部分，这些电传导表面部分将用于将部件承载件电耦接至电子外围。部件承载件的保持被阻焊剂覆盖的表面部分特别是包含铜的表面部分可以被有效地保护以免受氧化或腐蚀。
就表面处理而言，还可以选择性地将表面精加工部施加到部件承载件的暴露的电传导表面部分。这样的表面精加工部可以是在部件承载件的表面上的暴露的电传导层结构(诸如垫、电传导迹线等，特别是包括铜或由铜构成)上的电传导覆盖材料。如果不保护这样的暴露的电传导层结构，则暴露的电传导部件承载件材料(特别是铜)就可能会氧化，从而使部件承载件的可靠性较低。然后，可以将表面精加工部形成为例如表面安装部件与部件承载件之间的接合部。表面精加工部具有以下功能：保护暴露的电传导层结构(特别是铜电路)并且例如通过焊接来实现与一个或更多个部件的结合过程。用于表面精加工部的适当的材料的示例是有机可焊性防腐剂(OSP)、化学镍浸金(ENIG)、金(特别是硬金)、化学锡、镍金、镍钯、无电镀的镍浸钯浸金(ENIPIG)等。
根据下面将描述的实施方式的示例，本发明的以上限定的方面和其他方面变得明显，并且参照这些实施方式的示例对其进行说明。
附图说明
图1图示了根据本发明的示例性实施方式的用于确定制造部件承载件用的行动规划的设备。
图2示意性地图示了根据本发明的示例性实施方式的规划制造部件承载件的方法的一部分。
图3图示了根据本发明的示例性实施方式的规划制造部件承载件的方法的一部分。
图4图示了根据本发明的示例性实施方式的规划制造部件承载件的方法的一部分。
图5示意性地图示了根据本发明的示例性实施方式的用于规划制造部件承载件的设备的元件和方法。
图6图示了根据本发明的示例性实施方式的在执行规划制造部件承载件的方法期间的过程。
图7图示了根据本发明的示例性实施方式的由规划制造用于抑制基于收缩的伪像的部件承载件的系统进行的改变。
图8图示了根据本发明的示例性实施方式的在发生改变之后和发生改变之前制造的部件承载件的平面图和横截面图，该部件承载件减少了基于收缩的伪像。
图9图示了根据本发明的示例性实施方式的在发生改变之前和发生改变之后制造的部件承载件的基于收缩的伪像的改变。
图10图示了根据本发明的示例性实施方式的由规划制造用于抑制盘共面性伪像的部件承载件的系统进行的改变。
图11图示了根据本发明的示例性实施方式的在发生改变之后和发生改变之前制造的部件承载件平面图和横截面图，该部件承载件减少了盘共面性伪像。
图12图示了根据本发明的示例性实施方式的用于确定制造部件承载件用的行动规划的系统的示意性概要图。
具体实施方式
附图中的图示是示意性的。在不同的附图中，相似或相同的元件具有相同的附图标记。
在参照附图之前，将进一步详细描述示例性实施方式，将先概述发展本发明的示例性实施方式所基于的一些基本考虑。
在IC(集成电路)基板或PCB(印刷电路板)制造中，许多产品需要大约50天或更长时间，并且必须在出厂前通过大约300或更多个过程步骤。但是，某些仅在前端引起的集成问题可能在生产线末端检测到。一旦发生此类问题，可能会对流水线中的许多其他产品产生影响，并且可能很难找到根本原因。
在制造位于面板级上的部件承载件期间，面板将经历从面板级到四分之一级，然后再到单个单元级的过程。布局可以显示在四分之一面板级别或单个单元级上指示的标准，但是影响因素可能来自整个过程，因此这是一个艰巨的集成主题。诸如对层间对准具有影响的收缩、盘共面性、区域厚度变化、区域翘曲、阻抗、电阻、基板厚度等现象会在多个不同的过程中产生影响。
为了解决这些和其他问题，提供了一种根据本发明的示例性实施方式的主动制造规划系统，主动制造规划系统将人工智能(AI)模块(例如神经网络)与基板大数据相结合。在这种情况下，基板数据可以表示质量和工程相关参数标准中的一个或更多个特性参数。工程相关参数可以是例如位于部件承载件(例如IC基板)中的电绝缘层结构(例如由ABF制成)的几何形状参数(例如厚度)、电传导层结构的几何形状参数(例如铜迹线宽度、铜厚度等)。然而，该术语的含义可以扩展到例如Q时间、铜密度，基板导孔数目等工程参数。在实施方式中，可以针对过程输入和/或输出参数控制建立模拟模型，以避免或减少早期的偏移和偏差。这种实施方式可以自动且连续地学习数据/过程关系、可以执行自训练并且可以通过新的数据和经验来验证训练模型。提供的数据越多或随时间累积的数据越多，模型的准确性就越高。因此，可以提供基于AI的主动过程控制系统作为解决方案包，以用于各种跨功能过程的因素和高集成度技术问题。这种基于AI的解决方案可以克服由各种因素和跨功能过程引起的高集成度技术问题，以减少偏移和偏差。因此，可以将AI集成到PCB制造中，以提高学习和数据处理能力。为了高效，所述AI的应用可以在AI算法的初始训练(例如深度学习、递归神经网络等)中与大数据集一起使用。特别地，与神经网络集成的AI可以与大数据方法结合使用。因此，可以提供结果导向平台以在后续过程中引导主动补偿。具有“所见即所得”特性的这种深度学习和连续自学习模拟模型可以有效地用于简化复杂的技术，以易于执行。
图1图示了根据本发明的示例性实施方式的用于确定制造部件承载件100用的行动规划的设备120。
