Advanced semiconductor packaging design via artificial intelligence and machine learning: A review

可解释性 人工智能 计算机科学 人工神经网络 机器学习 工作流程 深度学习 可靠性(半导体) 概化理论 系统工程 半导体工业 电子包装 稳健性(进化) 自动化 模块化(生物学) 包装工程 控制工程 人工智能应用 计算机工程 电子设计自动化 集成电路封装 工程类 嵌入 深层神经网络 强化学习 机器人学 电子工程
作者
M. Rafiee,P. Saini
出处
期刊:Microelectronics Reliability [Elsevier BV]
卷期号:181: 116145-116145
标识
DOI:10.1016/j.microrel.2026.116145
摘要

System performance now depends as much on advanced semiconductor packaging as on transistor scaling, especially with chiplets, 2.5D interposers, and 3D stacks. The resulting electro-thermal-mechanical coupling makes conventional electromagnetic (EM), finite-element (FEM), and computational fluid dynamics (CFD) analysis costly for design-space exploration. This review synthesizes how artificial intelligence (AI) and machine learning (ML) accelerate and augment packaging workflows across four domains—signal/power integrity (SI/PI), thermal integrity, structural/assembly behavior (warpage and stress), and reliability—and how AI and ML enables multi-physics co-design. We organize prior work by design role (surrogate modeling, design tuning, time-series tracking and multi objective co- design) and by algorithm family for fast surrogates; deep models (convolutional neural networks and long short-term memory networks) for images and waveforms; emerging reinforcement learning for routing, stack-up, and parameter auto-tuning; and physics-informed networks for thermally constrained settings. Cross-domain analysis reveals which models generalize broadly and which are specialized for data types or physics constraints. Remaining challenges for industrial adoption include reliance on simulation-only datasets, limited generalizability across architectures, incomplete uncertainty quantification, and interpretability concerns. We emphasize ongoing opportunities in integrating physics knowledge, uncertainty-aware learning, digital twin frameworks, transfer- and semi-supervised learning strategies, standardized benchmarking, and embedding AI and ML into electronic design automation (EDA) flows. Overall, AI and ML are advancing semiconductor packaging from simulation-driven iteration toward learning-augmented co-design, enabling more efficient, robust, and holistic optimization. • Reviews AI/ML methods accelerating advanced semiconductor packaging design • Covers SI/PI, thermal integrity, warpage/stress, and reliability domains • Taxonomy by design roles: surrogates, tuning, tracking, multi-physics co-design • Highlights adoption gaps and opportunities and EDA integration
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
活泼沁完成签到 ,获得积分10
刚刚
直率翠绿发布了新的文献求助10
1秒前
希望天下0贩的0的应助被久伴采纳,获得10
1秒前
留白完成签到,获得积分10
1秒前
奶油小饼干完成签到 ,获得积分10
2秒前
2秒前
Aurora完成签到 ,获得积分20
3秒前
leeki完成签到,获得积分20
3秒前
4秒前
oxfocean发布了新的文献求助20
4秒前
cdercder的应助被皮卡丘采纳,获得10
6秒前
7秒前
7秒前
zz完成签到,获得积分20
7秒前
CAOHOU的应助被achilles采纳,获得10
8秒前
Ali的应助被achilles采纳,获得10
8秒前
生半夏发布了新的文献求助10
8秒前
1111完成签到,获得积分20
11秒前
TFauthor发布了新的文献求助10
11秒前
科研天才完成签到,获得积分10
12秒前
元吉的应助被dgym采纳,获得10
12秒前
12秒前
可可完成签到,获得积分10
12秒前
小哒完成签到,获得积分10
12秒前
12秒前
思源的应助被静默采纳,获得10
13秒前
Wynne的应助被業業采纳,获得20
13秒前
666完成签到,获得积分10
13秒前
大力的一斩完成签到,获得积分10
14秒前
15秒前
繁荣的瑛的应助被大胆听莲采纳,获得10
15秒前
16秒前
愉快之槐完成签到,获得积分10
16秒前
小蘑菇的应助被xx采纳,获得10
19秒前
19秒前
慕青的应助被完美的蜜蜂采纳,获得10
19秒前
19秒前
wg发布了新的文献求助10
19秒前
19秒前
张伟完成签到,获得积分20
19秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
Sex, Aging, and Death in a Medieval Medical Compendium: Trinity College Cambridge MS R.14.52, Its Texts, Language, and Scribe 500
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
基于结构调控的功能化水诱导发电材料与器件研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8188221
求助须知:如何正确求助?哪些是违规求助? 9576025
关于积分的说明 21845049
捐赠科研通 7786165
什么是DOI,文献DOI怎么找? 3435226
关于科研通互助平台的介绍 2559559
邀请新用户注册赠送积分活动 2482157