一种利用多模态流变学特征进行多层印刷电路板局部预浸料厚度预测的小样本学习框架
《Advanced Engineering Informatics》:A few-shot learning framework using multimodal rheological features for local prepreg thickness prediction in multilayer PCBs
【字体:
大
中
小
】
时间:2026年09月28日
来源:Advanced Engineering Informatics 11.5
编辑推荐:
**本文要点**
- 一种基于少样本学习的框架,用于预测多层PCB中局部预浸料(PP)厚度。
- 261维多模态流变特征系统量化局部树脂流动行为。
- 智能采样与自适应残差学习提升少样本预测性能。
- TabDDPM数据增强保留关键分布特征并提高预测鲁棒性。
- PPTPM
**本文要点**
- 一种基于少样本学习的框架,用于预测多层PCB中局部预浸料(PP)厚度。
- 261维多模态流变特征系统量化局部树脂流动行为。
- 智能采样与自适应残差学习提升少样本预测性能。
- TabDDPM数据增强保留关键分布特征并提高预测鲁棒性。
- PPTPM模型仅使用9个代表性PCB切片,即可达到6.794 μm的均方根误差(RMSE)。
## 引言
随着人工智能计算、5G/6G通信和高性能计算(HPC)的快速发展,电子设备正朝着更高频率、更高速度和更高密度互连的方向演进[1]。在此背景下,多层印制电路板(PCB)作为信号传输的核心载体,面临着对特性阻抗控制和信号完整性(SI)日益严格的要求。这两项要求均与PCB层压过程中预浸料(PP)介质厚度在微米级上的稳定性密切相关[2]、[3]。然而,多层PCB层压本质上是一个涉及强热-流-固多物理场耦合的复杂瞬态过程。高温高压下的树脂流动高度非线性且时变,并受到铜箔分布、材料属性和工艺参数的约束[4]、[5]。
多层PCB主要由交替排列的铜箔层、芯板和预浸料层组成[6]。层压过程中,PP在高温高压下发生熔融流动和交联固化。PP释放的环氧树脂以粘滞状态填充内层电路间的间隙并形成界面粘结,从而将不同材料层连接在一起。在该热-流耦合过程中,刚性芯板和金属铜箔在几何上保持稳定且在化学上无变化,而半固化的PP则经历显著的 nonlinear 流变和聚合重构。因此,多层PCB的全板厚度变化主要源于层压过程中PP树脂流动和填充的不确定性[4]、[7]。由此产生的介质厚度空间变化直接削弱了后续工艺(如背钻深度控制和阻抗匹配)的加工精度[2]、[8]。
现有的PP介质厚度控制研究主要涉及层压机制与材料行为、解析计算、工艺模拟和物理检测等方面。在层压机制与材料行为方面,Gu等人[7]分析了预浸料粘弹性和各向异性对多层PCB基板翘曲的影响。在相关复合材料研究中,Simacek等人[9]将瞬态树脂粘度和应力松弛纳入预浸料变形模型,以描述热压条件下的瞬态变形。Sun等人[10]开发了一种耦合的三维超粘弹性本构模型,考虑了厚度变形和纱线角度,以表征复合材料预浸料的贯穿厚度压缩响应。这些研究表明,预浸料的流变特性和热力学响应是层压过程中介质厚度变化的重要因素。在解析计算方面,Kim等人[11]、Liu等人[12]和Liu等人[13]基于体积守恒和残余铜箔分布建立了工程厚度计算模型。然而,这些静态模型依赖于理想填充假设,忽略了层压过程中的边缘树脂损失、局部空隙留存和热固化收缩,难以表征复杂布线布局下的非均匀填充。在工艺模拟方面,Schipfer等人[14]采用耦合的欧拉-拉格朗日方法模拟了代表性1 × 1 mm区域内的树脂流动和空隙填充。为将计算量控制在48小时工作站预算内,他们对模型进行了简化并将压合周期加速100倍,计算时间限制在数小时内。这种计算负担对实际扩展到全板规模构成挑战。Wan等人[15]提出了一种跨尺度分区均匀化方法,用于处理因铜箔分布差异引起的非均匀固化收缩。