设备120包括接收单元122，接收单元122配置成用于接收被限定的最终产品参数Y的集合，所述被限定的最终产品参数Y的集合是待制造的部件承载件100的目标参数(或待预测的参数)，并且能够受到过程参数X的集合影响。也由接收单元122接收的被限定的过程参数X的集合在制造部件承载件100期间是直接可影响的或可设置的或可调节的。因此，过程参数X的集合也可以输入至接收单元122。最终产品参数Y描述容易制造的部件承载件100的物理性能。因此，最终产品参数Y在制造方法期间是不可调节的，而是制造方法的结果。与最终产品参数Y相比较而言，过程参数X在制造方法期间能够被直接调节作为可自由选择的设计参数。用于过程参数X的示例是用于形成层叠置件的组成部分的性能(比如迹线宽度、绝缘体厚度、盘直径、导孔(via)直径)、层压期间的温度和/或压力、镀覆期间的处理时间、图案化期间的蚀刻率、例如用于镀覆期间的化学制剂的浓度等。用于最终产品参数Y的示例包括层叠置件的树脂的收缩性能或特性、叠置件的平均热膨胀系数(CTE)、所产生的导电迹线的阻抗和/或电阻、盘共面性(即获得的翘曲水平)等。
在一个实际示例中，应实现的是盘共面性方面的某种性能。部件承载件100的盘共面性可以与以下目标相关：部件承载件100的主表面上的多个盘或垫均应位于共同的平面上。考虑到翘曲和其他伪像，实际上，部件承载件100的主表面上的不同盘或垫可能实际上位于目标平面之外。通常，可能期望盘共面性足够小，例如低于预定阈值。因此，盘共面性的某个水平可以是由使用所设计的制造方法制造的部件承载件100将要实现的目标或最终产品参数Y。为了影响并最终调节盘共面性，适合的可调节的过程参数X可以是部件承载件100的层叠置件的导电迹线(比如，图案化的铜箔)的宽度和厚度以及电绝缘层结构(特别是预浸料片、ABF片等)的厚度。通过在制造方法中设置、调节、修改或应用这些和/或其他过程参数X，可以在相应的容易制造的部件承载件100中获得所提及的和/或其他最终产品参数Y。该方法的目标是：确定这样的过程参数X的集合，以用于进行制造方法，从而形成具有产品参数Y的部件承载件。
在分类单元142中，被限定的过程参数X的集合分成多个类别104，其中，每个类别104可以对应于制造方法的被分配的制造阶段。例如，一个类别104可以包括过程参数X的与激光钻孔过程特别相关的子集，另一类别104可以包括过程参数X的与层压过程特别相关的另一子集，而再一类别104可以包括过程参数X的与镀覆过程特别相关的另外的子集。例如，可以基于专业知识(例如，使用专家规则和/或来自数据库的经验数据)和/或通过应用理论和/或经验模型来进行分类。
然后可以将经分类的过程参数X供给至排序单元124，该排序单元124配置成用于就该过程参数X对最终产品参数Y的影响对经分类的过程参数X进行排序。所述排序例如可以通过应用数值模式比如回归显著性(regression significant)、关联性(correlation)和/或过程知识来实施。通过进行该排序，例如独立地针对每个分类104，过程参数X可以根据过程参数X与最终产品参数Y的相关性和过程参数X对最终产品参数Y的影响而被排序。
选择单元126然后可以接收作为输入的被排序的过程参数X，并且可以从过程参数选择排名较高的过程参数X的子集。所选定的过程参数X的子集示意性地用附图标记146表示。其余的排名较低的过程参数X则可以不考虑进一步分析。用附图标记144示意性地指示过程参数X的被忽视或舍弃的子集。例如，可以仅选择预限定数目或预限定百分比的最相关的过程参数X作为后续人工智能模块102的输入。通过采取该措施，可以显著地减少待处理的数据的量，而不会丢失重要信息。有利地，这减少了计算负担。同时，通过选择性地忽视较少相关的数据，可以提高后续人工智能分析的输出的准确性和相关性。
如已经提到的，然后人工智能模块102可以被供给所选定的过程参数X的子集以及最终产品参数Y。人工智能模块102可以配置成用于：在例如任务是找到所选定的过程参数X的子集的下述适当值的情况下使用人工智能来处理所选定的过程参数X的子集以及被限定的最终产品参数Y的集合：该值在用于制造部件承载件100的制造过程时致使部件承载件100满足最终产品参数Y的要求。有利地，人工智能模块102可以应用深度学习。更具体地说，人工智能模块102可以包括用于处理所提及的数据集合的神经网络。为了不断提高神经网络的性能，可以通过训练数据150来训练神经网络。
人工智能模块102的输出则可以输入到可选但有利的验证单元148中，人工智能模块102的输出可以是对用于制造部件承载件100的行动规划152的建议。在验证单元148中，人工智能模块102的输出可以被验证或评估。更具体地，所述验证可以包括确定行动规划草案152是否满足至少一个预限定的合规标准或质量标准，如果行动规划草案152不满足至少一个预限定的合规标准或质量标准，则修改行动规划草案152以满足至少一个预限定的合规标准或质量标准。例如，可以在验证单元148中进行模拟，在模拟期间，在满足符合最终产品参数Y的目标方面，可以对过程参数X进一步修改，并且可以分析对虚拟地制造的部件承载件的影响(与模拟相对应)。可以接受对过程参数X的修改，这种对过程参数X的修改提高了与最终产品参数Y的符合性，然而可以拒绝对过程参数X的修改，这种对过程参数X的修改劣化了与最终产品参数Y的符合性。
