封装数字孪生为何如此难以构建|元件|基板|拉森|数字孪生|材料|硅片

一颗芯粒可以经过完整的特性分析、测试并被判定为合格产品，但这并不能保证它被放入不同封装后依然保持这种状态。即便芯粒本身未发生变化，围绕在它周围的几乎所有条件都可能改变。

不同的基板会改变机械和电气环境，不同的热界面材料会改变热量离开器件的路径，而新的功率范围则会增加需要散发的热量总量。在第一款产品中运行良好的散热路径，到了第二款产品中却可能导致降频，原因就在于周围的封装结构和散热假设已经改变。

当这颗芯粒被组装进另一种封装时，工程师面对的可能已经是一个完全不同的系统，这正是为什么封装模型不能止步于裸片边界，也是为什么这种额外的复杂性使得封装数字孪生难以实现。这正是先进封装数字孪生所面临的基本难题：它们必须预测已知元件在集成之后、乃至最终进入更大系统之后的行为表现。

新思科技产品管理高级总监肯尼斯·拉森（Kenneth Larsen）表示："一颗芯粒可能在某个封装或产品型号中完成特性分析和验证，随后被复用到不同的封装堆叠、基板、散热方案或功率范围中。芯粒本身没有变化，但它所处的电气、热学和机械环境已经改变了。"

晶圆厂与封装：不同类型的孪生体

数字孪生技术正开始被应用于半导体制造，但与前道晶圆厂的对比需要做一些澄清。晶圆厂工艺孪生体可能极其复杂，涵盖设备行为、工艺历史和统计学习。区别在于，这种复杂性很大程度上仍处于一个相对界定清晰的制造环境之内。

拉森表示："晶圆厂工艺孪生体极其复杂，所以我不会把这个问题定性为晶圆厂简单、封装困难。区别在于问题的本质。晶圆厂孪生体通常深植于单一制造环境、单一工艺技术，以及一套受管控的设备、材料、工艺数据和统计学习流程之中。而封装数字孪生必须解决一个更广泛的集成问题——即一个多裸片系统如何在硅片、基板、组装、制造变异和测试可靠性学习之间实现。"

这个更广泛的集成问题改变了孪生体需要呈现的内容。在异构集成中，封装正日益成为系统架构的一部分，因此电气、热学和机械行为无法独立优化。工程师们已经拥有针对每个领域的有效工具，但这些工具并不会因为并行运行就自动构成一个封装孪生体。

更难的问题在于，当封装从设计走向制造的过程中，如何让这些模型围绕同一个物理封装保持同步。随着封装的迭代改进，制造结果也需要反馈回这些模型中。

拉森说："封装、硅片、基板、材料、散热方案和制造假设必须协同探索。如果它们被分开优化，数字孪生就会沦为后期验证的附属产物，而这并非其价值所在。"

一旦封装被安装到电路板上并进入最终系统，边界也会变得不那么清晰。封装外部的条件可能改变其行为表现，这意味着部分环境背景信息必须随模型一起传递。

安靠（Amkor）全球工厂IT与自动化副总裁全俊（Joon Ahn，音译）表示："端到端的封装数字孪生需要覆盖整个生命周期的可见性，从晶圆制造到组装、测试，直至最终的系统运行。一些关键的工艺信息源自上游的晶圆代工厂运营，或下游的客户应用环节。"

即便所有必要信息都汇集在一处，保留这些环境背景信息也很困难。而现实情况往往并非如此。

数据缺口

从OSAT（外包封装测试厂）的角度来看，描述一个先进封装所需的大量信息来自其他环节。部分信息来自晶圆代工厂，部分来自基板和材料供应商，还有一部分仅在组装或测试之后才产生。即便是同一制造流程中的设备，根据其使用年限和供应商的不同，也可能提供不同类型的数据。

全俊说："对OSAT而言，端到端数字孪生不是单一模型，而是一个由工艺、设备、生产、供应链和可追溯性数据组成的互联生态系统。封装性能受多个工艺步骤间相互作用的影响，一些关键工艺信息源自上游的晶圆代工厂运营，或下游的客户应用环节。"