尽管该工作揭示了多层异质结构中的热-力变形机制,但复杂的网格划分流程和高计算成本限制了其在生产中实时前馈控制PCB介质厚度方面的直接应用。在物理检测方面,Koblah等人[16]报告称,PCB内部密集金属电路的强信号散射和噪声使得微观结构边缘难以准确识别和量化。Botero等人[17]进一步发现,物理层与断层扫描切片之间的深度映射不明确,导致层重建过程中出现严重混叠和边缘模糊,难以无损地定义每个PP介质层的独立几何边界。工业计算机断层扫描也主要用于延迟的后加工质量评估,无法为生产指导提供高效的实时距离测量。因此,亟需一种针对复杂层压流变特性的快速局部PP厚度预测模型,以支持精密PCB制造中的背钻深度补偿和特性阻抗控制。
随着人工智能的快速发展,数据驱动和机器学习方法在工业生产中展现出了可观的价值。在金属轧制尺寸控制领域,Wu等人[18]开发了一种多源数据融合框架,用于热轧带钢厚度预测,并展示了数据驱动建模在复杂工况下的精度优势。Liu等人[19]提出了一种结合机理模型与机器学习的混合预测方法,通过轧制物理约束提升了带钢厚度与板形平度的耦合控制。Wen等人[20]进一步将机理厚度模型与机器学习补偿相结合,开发了机理-数据融合框架,在预测精度、稳定性和物理可解释性之间取得了平衡。Li等人[21]开发了用于机床进给系统热误差预测的异构堆叠集成框架,展示了在不同样本规模下互补模型集成的预测优势。在PCB制造领域,机器学习主要应用于视觉缺陷检测与图像分析。Chen等人[22]开发了一种基于多尺度局部视觉场重建的预训练模型,用于CT图像中小元素的精确分割。Ding等人[23]设计了一种多尺度特征金字塔网络,用于PCB表面微小缺陷检测,提高了工业检测效率。然而,关于多层PCB中PP厚度预测的研究仍然稀少。从层压机制和数据表征的角度来看,PP厚度变化与多源多模态因素有关,包括层压条件、材料属性、叠层设计和局部铜箔分布。因此,预测PP厚度需要整合这些因素,以间接估计一个难以直接测量的量。在相关任务中,Chen等人[24]提出了一种多模态虚拟量测方法,利用多批次、多阶段的半导体制造数据进行晶圆良率预测。Liu等人[25]将设备、工艺和环境数据与人工智能相结合,建立了实时晶圆薄膜厚度预测的虚拟量测系统。Li等人[26]通过解耦空间域和频率域信息并选择性融合,探索了互补表征建模方法。这些研究表明,多源数据组织、互补表征融合和虚拟量测为间接制造质量预测提供了有用的途径。然而,现有的PCB层压后局部PP厚度预测方法仍然难以同时满足高精度和实时预测的双重工业需求。
尽管数据驱动方法为解决这些局限性提供了新途径,但模型训练依赖于真实厚度标签,这些标签在工业实践中通常通过PCB切片、金相制样和显微测量获得,过程耗时且成本高昂。类似的标签稀缺问题也出现在其他工程和智能应用中。Hu等人[27]将物理约束引入少样本元学习,用于机器人磨削等制造工艺中的跨条件表面粗糙度预测。Ghavidel等人[28]将少样本学习与时频特征提取相结合,用于有限标签条件下的声纳目标分类。Ye等人[29]将接触式声学检测与少样本智能评估相结合,评估复杂声场下粗粒公路路基的压实质量。Yin等人[30]开发了基于语音副语言特征的可解释认知少样本学习模型,用于唇腭裂和帕金森病的诊断。因此,对于多层PCB中局部PP厚度预测,仅使用首块PCB的少量标记切片来训练或校准模型,随后对同料号和同生产批次PCB的全板每层PP厚度进行预测,是降低数据获取成本和提高部署效率的关键。本研究因此提出了一种整合多模态流变特征与少样本学习的PP厚度预测框架,以提升有限标记数据条件下多层PCB局部PP厚度预测的精度和稳定性。
基于上述分析,考虑到层压过程中树脂流动路径受到铜箔分布的强约束,本研究通过分析材料属性、工程设计和工艺参数,开发了一种多模态、多尺度的PP厚度预测框架。该框架侧重于提取描述铜箔图案分布的形态流变特征,从而量化非均匀结构对树脂填充施加的各向异性阻力。本研究的主要贡献总结如下。