基于验证单元148的验证输出，确定单元128然后可以确定用于制造方法的最终的行动规划152。行动规划152可以包括一系列的过程以及用于制造部件承载件100的方法的参数值(特别是过程参数X)的集合，以实现使容易制造的部件承载件100与被限定的最终产品参数Y的集合相符合。换言之，行动规划152指示如何执行制造方法以实现与被限定的最终产品参数Y的集合相符合。
有利地，在执行该方法期间获得的数据(例如，通过AI处理、在验证期间等获得的数据)可以存储在数据库106中并且可以用于训练人工智能模块102，从而进一步改善人工智能模块102。另外地或替代性地，这种数据也可以用于进一步改善验证单元148的操作(例如，在基于已知的良好组合或某种AI处理来进行验证的情况下)。
同样如图1所示，设备120包括制造装置140，该制造装置140配置成用于基于所确定的行动规划150来制造部件承载件100。结果，可以获得满足最终产品参数Y的要求的部件承载件100。
在图1中，用附图标记130表示的元件可以实施为一个或更多个处理器(比如微处理器或中央处理单元、CPU)或处理器的一部分。
图2图示了根据本发明的示例性实施方式的规划制造部件承载件100的方法的一部分。
根据图2的方案图示了可以在制造过程期间被调节的各种过程参数X。过程参数X可以进一步分成与产品相关的过程参数XA以及过程状态参数XB，与产品相关的过程参数XA表示待制造的部件承载件100所选定的物理参数值，过程状态参数XB表示在制造过程期间的过程状态。与产品相关的过程参数XA的示例为迹线厚度、迹线宽度、绝缘体厚度、垫和/或导孔的直径、芯/积层收缩量等。过程状态参数XB的示例为温度和/或压力(例如在层压期间)、处理时间(例如在镀覆期间)、蚀刻率(例如在图案化期间)、化学浓度(例如在镀覆期间使用的镀液)等。从描述性上讲，过程参数X指示实际上存在哪些因素并且哪些因素可以被主动地限定为用于制造过程。与此相反，最终产品参数Y描述了制造过程的目标结果，特别是在缺陷或公差方面的目标结果。最终产品参数Y的示例是收缩性能、厚度变化、翘曲、阻抗、电阻、总厚度、层间对准、盘共面性等。
过程参数X、特别是过程状态参数XB可以在限定的项目目标(比较附图标记156)的情况下输入到人工智能模块102中。人工智能模块102可以工作以至少在例如预限定的可接受范围内寻找可以获得最终产品参数Y的制造过程。人工智能模块102可以应用人工智能的元件，比如一个或更多个神经网络154、回归分析158、模糊逻辑160等。人工智能应用的结果可以导致过程补偿162，例如对过程参数X的至少一部分的修改、特别是对与产品相关的过程参数XA的修改。
传统上，制造缺陷或偏移促使工程师调查每个单独的过程以进行关联或通用性查找、进行故障分析并采取遏制措施。但是，在部件承载件制造期间的许多整体问题方面，有时只能在生产线的末端才能发现这些问题，这种传统响应可能会影响流水线中的数百个批次，并给生产量、产率和质量带来高风险。
为了克服这种常规缺点，本发明的图示的示例性实施方式将AI(特别地实现为神经网络154)与过程知识相结合，以通过深度学习和自学习基板大数据来建立模拟模型，并建立用于部件承载件制造的基于AI的主动过程控制系统，以确保参数在最佳范围内，从而可预测地确保产品质量并防止偏移。
再次参照图2，已知数字可以是人工智能模块102的输入参数和输出参数。有利的方面是，如果输入与输出之间的关联或关系是清楚的，并且如果使用大数据和AI方法，则可以控制输入以驱动适当的输出，并使用预测结果(呈最终产品参数Y的形式)来帮助设置或调节可影响因素(呈过程参数X的形式)。因此，可以建立动态且稳定的过程控制。换言之，可以通过人工智能来模拟过程输入与输出之间的关系。在这种情况下可以应用的一个概念是，当预测制造过程的最终结果时，如果结果令人满意，则可以接受。与此相反，如果结果不令人满意或不够令人满意，则可以进行修改。制造部件承载件100的这种基于人工智能的系统可以是高效的、用户友好的并且易于小型化的。
图3图示了根据本发明的示例性实施方式的规划制造部件承载件100的方法的一部分。
在图3中，神经网络154被示出为用于人工智能模块102的示例，神经网络154例如被配置成用于提供深度学习和自学习功能。所示的神经网络154具有输入层164、隐藏层166和输出层168。还可能的是，在输入层164与输出层168之间设置有多个隐藏层166。设置一个或优选地更多个隐藏层166增加了神经网络154所涉及的智能水平。可以将层164、166、168的各个神经元165的输入值以加权方式输入到神经网络154的计算方案中。例如，与较低排名的过程参数X相比，较高排名的过程参数X(根据由排序单元124进行的排序)可以被分配较高的权重。每个神经元165可以被编程为基于其输入值并且基于偏差值来计算输出值。所示的神经网络154是前馈神经网络，其中，在其他实施方式中也可以使用其他类型的神经网络(比如反馈神经网络)。在确定用于制造部件承载件100的行动规划152方面，神经网络154可以完成的任务是分类、回归、聚集和/或减少待处理的数据量。
