數字孿生在今年的 SEMICON West 上占據了討論的主導地位，出現在主題演講、小組會議和研討會中。這次談話反映了行業對這項技術的看法發生了明顯轉變。

曾經主要與設計探索相關的內容現在跨越了制造生命周期。在封裝和裝配領域，數字孿生正在成為一種將設計意圖與流程執行聯系起來、監控多個階段的變化以及在某些情況下實時規定糾正措施的方式。

虛擬化包裝的壓力越來越大。先進的集成方案正在增加工程師必須管理的變量數量?；ミB更緊密，材料更多樣化，系統要求也更苛刻。即使是平面度、熱膨脹或翹曲的微小偏差也會引發級聯故障。雖然統計過程控制、配方鑒定和下游根本原因分析等傳統方法仍然很重要，但一旦出現問題，它們的反應往往太慢，無法防止產量損失。工程師正在尋找能夠更早預測問題并在損壞發生之前提供可作選擇的工具。

“客戶要求異構集成路徑，在單個封裝中包含多種芯片類型，”Amkor總裁兼首席執行官Giel Rutten說?！盀榱吮３之a量和可靠性，我們不能僅僅依賴反應性修復。我們必須預先模擬耦合、應力和熱相互作用。

圖 1：Amkor 首席執行官 Giel Rutten 在 Semicon West 討論先進封裝挑戰。資料來源：Gregory Haley/Semiconductor Engineering

這一觀點強調了為什么該行業正在轉向封裝數字孿生。它們沒有取代物理測試或檢查，而是提供了一個預測層，用于在問題在線顯現之前了解芯片、基板和材料之間的相互作用。

作為反饋引擎
進行測試許多公司首先在封裝級測試單元中試驗孿生。測試提供了衡量包裝性能的早期機會，但從歷史上看，測試數據僅用于回顧性分析。記錄故障，工程師調查原因，并在事后采取糾正措施。

在測試單元構建的數字孿生改變了這種動態。通過模擬探頭行為、負載板應力和封裝邊界，它可以提供出現問題的早期信號，并在良率崩潰之前將該信息反饋回裝配中。

“在我們的測試單元孿生中，我們模擬了探測環境、負載板和封裝邊界，”Cohu Analytics 解決方案公司 Tignis 的解決方案工程總監 Boyd Finlay 說。“這使我們能夠提前檢測信號和熱應力問題，并相應地調整封裝參數?！?/p>

這種方法將測試從通過-失敗檢查點轉變為流程優化的反饋機制。如果模型檢測到接觸電阻上升，它可以建議改變粘結壓力。如果它看到熱應力的產生，則可能表明底部填充固化條件發生了變化。挑戰在于速度和準確性。模型必須足夠快地運行以匹配大批量測試的速度，并且它們必須可靠地將真實漂移與隨機噪聲區分開來。

從晶圓廠到裝配
的前饋將測試孿生連接到裝配和封裝只是其中的一部分。導致封裝故障的許多變量都源于晶圓加工。沉積厚度、圖案均勻性或缺陷密度的變化通常在組裝過程中表現為應力或錯位。為了可信，封裝孿生必須從晶圓廠和計量模型中吸收前饋數據，以便它們反映真實的輸入，而不是理想化的假設。

“為了使封裝孿生在大規模上具有可信度，您需要從晶圓測試到組裝的前饋，將晶圓坐標通過基板映射到封裝中，”PDF Solutions 解決方案架構高級總監 Marc Jacobs 說?！胺駝t，雙胞胎對上游變化視而不見。”

這種對連續性的需求延伸到了在設備層面開發的工藝模型。蝕刻和沉積的模擬已經降低了晶圓廠的風險。將這些模型向下游擴展到封裝中，可以讓工程師對互連層或表面形態在組裝后的表現有現實的期望。

