AI數據分析於5G LTCC陶瓷粉體開發之應用(下)：材料世界網

劉子瑜、邱國創 / 工研院材化所

【內文精選】

AI數據分析於低介電常數與低損耗之5G LTCC陶瓷粉體開發應用

2. 機器學習(ML)工具在5G LTCC陶瓷粉體材料開發中的應用

近年來機器學習被認為是預測沒有現成解析解(Analytic Expression)材料特性的強大工具，因此在本項工作中我們也應用了機器學習，以數據驅動研發模式來協助材料開發。在這項研究中，材料系統包括主玻璃、輔助相玻璃MAS、添加劑(如成核劑、助熔劑、填料等)，且彼此關係很複雜，很適合利用機器學習方法來探索LTCC的Dk和Df特性。通過整合機器學習、實驗設計、特徵(因子)數據庫和人工智慧參數建議，可以輔助多因子篩選和匹配來加速材料開發。

(2) 基於固定輔相玻璃系統的複合粉末ML模型建置

基於先前的初步ML模型，我們篩選了藉由溶膠–凝膠法形成輔助相玻璃的關鍵因子，例如結晶環境參數和原料添加量，並在經過研究人員的確認後，累積了更多基於關鍵因子所合成出的樣品實驗數據。因此我們也嘗試使用迄今為止收集的所有實驗數據來擬合Dk和Df特性，並探索了組成和處理特徵空間，以找到具有低Dk和Df 值的潛在LTCC材料系統，所提出的模型可以作為未來技術相關系統中新LTCC材料設計的快速指南。過去實驗所累積的數據庫由添加劑、玻璃相含量、製程參數以及1 GHz下的Dk和Df測量值組成。

玻璃相包括兩類：主相玻璃和輔助相玻璃MAS，它是藉由溶膠–凝膠技術形成的玻璃陶瓷。主相玻璃包括不同的成分系統：MgO-Al₂O₃-SiO₂玻璃(MASG)、CaO-B₂O₃-SiO₂玻璃(CBSG)、硼矽酸鹽玻璃(BG)和硼矽酸鹽玻璃＋填料(BGF)。可以選擇具有給定莫爾百分比的固定成分輔助玻璃，並將其添加到主玻璃或玻璃/陶瓷複合材料(包含主玻璃、陶瓷填料和/或固體玻璃陶瓷)中，以調整微觀結構和相應的性能。製程參數包括在不同溫度和時間下的三個煅燒階段。在一開始的時候，我們打算使用具有116個數據點的初始數據集來開發Dk和Df的機器學習模型；但是，未能開發出像樣的模型，其中誤差太高、準確度太低，因此我們懷疑這可能是由於有限數據採樣的不平衡權重導致的聚類存在數據偏差。

(3) 基於固定輔相玻璃系統的複合粉末ML模型應用

對於Dk的特性建模，我們手動選擇了T2_R、T3_R、氧化鋁、堇青石、MASG、CBSG-S、CBSG-B、BG和MAS作為構建Dk模型的輸入特徵。對於Df的特性建模，我們使用T2_time、T3_time、氧化鋁、堇青石、MASG、CBSG-S、CBSG-B、BG和MAS作為構建Df模型的輸入特徵。整體而言，數據集標準差的CV RMSE (RMSE/σ)均小於1，這代表我們的模型捕獲了複雜的Dk和Df 特性。由於數據集相當小且採樣不太均勻，因此很難通過外推法獲得準確的預測。儘管如此，在數據集的組成範圍內探索潛在的LTCC候選材料做內插預測仍然是有助益的。

由於所提出模型的目標是探索具有低Dk和Df值以控制信號延遲和能量損耗的潛在LTCC材料系統，因此利用圖形化的特性等高線圖(圖十五)有助於定義滿足給定標準的區域，亦能在固定其他變量的情況下探索氧化鋁、堇青石和CBSG-S含量中的潛在候選配方。圖十五為開發具有低Dk和Df 值的潛在LTCC材料系統提供了快速指南以節省時間和成本，一旦有更多數據可用，所提出的模型就可以進一步改進並擴展到更複雜的系統。