所示的神经网络154可以是前馈神经网络。网络从输入层164开始。每个神经元165将接收前一层的信息，同时将信息转换到下一层。这可以结束于预测主题(Y)。然而，基于IC基板的示例或任何其他实施方式也可以使用属于一种反馈动力学系统的反馈神经网络。在反馈神经网络中，每个神经元同时将其输出信号作为输入信号反馈返回至其他神经元。因此，可能需要一段时间才能稳定以达到所需的预测目标。
如所示的，人工智能模块102所预测的具有良好质量的某个部件承载件170可以被释放(参见附图标记172)。与此相反，可以将人工智能模块102所预测的具有不良质量的特定的部件承载件174可以归类为废弃物(参见附图标记176)，并将其与其整个被分配的批次一起保留(参见附图标记178)，或者可以作为因素补偿的对象(参见附图标记180)，并且在成功进行补偿和验证后可以接受(参见附图标记182)。在补偿和验证方面，可以实现反馈回路184，该反馈回路184将获得的参数集合重新引入到人工智能模块102中，以在后续迭代中进一步改进。
如图3中的虚线所示，然后可以补偿(参见附图标记180)或舍弃(参见附图标记176)根据附图标记178的处于保留的批次178。
因此，为了应用根据本发明的示例性实施方式的基于AI的主动过程控制系统，在训练模型被固定的情况下，预测的Y结果可以指导在制造过程中使用的建议X。另一方面，如果预测的Y结果由于X因素偏移而偏离于目标，则操作员(例如工程师)可以根据由基于AI的主动过程控制系统提供的补偿建议对下游过程参数做出响应。同时，触发的产品可能会被保留直到采取措施为止。这可以被表示为动态的预测-调节功能环路。
图4图示了根据本发明的示例性实施方式的规划制造部件承载件100的方法的一部分。
如可以从附图标记186得出的，可以基于一组过程参数X来设计初始制造规划，一组过程参数X在所示示例中为X1、X2、X3、X4和X5。
如可以从附图标记188得出的，用于检测人工智能模块102的判定可以指示过程参数X2失控、不合规格或存在另一种问题。
如可以从附图标记190得出的，人工智能模块102可以针对过程参数X2的偏差计算出建议的虚拟补偿。在所示的示例中，过程参数X3、X4可以适于虚拟地补偿过程参数X2的偏差。
如可以从附图标记192得出的，然后可以在实际过程中对所制定的行动规划或制造过程进行后补偿。
通过采取该措施，则可以符合呈最终产品参数形式的最终目标。
图4图示了根据本发明的示例性实施方式的基于AI的主动过程控制系统如何进行工作。所示的实施方式将AI-神经网络方法与过程知识相结合，以通过深度学习和自学习基板大数据来建立仿真模型，从而建立所图示的基于AI的主动过程控制系统。系统的一部分可以对过程输入和输出关系进行建模，并为输入参数控制提供指导。系统的另一部分可以基于完成的步骤来预测产品结果，并且工程师可以基于由系统提供的补偿建议而对下游的过程参数做出响应。同时，触发的产品可能会被保留直到操作完成为止。
图5示意性地图示了根据本发明的示例性实施方式的用于规划制造部件承载件100的设备120和方法。
参照图5的左侧，该方法开始于限定最终产品参数Y的集合，所述最终产品参数Y的集合被预测以用于待制造的部件承载件100。最终产品参数Y限定了PCB制造过程的目标输出参数，即，最终产品参数Y是部件承载件的要被预测或间接控制的性能参数。最终产品参数Y受到过程参数X的集合影响，过程参数X的集合在制造方法期间是可直接影响的。特别地，输出参数由设备120的接收单元122考虑工厂需求来限定。
在分类单元142中，过程参数X被分成不同的类别104，每个类别104与在部件承载件100的制造期间的分配过程有关。例如，基于模型或专业知识，可以确定过程参数X中的哪一个过程参数被分配给相应的制造过程或阶段。这种分类可能涉及过程知识，这种分类可以表示为对输入因素的过滤，参见过滤单元194。
随后，在排序单元124中就过程参数X对最终产品参数Y的影响方面对经分类的过程参数X进行排序。该输入排序也可以使用过程知识，可以涉及数学回归分析196、关联分析198以及过程知识200，在关联分析中，评估以下情况：过程参数X中的哪些参数与最终产品参数Y密切相关以及/或者过程参数X中的哪些参数对最终产品参数Y具有较大影响。从描述上讲，可以评估：哪个过程影响哪个参数到哪种程度。该过程可以与初始分类因素的关联水平单元202有关。
对每个因素的关联水平进行自动排序可以涉及逐步回归显著性方法(stepwiseregression significant method)。逐步回归可以表示为用于选择回归模型的效果子集的方法。这在参数选择中是有用的。特别地，使用最小校正的赤池信息准则(AICc)来选择最佳模型可能是有利的。也可以使用最小贝叶斯信息准则(BIC)来选择最佳模型。通常，与AICc相比，BIC对具有更多参数的模型的不利影响要多。出于这种原因，与AICc相比，BIC导致选择更多的简约模型，即具有较少参数的模型。