“我們需要在多個尺度上進行仿真——系統級、電路板級、封裝級、芯片級和IP級，”新思科技旗下的Ansys研發高級總監Sudarshan Mallu說?！耙恍┬⌒酒赡芤呀浲耆珜嵤?，而另一些小芯片仍處于平面規劃或 RTL 階段。我們需要能夠吸收不同抽象并一起分析的方法和仿真功能。

預測方法還可以利用稀疏計量學與基于物理的算法相結合。這些模型沒有嘗試測量每個晶圓和每個芯片，這是不切實際的，而是使用有限的數據點來推斷工藝漂移。當傳遞到下游時，該信息允許打包孿生模擬微小的上游偏差如何影響裝配結果。

“我們使用稀疏計量和肖克利建模來推斷上游漂移，”西門子 EDA 產品管理總監 Joe Kwan 說?！斑@些信息成為下游孿生的上下文輸入，例如打包或測試?！?/p>

圖 2：西門子 EDA 的 Joe Kwan 在 Semicon West 上分享數字孿生演示。資料來源：Gregory Haley/Semiconductor Engineering

更大的愿景是一連串相互關聯的孿生，涵蓋從設計到晶圓廠、封裝和測試。每個節點都通知下一個節點，從而更全面地了解設備如何從晶圓演變到成品系統。然而，障礙是巨大的?？缃M織邊界調整數據格式、保護知識產權和同步模型需要新的框架。然而，即使是部分采用也被證明是有用的。

當雙胞胎變得規范時
當雙胞胎超越預測進入處方時，風險就會增加。診斷模型可能會告訴工程師空隙率正在增加，但規范性模型可以運行場景并提出具體的調整建議。在試點案例中，這些模型已經建議在運行中期更改參數以回收否則會丟失的產品。工程師仍然處于控制之中，但模型可以評估權衡并提出最安全的選擇這一事實代表著邁向閉環作的重要一步。

“在構建預測模型時，您基本上有兩種選擇，”EMD Electronics 數字解決方案運營數據科學和數字業務主管 Gianni Klesse 說?！耙环N是依賴基于物理和化學的機理模型。二是依賴根據經驗數據訓練的人工智能和機器學習。根據我們的經驗，機理模型幾乎總是無法進行大量化學，因此機器學習是我們數字孿生的引擎。如果我們只部署一個靜態模型，它最終會漂移并變得不可靠。這就是為什么強大的人工智能需要持續監控、定期再訓練和嚴格量化不確定性的原因。

這個承諾是令人信服的。小而及時的校正可以避免數千臺設備免于報廢，但風險同樣明顯。如果模型校準不當，其建議可能會加劇問題。如果它不能足夠快地運行，它的建議可能會來得太晚，無關緊要。目前，大多數實施都是咨詢性的，為工程師提供建議的行動方案，同時將決策權交給人類。雙胞胎最終是否會被信任自主行動仍然是一個懸而未決的問題。

隨時間
推移的可靠性建模除了產量之外，長期可靠性正在成為雙胞胎可能提供價值的另一個領域。傳統的可靠性測試依賴于加速應力方法，例如熱循環、濕度暴露和電遷移分析。這些測試速度慢且成本高昂，并且無法在線進行。將退化模型嵌入到封裝孿生中提供了一種虛擬模擬生命周期行為的方法，從而提供有關潛在故障模式的早期反饋。

“我們將化學穩定性、擴散和應力隨時間推移的模型嵌入到雙胞胎中，”Klesse 說?！斑@可以讓您模擬粘合劑或密封劑在數月或數年后如何降解?！?/p>

此功能使工程師能夠權衡短期產量和長期耐用性，同時優化材料和工藝。但可靠性領域也有其自身的挑戰。模型依賴于將加速應力數據縮放到現實世界的條件下，如果這些縮放定律不一致，則預測將與現場性能不匹配。根據實際故障數據進行校準至關重要。

