来源：期刊VIP网 时间：
作者：王昊舟;王珺;
单位：复旦大学智能材料与未来能源创新学院;
摘要：针对封装基板的翘曲预测问题，提出一种基于循环神经网络(RNN)与双向长短期记忆(Bi-LSTM)网络相结合的机器学习方法，构建封装基板翘曲预测模型。该模型可预测非对称基板翘曲分布，并有效提高预测效率与准确性。为获取模型训练所需数据集，开发了随机游走自动布线算法，生成不同特征的基板布线结构，并利用铜迹线强化有限元分析(FEA)方法获取翘曲分布数据。研究结果表明，Bi-LSTM网络模型在80个训练周期内误差收敛至0.05 mm~2以下，结构相似性衡量指标(SSIM)均大于0.7;在非训练集铜布线验证样本上表现出良好的泛化能力，并且预测时间仅需数秒，预测速度显著快于FEA,为基板设计提供了快速、准确的翘曲预测新途径，有助于提高优化迭代效率。
关键词：双向长短期记忆(Bi-LSTM)网络;;基板翘曲分布;;封装仿真;;有限元分析(FEA);;机器学习