在选择单元126中，可以选择排名较高的过程参数X的子集。换言之，可以通过仅选择过程参数X的一部分来减少数据量以用于进一步分析并作为用于神经网络154的训练数据204，同时丢弃较少相关的过程参数X(参见附图标记206)。这可以显著减少待处理的数据量，并因此可以减少计算负担，同时可靠地避免由于先前的排序而丢失有意义的数据。通过排序和选择，可以显著减少参数的数目(例如，从52个减少到12个)。
此后，在此处实施为神经网络154的人工智能模块102参与到另外的数据处理中。为此目的，所选定的过程参数X的子集被输入以用于由人工智能模块102进行处理。根据先前的排序和选择，可以使用最相关的过程参数X对训练模型(参见附图标记208)进行训练，由此触发神经网络154的自动学习过程。可以在质量分析单元210中进行质量分析。通过应用质量标准(例如，要求R2>0.7)，可以确定数据是否被返送以用于重复训练(参见附图标记212)、数据是否被丢弃(参见附图标记206)或是否进入最终建模214。所述过程在建模216和对模型218进行训练方面来实施。R2(也可以表示为确定系数)是因变量中可以用自变量解释的方差的比。因此，为了基于关系的R2值来解释关系的强度，R2>0.7可以被认为是强有力的效果量。
最终建模214可以包括最终核实或验证分析(参见附图标记220)，即评估关于人工智能模块102的输出是否可以被接受为正确的(或足够可靠)。在核实或验证期间，可以检查：已确定的模型是否合适。如果不合适，则参数可以被更改和/或变址。如果参数合适，则可以基于人工智能模块102的接收到的输出来建立行动规划152。
如果验证成功，确定单元128基于人工智能模块102的输出将行动规划152确定为将要被实际执行的制造方法的规划。换言之，行动规划152指示将来应如何进行部件承载件100的制造，即如何调节过程参数X以使最终过程参数Y稳定。
如可以从图5得出的，在执行整个过程期间可以区分出三个阶段222、224、226：
第1阶段(参见附图标记222)：使用显著回归方法筛选及过滤所有因素，并找出最重要且最关键的因素。阶段1可以使用逐步回归方法作为进行因素筛选和过滤出重要因素的方法(根据框122、194和202的步骤)。
第2阶段(参见附图标记224)：使用大数据和神经网络154来训练模型。阶段2开始使用神经网络154来训练最终模型(根据框216和218的步骤)。
阶段3(参见附图标记226)：使用更多数据来验证模型和/或更准确地提供模型。阶段3对模型进行验证(根据框220的步骤)。
图6图示了在执行根据本发明的示例性实施方式的规划制造部件承载器100的方法期间的过程。
更具体地，图6图示了在模型训练(参见附图标记230)和验证(参见附图标记232)期间获得的数据。在所示的曲线图中，将实际的厚度变化数据234与预测的厚度变化数据236进行比较。因此，图6图示了用于模型建立的自学习和深度学习大数据。在所示示例中，训练集合使用来自237个批次的数据来监控最终产品参数Y。在所示示例中，验证集合使用来自46个批次的数据来验证模型。考虑的数据越多，模型的准确性就越好。对于训练样本，偏差率为1.37％(其中厚度变化偏差可以为约0.17)。最大偏差率为6.50％(其中厚度变化偏差可以为约0.80)。为了验证，偏差率为2.08％(其中厚度变化偏差可以为约0.25)。最大偏差率为7.30％(其中厚度变化偏差可以为约0.90)。
在涉及神经网络的方法阶段中，所有可疑的过程参数X都可以输入到该模型中。通过神经网络计算，可以执行使用当前输入因素的深度学习，并且可以对模型进行连续验证。因此，可以获得良好的准确性。同时，也可以使用新数据来再训练模型，以进一步提高调节的准确性。也可以将该解决方案相应地应用于整个基板过程，以建立这种基于AI的基板的主动过程控制系统。
图7图示了根据本发明的示例性实施方式的由规划制造部件承载件100的系统发生的改变，该系统用于抑制基于收缩的伪像。图8图示了根据本发明的示例性实施方式的在发生改变之前和发生改变之后制造的部件承载件100的平面图和横截面图，其中，该部件承载件减少了基于收缩的伪像。图9图示了根据本发明的示例性实施方式的在发生改变之前和发生改变之后制造的部件承载件100的基于收缩的伪像的改变。可能在固化期间在包含树脂的电绝缘层结构中发生收缩、例如在待制造的部件承载件的预浸料片中发生收缩。
图7图示了图示250，在该图示250中将测量的收缩值252与预测的收缩值254进行比较。在区域256中，预测的收缩值是临界的或失控的。图8在左侧图示了面板258的平面图，该面板258包括多个部件承载件100在单个化之前的矩阵状的布置结构。还图示了多个对准销260。图8的右侧图示了面板258的对准标记260中的一个对准标记周围的区域的俯视图261和横截面图263。在左侧用附图标记262示出的具有良好的收缩控制并且所有层对准的情况下，收缩差异足够小并且层间对准是适当的。相应地，不同电绝缘层结构266中的电传导层结构264(例如填充有铜的激光导孔、凸块等)在不同层之间适当地对准。在右侧用附图标记264所示的具有不好的收缩控制且层未对准的另一种情况下，各个电传导层结构266的收缩差较大，这导致各个电传导层结构264的不良的层间对准。