(1) 提出了一种基于多模态流变特征和少样本学习的PP厚度预测框架。该框架解决了热-流-固耦合和非均匀铜箔布线引起的非线性PP厚度波动问题,实现了多层PCB每层局部PP厚度的数据驱动预测。预测结果为阻抗匹配和背钻深度计算提供了定量支持。
(2) 构建了261维多模态多尺度流变特征系统,用于量化PP流动行为。该特征系统系统地表征了材料属性、工程设计、工艺参数和铜箔图案边界形态对PP厚度的非线性影响,从而为预测模型提供了具有物理意义的输入。
(3) 开发了集成自适应残差学习和异构堆叠集成学习的PP厚度预测模型(PPTTM)。基于EL-5模型,该模型引入了多尺度理论基准残差校正和基于TabDDPM的生成式数据增强,在少样本条件下取得了优于现有理论计算方法和基础预测模型的精度与稳定性。
(4) 采用基于SHAP的可解释性分析,考察多模态流变特征与PP厚度预测之间的特征依赖关系,重点量化铜箔形态特征的贡献。该分析为旨在提高层压厚度均匀性的铜箔布线优化提供了可解释的指导。
## 层压与流动约束的机理分析
多层PCB的层压过程涉及强热-流-固多物理场耦合。图1展示了多层PCB的压合过程,其中交替堆叠的芯板和预浸料在真空热压机中按照规定的温度-压力曲线进行粘结。在此阶段,环氧树脂基体被加热至粘滞状态,并在压力下填充电路间隙,随后通过交联反应凝胶并形成热固性结构。
## 系统架构
为解决多层PCB层压过程中树脂流变引起的非线性局部PP厚度变化问题,本研究提出了一种PP厚度预测模型(PPTPM)。该模型整合了多模态流变特征、异构堆叠集成学习、自适应残差学习和TabDDPM数据增强,以在少样本条件下预测每层PP的局部厚度。如图6所示,整体框架由四个逻辑单元组成:物理感知机理分析、特征提取、模型预测和可解释性分析。
## PP厚度影响机理分析
PP厚度波动源于多种因素的耦合作用。其核心机理与PCB制造全过程的材料属性、工程设计和加工特性直接相关,如下所述。
## PCB切片采集与真实PP厚度测量
本研究选取一种具有异质铜箔分布的高性能多层PCB作为实验对象。该料号的最小生产单元(PCS)几何尺寸为267.368 × 597.351 mm,理论板厚为3.357 mm。其叠层结构包含22层铜层、12层PP层和9层芯板层。为捕获全板铜箔图案异质性对局部树脂流动的非线性影响,采用了高密度阵列切片策略。
## 结论
本研究针对多层PCB层压过程中因复杂热-流-固耦合和非均匀铜箔分布引起的非线性PP厚度波动问题,提出了一种PPTPM少样本预测框架,该框架整合了多模态流变特征、异构堆叠集成学习、自适应残差学习和TabDDPM数据增强。基于工业切片测量和全板铜箔图案信息,得出以下结论。
(1) 提出的PPTPM框架能够有效预测多层PCB各层PP的局部厚度,在仅使用9个代表性切片作为训练数据的情况下,RMSE达到6.794 μm,满足了工业生产对高精度和实时预测的双重需求。
## CRediT作者贡献声明
张震:撰写-审阅与编辑、撰写-初稿、方法论、数据管理、概念构思。
黄鑫:监督、概念构思。
蔡登苏荣:验证、调查、正式分析。
杨舒:项目管理、经费获取、概念构思。
于天新:可视化、数据管理。
卢龙盛:监督、正式分析。
谢英溪:监督、正式分析。
李沁远:项目管理、正式分析。
邢迪:监督、正式分析。
## 利益冲突声明
作者声明不存在可能影响本文所述工作的已知的竞争性经济利益或个人关系。
## 致谢
本研究得到国家自然科学基金(批准号:52405472和52275425)的资助。
作者们也要感谢德顿科技(广州)有限公司提供的资金支持与协助。
张文 | 黄鑫 | 蔡登苏荣 | 杨舒 | 于天欣 | 卢龙生 | 谢颖熙 | 李沁源 | 邢迪
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号