AI芯片封测温度曲线推荐定制：键合温度与翘曲控制

在先进封装环节，温度曲线直接决定键合质量与基板翘曲。传统做法依赖工程师按经验试温，一轮 DOE 往往消耗 4~6 小时，且换料号后需重新摸索。本实验室联合一家封测厂，把温度曲线推荐建模为「工艺窗口内的序列决策」问题：输入为基板材料、芯片厚度、键合材料与设备热惯量，输出为预热、浸润、键合、冷却四段的温度设定与驻留时间。

方法上，先用历史机台数据训练一个翘曲代理模型，再以键合强度与翘曲量为双目标，在约束条件下做小范围搜索，把推荐结果交给产线验证。阶段进展：首轮覆盖 6 个料号、共 180 次验证，推荐曲线一次通过率约 72%，平均试温轮次从 4.3 轮降到 2.1 轮；键合空洞率在部分薄芯料号上下降约 0.5 个百分点。

下一步计划：引入在线翘曲测量做闭环校正，并把模型迁移到不同机台，重点验证热惯量差异下的推荐稳定性。目前该方法仍限定在既有工艺窗口内，不替代工程师对异常工况的最终判断。