在没有补偿的情况下并且参照图9的左侧，在使用参见附图标记268的预限定的固定装置时，在根据附图标记264的情况下会出现废料266。在采取行动之后并且此时参照图9的右侧，固定装置用附图标记270以如所示的方式进行改变，相应地，不再存在废料266的风险。
因此，当系统预测最终收缩在部件承载件100的制造过程的早期阶段不受控制时，以及当不存在根据附图标记270的匹配的固定装置时，这将导致大量废料(参见附图标记266)。然后，系统可以在影响步骤之前保持相应的批次，并通知影响步骤来准备根据附图标记270的匹配的固定装置，以覆盖可能的废料266和前期准备时间损失。在系统实现后，有足够的时间来准备固定装置。通过实现匹配的固定装置270，将显著地提高产率和投产准备时间。根据图8的左侧，基板或面板258在水平方向和竖向方向上的收缩量、材料的尺寸和/或大小受到原材料和过程的影响，并且可能进一步显著影响层间对准。收缩量是每种树脂材料的特性，会受到多个过程和参数的影响。收缩量是可以被稳定化的敏感参数。在制造部件承载件100的复杂而漫长的过程中，可能存在会导致收缩的成千上万的因素和交叉因素，因此收缩也可能影响下游过程。
在下文中，将描述如何通过根据本发明的实施方式的基于AI的主动过程控制系统来执行收缩管理。根据来自基于AI的主动过程控制系统的建议，工程师可以了解需要多少补偿，以及需要采取哪些步骤。一旦预测到最终的收缩失控(参见图7中的附图标记256)，系统就可以自动保留该批次，从而等待风险评估，以决定如何补偿或如何处置该批次。这种应用于收缩的解决方案不仅可以预测收缩性能，而且还可以在很早的阶段指导过程以消除缺陷损失并减少过程偏差。
参照图9，在系统检测到最终收缩失控之后，系统可以通知影响步骤(impactstep)来准备正确的固定装置以覆盖可能的废料，并且可以避免时间损失。
图10图示了根据本发明的示例性实施方式的由规划制造用于抑制盘共面性伪像的部件承载件100的系统发生的改变。图11图示了根据本发明的示例性实施方式的在发生改变之前和发生改变之后制造的减少了盘共面性伪像的部件承载件100的平面图和横截面图。
图10示出了用于所制造的不同产品(例如，部件承载件100的预成型件)的共面性276。初始拒绝极限274高于改变后的拒绝极限272。所有分别高于相应拒绝极限272或274的产品将被拒绝或被分类为废物。
图11再次在左侧示出了如参照图8所述的面板258，而在右侧示出了位于相应的基座278上的部件承载件100的横截面图263。在每个部件承载件100的底部上形成有附接盘或附接垫280。通常，期望所有的垫280都是共面的。在图11的上图示中就是这种情况，但是在图11的下图中由于翘曲而没有共面。
在所示的关于盘共面性的示例中(即，部件承载件100就水平翘曲而言的盘共面性)，每个垫280都应附接在基座278上的平面底部处。盘共面性是用于部件组装过程、即用于将部件安装在部件承载件100上的关键参数。系统检测到一些关键因素失控，并且预测结果根据图11显示：最终的盘共面性会在下方的部件承载件100中失控。在这种情况下，系统将提供补偿建议，以使最终结果返回到基本线。可以通过主动控制和模拟来完成该任务，以在早期阶段解决偏移。
因此，图11图示了盘共面性。简而言之，盘共面性是单位水平翘曲的指标。面板258在部件承载件100的制造期间经历了超过100个步骤，从面板等级处理到四分之一面板处理、然后切割成单元水平。盘共面性与多个过程和因素有关，甚至与过程环境有关。盘共面性是基板质量的复杂指标。常规地，由于偏移响应较为缓慢，因此要找出真正的决定因素并不容易。
然而，通过根据本发明的示例性实施方式的基于AI的主动过程控制系统，可以建立用于输入/输出参数的仿真模型并进行仿真。这可以很好地预测准确性。盘共面性是对于废料的可能风险。历史数据和经验可以连续地支持自我深度学习和验证的模型。
图12图示了根据本发明的示例性实施方式的用于确定制造部件承载件100用的行动规划152的系统的示意性概要图。
在这种系统中，由实现人工智能的设备120将复杂输入300(在所示示例中具有52个输入参数)转换成较简单的输出302(在所示示例中具有12个输出参数)。在这种情况下，可以在设备120中实施以下过程：
在第一过程阶段，可以选择所有可能因素。
在第二过程阶段，可以输入参数(例如最大参数)。
在第三过程阶段，可以进行回归。
因此，第二阶段和第三阶段可以包括对每个因素的关联水平进行自动排序。
在第四过程阶段，系统可以验证每个因素的关联水平并过滤出重要因素。可以确定参数是保留还是拒绝。
应当注意的是，术语“包括”不排除其他元件或步骤，并且“一”或“一种”不排除多个。而且，与不同实施方式相关联描述的元件可以被组合。
还应注意的是，权利要求中的附图标记不应解释为限制权利要求的范围。
本发明的实现形式不限于附图中所示和上面描述的优选实施方式。相反，即使在根本不同的实施方式中，也可以使用示出的解决方案和根据本发明的原理的多种变型。

