Page 66 - 電路板季刊第110期

64 專業技術 高可靠度Sn-Bi低溫銲料之智慧探索與新材料設計

Э๝቟ࣘʘ
৷̙ቦܓSn-BiЭ๝቟ࣘʘ
৷̙ቦܓSn-Bi

౽ᅆઞ॰ၾอҿࣘணࠇ
౽ᅆઞ॰ၾอҿࣘணࠇ

艾誌宸 / 吳珮禎 / 劉禹辰
國立成功大學機械工程學系

近年來高效能運算、人工智慧晶片與先進封裝的快速發展，使得低溫銲料的需求愈加重要。
傳統Sn-Ag-Cu等無鉛銲料因回銲溫度較高，容易造成基板翹曲與封裝應力累積。常見的 Sn–Bi 銲
料雖具低熔點優勢（138℃），卻因（Bi）相在熱時效過程中容易粗化而導致脆化問題，使其可靠
度仍然不足。過去提升銲料性能的方式多仰賴第三元素添加，但做法多依靠經驗或反覆試驗，在組
成、製程空間龐大的情況下效率相當有限。因此，本研究希望藉由人工智慧方法，在有限實驗資料
之下，建立能描述 Sn–Bi–X 合金的特性模型，並結合演算法在成分空間中尋找具實際可能性的組
成，進一步用實驗驗證其可行性，目標係尋找高可靠度低溫銲料之製程方法。
為此，我們首先蒐集 Sn–Bi–X/Cu的接合剪切強度特性資料，建構機器學習模型，用以學習
組成與剪切強度之間的非線性關聯，流程如圖一所示。由於文獻資料分散於不同條件，包括基板處
理、熱履歷、測試方法等，若直接納入模型往往會導致預測偏移，因此我們花費相當多的時間在資
料清整、條件比對以及特徵定義上，確保模型看的資料具有基本一致性。當模型逐漸在不同文獻資
料上呈現一致且合理的趨勢時，我們也因此確認模型不再僅是重現訓練集，而是能掌握 Sn–Bi–X
系統中成分變化帶來的核心行為。這讓模型成為後續搜尋新組成的重要基礎，而非僅是輔助工具。
在模型具備足夠的預測能力後，我們進一步結合基因演算法進行組成空間搜尋，以維持低熔
點、提升剪切強度並保有 Sn–Bi 製程特性為主要設定目標。演算法的作用並非提供單一答案，而是
協助我們以更有效率的方式在龐大組成空間中找出可能具備優勢的區域。透過模型與演算法的循環
過程，我們最終獲得具有潛力的組成，並命名為 SCB。其後的實驗觀察顯示，SCB於Cu上的初始
接合強度可達55-56MPa，經85℃熱時效168h後，其強度可達59-64MPa。整體結果證明人工智慧
演算法所選出的組成確實具備工程應用上的可行性。
本研究的貢獻不僅在於提出 SCB 這一組特定的低溫銲料組成，而更重要的是展示了一套以機
器學習與基因演算法為核心的材料探索途徑。透過模型的建立、外部驗證的反覆修正，以及系統性
搜尋，我們得以在資料有限的情況下依然進行有效的組成推估與實驗導向。這套流程的價值在於提
供材料開發新的可能性，使研究者能以更具結構與邏輯的方式理解複雜合金系統，而非完全依賴經
驗或大量試誤。對未來低溫銲料甚至更廣泛的金屬材料設計而言，這項方法展現了人工智慧方法介
入後的可行性：不是取代實驗，而是協助研究者更清楚地看見材料空間中值得前往的方向。

圖一、建構Sn–Bi–X/Cu之剪切強度機器學習模型