OSAT所接收到的信息，可能与一个理想预测模型所需内容存在很大差距。来料裸片数据可能包含关键尺寸和晶圆测试结果，但不包含详细的功率密度或局部应力分布图。基板到货时可能符合标称规格，却未显示整批产品实际的翘曲情况，而材料数据表也可能无法反映材料在终端器件中的特定行为表现。

拉森说："下游分析结果因此看起来很精确，实则遗漏了制造现实。缺失的不仅仅是更多数据，而是能告诉下一个工具或团队该如何使用这些数据的上下文信息。"

即使大量数据在交接过程中得以保留，这种上下文信息仍可能丢失。问题在于，供应链的不同环节可能用不同方式描述同一个物理系统。

日月光（ASE）企业研发副总裁洪CP（CP Hung，音译）表示："最难交接的环节未必是数据最少的地方，通常是数据需要在截然不同的工程领域之间流转的地方。晶圆代工厂可能用一种方式描述裸片行为，基板供应商用另一种方式，而材料公司提供的性能参数可能是在非常特定的一组条件下测得的。然后OSAT必须将所有这些整合起来，理解它们在组装过程中将如何相互作用。"

当信息跨越公司边界时，这种上下文信息会更加难以保留。材料供应商了解设备公司所不了解的化学特性，设备公司掌握着OSAT或晶圆厂可能无法获取的工艺集成细节。这些知识中的很大一部分也代表着知识产权。

三菱化学集团市场营销与业务发展高级总监桑吉夫·巴特（Sanjiv Bhatt）表示："我们都有各自的数据，每个人都想保护自己的知识产权。我在这个行业干了一辈子，我们刚入行时有一种不同的合作方式，那时整个行业、整个生态系统要开放得多。"

对于封装数字孪生而言，这使得数据问题既是技术问题，也是组织问题。一种通用文件格式可以帮助在工具之间传递信息，但它无法提供从未被分享过的工艺数据、从未经过表征的材料属性，或是发生在更上游、未随来料裸片一同附上的异常事件信息。在第一次耦合仿真运行之前，模型可能就已经是不完整的。

制造过程自有其发言权

即便是完整的标称数据，也只能描述工程师最初打算制造的封装。制造过程自有其发言权，而它并不总是"投票"支持标称几何结构。这种差异在光子学领域表现得尤为明显，几何结构上相对微小的偏移就可能实质性地改变器件行为。关键尺寸、薄膜厚度或侧壁轮廓在加工过程中的变化幅度，足以改变光损耗或波长响应，而不会出现任何明显"故障"的迹象。

矽力科（Silvaco）TCAD业务部高级副总裁兼总经理埃里克·吉夏尔（Eric Guichard）表示："最大的脱节在于，光子器件通常是基于理想化几何结构进行设计和优化的，而制造出来的器件则受工艺引发的可变性所支配。一个光子集成电路可能在仿真或精心控制的研发试制中表现出色，但大批量制造会在尺寸、轮廓和材料方面引入变异，这些变异会直接影响光学行为。因此，针对'绘制版'几何结构优化的设计，往往无法代表'实际制造出'的器件。"

这一问题同样存在于光子学之外的领域。模型可能正确描述了标称结构，却遗漏了某个在硬件制造出来之前一直显得次要的制造效应。

NLM Photonics首席执行官布拉德·布斯（Brad Booth）表示："一些细微的差别不会体现在模型中。我们在ASIC设计工具上也曾遇到过类似问题——我们可以先做仿真，得到的后端结果通常与软件模型中呈现的内容非常接近。但当你开始引入那些还没有经过足够长时间验证或认证的新事物，或是当你在推进技术前沿时，情况就会变得更难，因为这时你引入了各种微妙因素，而这些微妙因素可能会产生巨大影响。"