Claims (24)

1.一种规划制造部件承载件(100)的方法，其中，所述方法包括：
将最终产品参数(Y)的集合限定为用于待制造的部件承载件(100)的目标，其中，所述产品参数(Y)能够受到在制造方法期间能够设置的过程参数(X)的集合的影响；
就所述过程参数(X)对所述最终产品参数(Y)的影响，对所述过程参数(X)进行排序，
选择排名较高的过程参数(X)的子集；
输入所选定的过程参数(X)的子集以用于由人工智能模块(102)进行处理；以及
基于所述人工智能模块(102)的输出来确定用于所述制造方法的行动规划(152)。
2.根据权利要求1所述的方法，其中，所述方法包括将所述过程参数(X)分成多个类别(104)，每个类别(104)与所述制造方法的被分配的制造阶段有关。
3.根据权利要求2所述的方法，其中，所述方法包括基于被分类的过程参数(X)进行排序。
4.根据权利要求2或3所述的方法，其中，所述方法包括基于下述各者中的至少一者进行分类：专业知识、建模、经验数据和理论计算。
5.根据权利要求1至4中的任一项所述的方法，其中，所述方法包括：对所述人工智能模块(102)的输出进行验证，以及基于所验证的输出来确定所述行动规划(152)。
6.根据权利要求5所述的方法，其中，进行验证包括确定所述人工智能模块(102)的输出是否满足至少一个预限定的合规标准，如果所述人工智能模块(102)的输出不满足所述至少一个预限定的合规标准，则修改所述人工智能模块(102)的所述输出以满足所述至少一个预限定的合规标准。
7.根据权利要求1至6中的任一项所述的方法，其中，所述方法包括基于下述各者中的至少一者进行排序：回归、关联性和过程知识。
8.根据权利要求1至7中的任一项所述的方法，其中，由所述人工智能模块(102)进行处理包括通过深度学习进行处理。
9.根据权利要求1至8中的任一项所述的方法，其中，由所述人工智能模块(102)进行处理包括使用神经网络(154)进行处理。
10.根据权利要求1至9中的任一项所述的方法，其中，所述最终产品参数(Y)描述了所制造的部件承载件(100)的物理性能。
11.根据权利要求1至10中的任一项所述的方法，其中，在所述制造方法期间不能直接调节所述最终产品参数(Y)。
12.根据权利要求1至11中的任一项所述的方法，其中，在所述制造方法期间能够直接调节所述过程参数(X)。
13.根据权利要求1至12中的任一项所述的方法，其中，所述方法包括舍弃排名较低的过程参数(X)的另一子集。
14.根据权利要求1至13中的任一项所述的方法，其中，所述方法包括将在执行所述方法期间获得的数据存储在数据库(106)中，以用于训练所述人工智能模块(102)。
15.根据权利要求1至14中的任一项所述的方法，其中，所述过程参数(X)包括下述各者中的至少一者：迹线厚度、迹线宽度、绝缘体厚度、垫直径、导孔直径、温度、压力、处理时间、蚀刻率和浓度。
16.根据权利要求1至15中的任一项所述的方法，其中，所述最终产品参数(Y)包括下述各者中的至少一者：收缩量、热膨胀系数、阻抗、电阻、部件承载件(100)的厚度、对准性和盘共面性。
17.根据权利要求1至16中的任一项所述的方法，其中，所述行动规划(152)指示如何执行所述制造方法以实现与被限定的所述最终产品参数(Y)的集合相符合。
18.根据权利要求1至17中的任一项所述的方法，其中，所述方法包括：由所述人工智能模块(102)对输入的所选定的过程参数(X)的子集进行分析，使得所述人工智能模块(102)的所述输出提供与用于获得与被限定的所述最终产品参数(Y)的集合相符合的部件承载件(100)的制造方法有关的指令，特别地，由所述人工智能模块(102)对输入的所选定的过程参数(X)的子集进行调节，使得所述人工智能模块(102)的所述输出提供与用于获得与被限定的所述最终产品参数(Y)的集合相符合的部件承载件(100)的制造方法有关的指令。
19.根据权利要求1至18中的任一项所述的方法，其中，所述方法包括基于所确定的行动规划(152)来制造所述部件承载件(100)。
20.一种用于确定制造部件承载件(100)用的行动规划(152)的设备(120)，其中，所述设备(120)包括：
接收单元(122)，所述接收单元(122)配置成用于接收被限定的最终产品参数(Y)的集合以作为待制造的部件承载件(100)的目标，以及用于接收过程参数(X)的集合，其中，所述产品参数(Y)能够受到在制造方法期间能够设置的所述过程参数(X)的集合的影响；
排序单元(124)，所述排序单元(124)配置成用于就所述过程参数(X)对所述最终产品参数(Y)的影响而对所述过程参数(X)进行排序；
选择单元(126)，所述选择单元(126)配置成用于选择排名较高的过程参数(X)的子集；
人工智能模块(102)，所述人工智能模块(102)配置成用于使用人工智能来处理所选定的过程参数(X)的子集；以及
确定单元(128)，所述确定单元(128)配置成用于基于所述人工智能处理(102)的输出来确定用于所述制造方法的行动规划(152)。
21.根据权利要求20所述的设备(120)，其中，所述设备(120)包括制造装置(140)，所述制造装置(140)配置成用于基于所确定的行动规划(152)来制造所述部件承载件(100)。
22.根据权利要求20或21所述的设备(120)，其中，所述设备(120)构造成实施和/或控制根据权利要求1至19中的任一项所述的方法。
23.一种计算机可读介质，在所述计算机可读介质中存储有规划制造部件承载件(100)的计算机程序，所述计算机程序适于在由一个或多个处理器(130)执行时实施和/或控制根据权利要求1至19中的任一项所述的方法。
24.一种规划制造部件承载件(100)的程序元件，所述程序元件适于在由一个或多个处理器(130)执行时实施和/或控制根据权利要求1至19中的任一项所述的方法。
CN202010790022.8A 2020-08-07 2020-08-07 基于人工智能确定用于制造部件承载件的行动规划 Pending CN114065687A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010790022.8A CN114065687A (zh) 2020-08-07 2020-08-07 基于人工智能确定用于制造部件承载件的行动规划
EP21187752.7A EP3951526A1 (en) 2020-08-07 2021-07-26 Ai-based determination of action plan for manufacturing component carriers
US17/443,927 US12117810B2 (en) 2020-08-07 2021-07-28 AI-based determination of action plan for manufacturing component carriers