數字孿生也正在進入設計領域。多芯片系統在分區、互連和供電方面存在困難的選擇。在設計早期做出的決定直接影響裝配過程中發生的情況。如果在沒有制造業的現實反饋的情況下做出這些選擇，工程師可能會發現自己在不切實際的道路上走得太遠。使用數字孿生進行架構探索可以幫助在流片之前識別風險，使團隊能夠比較權衡與封裝限制。

“當我們進入多芯片（基于硅、基于小芯片的封裝）時，許多客戶仍然想知道何時該下跌，”新思科技研發執行董事 Sutirtha Kabir 說?！瓣P鍵驅動因素是擴展、重用和縮短設計時間。如果沒有基于孿生的架構探索，你就有可能在一條后來被證明是行不通的道路上走得太遠。

這強化了雙胞胎不僅限于生產車間的想法。它們是連接設計和制造的更廣泛生態系統的一部分。當數據可以雙向移動時，設計為工藝選擇提供信息，制造反饋到設計中，節省成本和減少時間的潛力就會顯著提高。

采用
障礙一些未解決的挑戰削弱了對數字孿生的熱情。首先是數據信任。封裝孿生需要來自晶圓加工、組裝和測試的信息，通?？缭焦具吔?。這引發了人們對知識產權風險的擔憂。如果沒有安全的框架和明確的治理，公司可能會猶豫是否提供有意義的模型所需的深度數據。即使在單個組織內，也可能存在限制集成的孤島。僅看到部分信息的數字孿生可能會產生誤導性而不是預測性。

與之密切相關的是模型信任問題。工程師不會采用數字孿生，除非其預測始終與現實世界的結果相匹配。驗證不是一次性事件。必須經常根據生產數據檢查模型以檢測漂移。在早期試驗中表現良好的模型可能會隨著工藝配方的發展、材料的變化或包裝類型的多樣化而出現分歧。持續重新校準至關重要，但它會消耗資源并且需要嚴格的相關性研究。

另一個障礙是可解釋性。工程師不太可能在不了解背后的原因的情況下遵循黑盒建議。如果模型建議增加壓力或改變固化時間，團隊需要知道原因?；谖锢淼膶\生的優點是以工程師熟悉的方程為基礎，但對于實時使用來說，它們可能太慢了。雖然機器學習模型運行得更快，但它們通常是不透明的。

現在正在探索混合方法，但它們需要提供工程師可以評估的解釋。如果沒有可解釋性，無論預測的準確性如何，采用都會停滯不前。

延遲和計算成本對實施造成了很大影響。只有當模型能夠足夠快地執行以跟上生產速度時，實時校正才重要。高保真物理模擬是出了名的緩慢。降階模型為了速度而犧牲了細節，但它們可能會錯過重要的交互。將 AI 添加到組合中會有所幫助，但訓練和維護這些模型會增加開銷。在部分數據或近似值上運行的打包孿生可能會提供一些價值，但在它們能夠在大批量制造窗口內提供可作的結果之前，它們的使用將仍然受到限制。

一般性是另一個問題。包裝發展迅速。在一代中介層或材料堆棧上訓練的模型可能不適用于下一代。工程師擔心再培訓的成本和過度擬合的風險。遷移學習方法正在研究中，但很少有方法在多代封裝技術中得到證實。該行業將需要隨著流程的變化而更新和調整孿生的策略，而不必每次都從頭開始重建它們。

“雙胞胎不僅僅是一個一勞永逸的模型，”PDF 的雅各布斯說。“你需要一個框架來進行持續驗證、漂移檢測，以及在底層流程發展時進行再訓練。沒有這一點，看起來像預測工具的東西就會變成一種負擔。

設計和 EDA 專家也贊同這一警告觀點，他們表示，如果沒有強大的數據集成，封裝孿生將失敗。他們認為，除非就制圖、坐標和界面的標準達成一致，否則模型將保持碎片化。

“我們看到了確保設計和制造一致性的挑戰，”新思科技的 Kabir 說?！皵底謱\生必須充當橋梁，而不是另一個孤島。否則，你最終會得到多個部分視圖，這些視圖加起來并不能構成一個完整的畫面。