湿度水平、清洗化学品浓度的细微变化，或轻微的欠蚀刻等精细工艺细节，一旦影响到性能表现，就会成为模型的输入参数。新材料带来了另一层复杂性，因为工程师不仅需要了解其标称属性，还需要了解这些属性会如何随尺寸、环境（尤其是温度）和时间而变化。

布鲁尔科学（Brewer Science）研究科学家兼团队负责人陈汉林（音译）表示："一份数据表给出的只是一个瞬间快照——在某一时刻、某一组条件下测得的热膨胀系数、模量、粘附力、粘度等参数。机械和热学性能会随固化程度而变化，交联密度可能在加工后持续演变，而粘附强度则很大程度上取决于具体的粘合界面。热膨胀系数也会发生变化，尤其是在接近聚合物玻璃化转变温度的区域。把这些参数中的任何一个当作单一静态数值来处理，都会导致大量的仿真与实际芯片之间的偏差。"

即便材料名称和配方未曾改变，这也会形成一个持续移动的目标。在模型构建时准确的数值，经过固化、热暴露或组装之后，可能就不再具有代表性。因此，问题不仅仅在于收集更多的材料属性数据，工程师还必须知道这些属性在何种条件下才适用。

布斯说："当你把任何新材料引入其中时，可调节的变量数量就会呈爆炸式增长，因为你必须了解这种材料在所有这些不同环境下的表现，以及它在整个生命周期内的变异情况。你可以在某种程度上建立模型，说'我应该处在这个大致范围内'，但随后你还必须真正把零件制造出来，因为你需要有某种方法将实际结果与模型进行关联验证。"

把零件制造出来解决了一个问题，却又立刻带来了另一个问题。一旦新材料被组装到一起，它们各自的变异就不再是独立表现的。此时，构建孪生体的关键已经不再主要是添加更好的输入数据，还涉及由热学和机械环境所引发的种种变化。

当一个问题变成另一个问题

这种相互作用正是封装数字孪生开始与传统仿真集合明显分道扬镳的地方。工程师出于效率考虑可能会分别对热学、机械和电气行为进行建模，但物理封装本身并不遵守这些人为划分的边界。

一旦这些效应开始相互反馈，分离的模型就变得难以再保持独立。功率就是一个直观的例子：电流产生热量，热量改变电阻，而这些电气变化又反过来改变了耗散的功率。新的功率分布再次改变了热学状况，因此工程师可能不得不在电气模型和热学模型之间反复迭代，直到结果收敛。

同样的问题也可能发生在工艺变异中，其中一种变化可能会改变另一种变化所产生的效应，而不仅仅是简单叠加。

矽力科的吉夏尔表示："一个关键的观察结果是，这些变量很少独立作用。良率往往受到多种工艺变异组合及非线性相互作用的限制。"

这也正是标准化难以推行的地方。传热或电气行为的模型单独来看可能已经十分成熟，但各接口处所采用的假设条件却不那么容易通用移植。

新思科技的拉森表示："标准化程度最低的往往是各接口处的模型，而非孤立的物理领域本身。真正困难的地方在于材料、结构、工艺、供应商和系统级决策相互交汇之处。"

例如，一家基板供应商和一家组装厂可能各自都拥有技术上有效的模型，但它们描述的是同一物理行为在不同假设条件下的不同部分。问题未必在于哪个模型是错误的，而在于它们可能无法紧密契合，从而无法形成对该封装的统一表述。

校准永无止境

最终，物理封装会有机会对模型"提出异议"。当这种情况发生时，测量数据就会成为孪生体本身的一部分，而不仅仅是最终的检验环节。英特尔的混合键合工作就是一个很好的例子：实验性的形变数据被反馈到有限元模型中，工程师随后可以对模型进行改进，再用它来探索那些通过实验难以实现的变化情形。

其目标是缩小工程师需要探索的条件范围，从而减少形变，并最终理解这种行为对工艺和材料变化的敏感程度，因为单一次测量很少能说明全部问题。翘曲是先进封装中一个显而易见的校准目标，但达到翘曲指标并不能证明封装中的其他一切都按预期运行。

