PAPAI | Verpakkings- en assemblageprocessen ondersteund door AI

Regio:

Vlaanderen

Gefinancierd door

AI voor materiaalkunde in semiconductor packaging

Packaging- en assemblageprocessen voor halfgeleiders worden steeds complexer door miniaturisatie, hogere performantie-eisen en een groeiende productdiversiteit. PAPAI ontwikkelt AI-gestuurde aanpakken om de efficiëntie van semiconductor packaging en assemblage te verbeteren, met een specifieke focus op sinterprocessen voor power modules.

Doelgroep

Het project is relevant voor:

Fabrikanten van halfgeleiders
Bedrijven actief in semiconductor packaging en assemblage
Fabrikanten van vermogenselektronica en power modules
Leveranciers van materialen voor halfgeleidertoepassingen

Context

De halfgeleiderindustrie steunt steeds meer op geavanceerde packaging- en assemblagetechnologieën om compactere, performantere en meer heterogene elektronische systemen mogelijk te maken. Tegelijk staan fabrikanten onder toenemende druk om ontwikkelingstijden te verkorten en tegelijk procesefficiëntie en productperformantie te verbeteren.

Materiaalontwikkeling speelt hierin een sleutelrol. Binnen semiconductor packaging beïnvloeden innovatieve materialen zoals sinterpasta’s rechtstreeks de betrouwbaarheid en prestaties van power modules. Toch blijven de ontwikkeling en optimalisatie van deze materialen complex en tijdrovend.

Artificiële intelligentie kan materiaalontwikkeling en procesoptimalisatie versnellen en tegelijk materiaal- en energieverbruik verminderen. De meeste AI-aanpakken, vooral deep learning-methodes, vereisen echter grote datasets die in industriële omgevingen voor materiaalontwikkeling zelden beschikbaar zijn.

Daarom is er nood aan AI-methodes die betrouwbare inzichten en optimalisatiestrategieën kunnen leveren op basis van beperkte experimentele data. Vestibulum id vestibulum ex.

Doelstelling & resultaten

PAPAI wil de efficiëntie van semiconductor packaging- en assemblageprocessen verbeteren via AI-ondersteunde materiaalontwikkeling.

Specifieke doelstellingen:

AI-modellen ontwikkelen voor materiaalontwikkeling en procesoptimalisatie
Methodes onderzoeken om AI-modellen te trainen met beperkte experimentele data
Meer inzicht creëren in de parameters die sinterprestaties beïnvloeden
Een snellere ontwikkeling van formuleringen en een kortere time-to-market ondersteunen

Belangrijkste verwachte resultaten:

Een proof of concept voor AI-ondersteunde materiaalontwikkeling

Geïnteresseerd in AI voor materiaalontwikkeling in halfgeleiders?

Volg het project en ontdek hoe AI snellere en efficiëntere materiaalformulering en procesoptimalisatie kan ondersteunen voor toepassingen in semiconductor packaging.

Contacteer Alessandro Murgia voor meer informatie