可靠性建模又增加了一層復雜性。可以對應力、擴散和退化機制進行建模，但只能在一定程度上建模。從短期加速測試中預測長期性能一直很困難，將這些推斷嵌入到數字孿生中會增加風險。高估可靠性的模型可能會讓過早的故障逃逸到現場。低估可靠性的模型可能會導致矯枉過正和產量降低。使用現場數據進行校準至關重要，但現場返回很少見且累積緩慢。

還有組織和文化障礙。許多晶圓廠和 OSAT 都習慣于保護他們的數據。分享它，即使是抽象的形式，也會挑戰既定的做法。EDA、設備和裝配公司之間的合作是必要的，但調整這些參與者之間的激勵措施絕非易事。行業團體開始討論標準化，但采用需要的不僅僅是技術解決方案。它將需要平衡競爭優勢與共享基礎設施的新商業模式。

孿生的下一步
走向盡管存在這些障礙，但人們對包裝數字孿生的興趣仍在繼續增長，因為其優勢非常引人注目。如果雙胞胎能夠在漂移成為故障之前發現漂移，建議在運行中途進行工藝更改，或者突出顯示長期可靠性風險，可以節省數百萬美元的產量和保修成本。將設計、晶圓廠、封裝和測試鏈接到一個連續模型中的可能性仍然令人向往，但軌跡是明確的。

這種勢頭也是由外部力量推動的。市場窗口正在縮小，客戶期望更快地交付復雜系統，減少意外。與此同時，產量損失的成本正在攀升。先進節點的報廢和返工以及細間距封裝的成本比過去幾代要高得多，這使得預測控制的經濟理由更加強大。

大多數工程師更喜歡提供建議的咨詢系統，讓人類專家做出最終決定。與航空業自動駕駛儀的使用一樣，咨詢系統可以減少工作量并處理日常任務，但飛行員仍然負責在異常情況下做出判斷。包裝雙胞胎可能會遵循相同的軌跡，從咨詢輔助工具開始，隨著信心的建立，慢慢進入更具規范性的角色。

數字孿生的推動也與人工智能、機器學習和邊緣計算等更大的行業趨勢相交。隨著越來越多的傳感器添加到設備中，以及人工智能工具在處理嘈雜的多維數據方面的改進，實時模型的可行性也隨之增加。但沒有物理的人工智能可能會變得脆弱，而沒有人工智能的物理可能會變得太慢。真正的價值可能在于將兩者結合起來，使用物理來約束模型，使用人工智能來加速其執行。找到適當的平衡將是未來十年包裝雙胞胎面臨的決定性挑戰之一。

“挑戰不僅僅是構建孿生，還在于使其在真實環境中可用，并在準確性、速度和可解釋性之間取得適當的平衡，”西門子的 Kwan 說?！叭绻こ處煵荒苊刻焓褂盟敲茨Ｐ投嗝磧炑乓矡o關緊要?！?/p>

結論
隨著技術的成熟，數字孿生的范圍可能會擴大。最初是優化單個流程步驟的一種方式，可能會演變成管理整個裝配線的框架。孿生可用于調度工具、優化物料流，甚至模擬勞動力需求?？煽啃詫\生可以成為客戶溝通的一部分，提供長期耐用性的證據。設計集成孿生可以通過更早地驗證架構來縮短上市時間。

但所有這些都取決于對數據、模型和支持它們的生態系統的信任。如果沒有這種信任，雙胞胎就有可能成為另一層復雜性，而不是解決方案。有了它，他們可以將包裝從一門被動的學科轉變為一種預測性和規范性的學科，使設計意圖與制造現實保持一致。

數字孿生的出現不是因為它們很時尚，而是因為它們的替代方案變得難以管理。復雜性正在超過傳統方法。包裝已成為一個關鍵的咽喉要道，小錯誤可能會演變成大故障。工程師需要新的工具來應對。盡管面臨所有挑戰，但數字孿生是最有前途的方法之一。