更难的问题在于判断何时确实需要进行另一次测量。在每个工艺步骤都追踪每一个变量很快就会变得不切实际，但某些制造步骤对封装物理状态的改变足够大，以至于模型需要再进行一次现实校验。

日月光的洪表示："我不认为答案是在每个步骤都测量一切，真正关键的是在封装状态发生改变的那些节点进行测量。"这些转变节点可能包括键合、模封、固化、减薄和热转变等环节。

正因如此，建模工作必须考虑所有封装接口和测试结果。安靠的全俊表示："对于封装模型而言，翘曲是显而易见的测量指标，但这还不够。校准数据集必须包括凸点和互连计量数据、裸片贴装数据、基板表征数据、底部填充/模封/导热界面材料的测量数据、热表征测量数据以及电气测试数据。"

因此，当技术本身还是全新的时候，模型开发和物理开发就不能被割裂开来。

NLM的布斯表示："你必须在制造器件的同时构建那个孪生体，这样你才能得到某种关联验证。我们不得不真正做到这两者同步进行，因为不管我怎么创建出这个东西、宣称'这是个很棒的电路'，在我真正把它制造出来、并证明我能够制造出来且结果与数字孪生中的设想一致之前，我都无法真正说我的数字孪生准确代表了最终产品。"

成功完成一次校准也并非永久有效。封装、材料或工艺上的变化，都可能使下一个应用场景超出原始模型验证时所依据的条件范围。

布鲁尔科学的陈表示："没有固定的校准周期，这取决于新应用场景与原始模型所依据条件之间的差距有多大。新的封装架构、不同的基板、热预算的变化，或工艺流程的调整，都可能使某种材料超出其已验证的适用范围。我们的做法是，只要客户的应用场景在这些变量上引入了有意义的变化，就重新进行校准，而不是按照固定的日程表进行。"

校准也有其局限性。只有当使模型有效的那些条件始终与模型保持关联时，校准才具有实际意义。这一点在降阶模型和AI代理模型中尤为重要，因为它们的速度优势依赖于使用一种简化表述，同时又不能丢失该表述在何种条件下依然可信的相关信息。

拉森说："缺少这种上下文信息，一个快速的模型可能会变成一种快速做出错误决策的途径。"

结语：让孪生体始终贴合现实

构建封装数字孪生的难点，不仅仅在于创建精确的电气、热学或机械模型。真正的挑战在于，随着制造过程不断改变物理封装、新信息不断涌现，如何让这些模型始终与同一个物理封装保持关联。来自晶圆制造、组装和测试环节的测量数据必须反馈回这一表述体系中，同时还要附带足够的上下文信息，说明这些测量数据究竟代表着什么。

这在先进封装领域尤为困难，因为可能永远不会存在一个"一切都已完全掌握"的时刻。元件来自不同的供应商，材料在加工过程中发生变化，组装过程又引入了新的应力和相互作用。孪生体必须随封装一同演进，否则就有可能沦为一个精确描述某个已不复存在事物的模型。

拉森表示："一个有用的封装孪生体，不仅仅是摆在硬件旁边的一个仿真程序。已制造完成的封装应当能改进模型，而模型应当能让团队在投入下一代设计、封装堆叠或产品型号之前，预先了解将会发生哪些变化。"

这或许才是衡量成功与否的真正标准。孪生体不需要一次性完美预测出物理封装的一切，它需要做到的是，在物理封装不断变化的过程中始终保持实用价值。

Q&A

Q1：什么是封装数字孪生？它为什么难以构建？

A：封装数字孪生是用于预测先进封装中芯粒集成后行为表现的模型体系。它难以构建是因为需要跨越硅片、基板、组装、材料等多个不同的工程领域，还要保持与不断变化的物理封装同步，涉及大量分散在不同供应商手中的数据和知识产权。

Q2：为什么同一颗芯粒放进不同封装会表现不同？

A：因为芯粒周围的电气、热学和机械环境会随之改变。不同的基板、散热方案和功率范围会改变热量传导路径和电气特性，即使芯粒本身没有变化，整个系统的行为表现也可能完全不同。