在2024年1月1日写了博文《人工智能+集成电路的本年度研究计划》。网页链接如下：https://blog.sciencenet.cn/blog-99553-1416189.html

其中，特别提到“立此存照，从而鞭策自己，也鼓励课题组的同学们”。时光飞逝，在一年另加四个月之后再仔细研读这篇博文，反思走过的路，既有达成一些目标的喜悦（因此在今年3月获得了**技术有限公司的火花奖），也有至今未能落实一些想法的遗憾。

前瞻AI技术及其在各个行业中应用的发展，尤其是人工智能和集成电路产业技术的相辅相成，显然就要进入攻坚战阶段了，需要以系统、全面、持久的累活苦活脏活打造必要的发展根基。举例来说，电子设备体积微型化对封装提出了大容量且轻薄化的要求。这使得封装结构中的基板厚度越来越薄，芯片层数越来越多（单层芯片越来越薄），环氧塑封料保护层也越来越薄，易导致芯片在可靠性(如热压工艺)或搬运过程中发生封装颗粒开裂，或是其内部芯片的开裂或损伤，影响产品寿命。因此，亟需建立一种针对超薄芯片多层堆叠封装产品的机械强度预测工具，用以指导封装结构设计、材料选型以及工艺制定，从而确保最终开发出的封装颗粒产品满足其服役工况要求，并缩短前期产品开发周期，大幅提升研发效率。假如没有博文《人工智能+集成电路的本年度研究计划》中所列的那些累活苦活脏活，就难以高精度、高效率地开发上述的超薄多层堆叠芯片强度预测工具。

为了便于阅读，把博文《人工智能+集成电路的本年度研究计划》内容完全复制如下。既是对本人及我们课题组的鞭策，也希望助推人工智能和集成电路产业技术发展。

人工智能包括三要素：数据、算法、算力。关于算力，我们课题组通过自己的研究能立竿见影地直接做出贡献的机会很少，尽管从长远来看必然促进算力进步，因此暂不考虑。下面从数据和算法两个方面做本年度的研究计划，立此存照，从而鞭策自己，也鼓励课题组的同学们。

一、算法方面

1、进一步完善各种各样集成电路产品结构的分区等效的各种各样材料性能的高精度、高效率算法。在今年暑期前，把集成电路产品结构的常用力学性能、热学性能、化学性能的分区等效算法做好，计算精度达到95%以上。在今年年底前，把集成电路产品结构的常用电学性能的分区等效算法基本做好，计算精度达到80%以上。

2、在今年暑期前，争取把印制电路板的压合成型、铣削/钻孔/镀铜/表层电路蚀刻/绿油处理等后加工、与芯片回流焊的翘曲变形仿真精度提高到88%以上。该项工作是从2020年3月初开始的，不断地优化算法，使得被考虑的影响因素越来越多，数学模型越来越合理，材料性能参数越来越准确，在2021年底印制电路板的翘曲变形仿真精度达到了60%（以具有10层布线层的某大型服务器的印制电路板为实际的严格量化考核板），此后一直改进算法，逐渐爬过了70%、75%、80%的仿真精度门槛。希望在精细地考虑厚度方向的布线结构、表层布线层的极特殊热变形行为之后，将仿真精度提高到88%以上，尤其是印制电路板和芯片连接的球栅阵列区域的翘曲形貌和翘曲量的仿真结果与实测结果相比都逼近90%。在今年年底前，进一步提高上述算法的迭代计算收敛性、稳健性、普适性和精度。

3、将扩展有限元方法（仿真本体内的裂纹随机扩展）和内聚力方法（仿真两相界面上的裂纹随机扩展）用于各种各样集成电路产品结构的损伤和疲劳过程分析。在今年暑期前，裸芯片内的零级封装（BEOL结构）和裸芯片外的一级封装（铜微凸点和C4凸点、锡合金焊点、底填环氧胶、环氧塑封料、集成扇出封装里的重构晶圆和再布线层、2.5D封装里的转接板及其硅通孔和再布线层、3D封装里的每一裸芯片及其硅通孔和再布线层）在制造及其后的使役过程中的损伤过程仿真精度达到55%以上。在今年年底前，裸芯片内的零级封装（BEOL结构）和裸芯片外的一级封装（铜微凸点和C4凸点、锡合金焊点、底填环氧胶、环氧塑封料、集成扇出封装里的重构晶圆和再布线层、2.5D封装里的转接板及其硅通孔和再布线层、3D封装里的每一裸芯片及其硅通孔和再布线层）在制造及其后的使役过程中的损伤过程仿真精度达到70%以上。

4、建立集成电路产品的内部关键结构的翘曲变形的智能预测算法，针对课题组的研究积累，选择某一件集成电路产品，开展该集成电路产品的内部关键结构的翘曲变形的智能预测。与相应的用于模型训练的数据相比，翘曲形貌及翘曲量的智能预测精度达到80%以上

5、建立集成电路产品的损伤和疲劳行为的智能预测算法，针对课题组的研究积累，选择某一件集成电路产品，开展该集成电路产品在制造及其后的使役过程中的损伤和疲劳的初步智能预测。与相应的用于模型训练的数据相比，损伤程度的智能预测精度达到50%以上。

二、数据方面

1、获得各种各样集成电路产品结构的分区等效的各种各样材料性能数据（样本量在百万量级），尤其通过卷积神经网络（例如CNN里的RESNET101）和生成式神经网络（例如基于自注意力机制的TRANSFORMER）的协同增效、优势互补，建立各种各样集成电路产品结构的分区等效的各种各样材料性能的智能预测模型，模型预测值和相应的用于模型训练的数据之间的误差小于10%。

2、通过可信的有限元模拟技术获得某一件集成电路产品的内部关键结构的翘曲变形数据（样本量在万量级），建立该集成电路产品的内部关键结构的翘曲变形的智能预测模型，模型预测值和相应的用于模型训练的数据之间的误差小于20%。

3、通过可信的有限元模拟技术获得某一件集成电路产品在制造及其后的使役过程中的损伤和疲劳数据（样本量在千量级），初步建立该集成电路产品在制造及其后的使役过程中的损伤和疲劳的智能预测模型，模型预测值和相应的用于模型训练的数据之间的误差小于50%。

欢迎大家批评指正，共同推动人工智能+集成电路技术的协同进步，以先进封装技术推动芯片“卡脖子”问题的解决，同时促进人工智能技术深度赋能先进制造业！

虽然任重道远，但是孜孜以求，必然渐行渐近！