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010790022.8A CN114065687A (zh) 2020-08-07 2020-08-07 基于人工智能确定用于制造部件承载件的行动规划

Publications (1)

Publication Number Publication Date
CN114065687A true CN114065687A (zh) 2022-02-18

Family

ID=77398373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010790022.8A Pending CN114065687A (zh) 2020-08-07 2020-08-07 基于人工智能确定用于制造部件承载件的行动规划

Country Status (3)

Country Link
US (1) US12117810B2 (zh)
EP (1) EP3951526A1 (zh)
CN (1) CN114065687A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI817570B (zh) * 2022-05-03 2023-10-01 南亞科技股份有限公司 沈積機台的控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5646870A (en) * 1995-02-13 1997-07-08 Advanced Micro Devices, Inc. Method for setting and adjusting process parameters to maintain acceptable critical dimensions across each die of mass-produced semiconductor wafers
US20070100487A1 (en) * 2005-10-31 2007-05-03 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for virtual metrology in semiconductor manufacturing
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
CN110192153A (zh) * 2017-01-23 2019-08-30 Asml荷兰有限公司 产生用于控制或监控生产过程的所预测的数据
EP3650939A1 (en) * 2018-11-07 2020-05-13 ASML Netherlands B.V. Predicting a value of a semiconductor manufacturing process parameter

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5439160A (en) 1993-03-31 1995-08-08 Siemens Corporate Research, Inc. Method and apparatus for obtaining reflow oven settings for soldering a PCB
US7009704B1 (en) * 2000-10-26 2006-03-07 Kla-Tencor Technologies Corporation Overlay error detection
US7123978B2 (en) * 2000-12-27 2006-10-17 Insyst Ltd. Method for dynamically targeting a batch process
US6614540B1 (en) * 2001-06-28 2003-09-02 Advanced Micro Devices, Inc. Method and apparatus for determining feature characteristics using scatterometry
US10769320B2 (en) * 2012-12-18 2020-09-08 Kla-Tencor Corporation Integrated use of model-based metrology and a process model
NL2013417A (en) * 2013-10-02 2015-04-07 Asml Netherlands Bv Methods & apparatus for obtaining diagnostic information relating to an industrial process.
KR101924487B1 (ko) * 2013-12-17 2018-12-03 에이에스엠엘 네델란즈 비.브이. 수율 추산 및 제어
US11068778B2 (en) 2016-05-11 2021-07-20 Dell Products L.P. System and method for optimizing the design of circuit traces in a printed circuit board for high speed communications
US20180113974A1 (en) 2016-10-21 2018-04-26 International Business Machines Corporation Neural Network Based Prediction of PCB Glass Weave Induced Skew
KR101777547B1 (ko) 2017-06-02 2017-09-11 손명훈 반도체 pcb 검사장비 및 검사방법
EP3891559A1 (en) * 2018-12-07 2021-10-13 ASML Netherlands B.V. Method for determining root cause affecting yield in a semiconductor manufacturing process
CN109831881B (zh) 2019-04-04 2020-07-28 广东生益科技股份有限公司 粘结片单重的在线控制方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5646870A (en) * 1995-02-13 1997-07-08 Advanced Micro Devices, Inc. Method for setting and adjusting process parameters to maintain acceptable critical dimensions across each die of mass-produced semiconductor wafers
US20070100487A1 (en) * 2005-10-31 2007-05-03 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for virtual metrology in semiconductor manufacturing
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
CN110192153A (zh) * 2017-01-23 2019-08-30 Asml荷兰有限公司 产生用于控制或监控生产过程的所预测的数据
EP3650939A1 (en) * 2018-11-07 2020-05-13 ASML Netherlands B.V. Predicting a value of a semiconductor manufacturing process parameter

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI817570B (zh) * 2022-05-03 2023-10-01 南亞科技股份有限公司 沈積機台的控制方法

Also Published As

Publication number Publication date
US20220043435A1 (en) 2022-02-10
EP3951526A1 (en) 2022-02-09
US12117810B2 (en) 2024-10-15

Similar Documents

Publication Publication Date Title
US20080288908A1 (en) Simultaneous design of integrated circuit and printed circuit board
EP3828820A1 (en) Ai based automatic judgment unit for quality classification of semifinished component carriers of a panel based on automatic optical inspection
JP7302800B2 (ja) 部品キャリアの製造方法、取り扱いシステム、コンピュータプログラム、およびシステムアーキテクチャ
US12117810B2 (en) AI-based determination of action plan for manufacturing component carriers
US11935221B2 (en) User interface for judgment concerning quality classification of displayed arrays of component carriers
Yang et al. A neural network-based prediction model for fine pitch stencil-printing quality in surface mount assembly
US20160192491A1 (en) Printed circuit board and method of manufacturing the same
TW201935149A (zh) 對準標記的邊緣銳度評估
JP6984106B2 (ja) パッド型アラインメントマーカおよびホール型アラインメントマーカを組み合わせた評価によるコンポーネントキャリア構造の位置調整
TWI813036B (zh) 設計用以執行品質測試的試樣之電腦實施系統、電腦實施方法、電腦可讀取媒體、程式元件和方法
Raghavan et al. Artificial Intelligence (AI) based methodology to minimize asymmetric bare substrate warpage
JP7563836B2 (ja) 材料除去後のコンポーネントキャリア構造の自動化された品質試験
EP3982135B1 (en) Test target defect identification and evaluation for assessing quality of component carrier structure
EP4216010A1 (en) Assessing a process of manufacturing component carriers by simulation and evaluation based on input parameters
US20230217589A1 (en) Component Carrier With Asymmetric Build-Up And Methods for Determining a Design of And Manufacturing the Same
May Intelligent SOP manufacturing
Porathur et al. Warpage Optimization of Package Substrates Using Metamodels-A Review
EP4081000A1 (en) Thermal management for heat- and pressure-induced lamination of panels for manufacturing component carriers
WO2024094544A1 (en) Evaluating the health condition of a single component carrier
CN115734481A (zh) 具有蚀刻模块的部件承载件蚀刻系统以及部件承载件
Rapala‐Virtanen Experiences gained manufacturing high density interconnect (HDI) printed wiring boards (PWBs)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination