具体实施方式

本发明实施例提供一种基于机器学习的芯片自动分组封装方法，基于芯片性能的多维度考虑，根据芯片性能参数的项数建立多维超平面并将晶圆上的芯片映射至建立的超平面中，然后基于机器学习聚类分析算法，对映射至超平面中的芯片进行分组，使得分至同一组的芯片的性能相近，在进行芯片封装时，选取同一分组中的芯片进行同一模块或衬板上的芯片封装，使得同一模块或衬板上的芯片来自同一组，从而确保同一模块或衬板上的芯片性能相近，保证同一模块或衬板上每颗芯片的性能参数一致，有效保证模块或衬板使用的稳定性。本发明实施例相应地还提供了一种基于机器学习的芯片自动分组封装系统。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

参见图1所示，本发明实施例提供的一种基于机器学习的芯片自动分组封装方法，具体包括以下步骤：

S1：获取晶圆上的芯片的性能参数，并基于性能参数的项数建立多维超平面。

芯片在使用的过程中，电流与阈值电压参数有关，发热与饱和压降参数有关，漏电与截止电流参数有关等等，因此，本发明基于芯片性能参数的多维度/种类考虑，在对芯片进行分组划分时，考虑芯片的多个性能参数。具体的，本发明实施例中，芯片的性能参数包括阈值电压、饱和压降和截止电流，当然，在一种可能的实施方式中，芯片的性能参数种类不局限于上述种类，还可以包含更多的性能参数种类。

本发明实施例中，多维超平面的维数与芯片的性能参数项数相同，即芯片的性能参数项数有多少项，则所建立的超平面的维数就有多少维。例如，当芯片的性能参数项数为2项时，则建立的超平面为二维，当芯片的性能参数项数为3项时，则建立的超平面为三维，芯片的性能参数项数为4项时，则建立的超平面为四维，依此类推。

S2：基于晶圆上芯片的性能参数，将晶圆上的芯片映射至建立的超平面中；

S3：基于机器学习聚类分析算法，对映射至超平面中的芯片进行分组；

S4：根据分组结果，选取同一分组中的芯片进行同一模块或衬板上的芯片封装。

本发明实施例中，基于晶圆上芯片的性能参数，将晶圆上的芯片映射至建立的超平面中，具体为：基于晶圆上芯片的性能参数的数值，将晶圆上的芯片映射为超平面中对应芯片性能参数数值的点，且晶圆上的每一颗芯片均映射为超平面中的一个点。

即通过建立多维的超平面，按照芯片性能参数的数值，将晶圆图上的每颗芯片对一一对应在多维超平面的某个点上。在超平面中，点之间的距离越近，则点所对应芯片间的性能差异越小，点之间的距离越远，则点所对应芯片间的性能差异越大。将晶圆图上的一颗颗芯片都映射为超平面上的一个个点之后，此时，芯片之间的性能差异就转化为超平面上点与点之间的距离，点与点之间距离越近，那么性能就越一致，距离越远，则性能差异就越大。

本发明实施例中，基于机器学习聚类分析算法，对映射至超平面中的芯片进行分组，具体为：基于机器学习聚类分析算法，将超平面中距离相近的点划分为一组，并将同一组中各个点所对应的芯片划分为一组，实现对晶圆上芯片的分组。对超平面中的点进行分组后得到多个分组；对晶圆上的芯片进行分组后得到多个分组，且对超平面中的点分组后得到的组数，与对晶圆上的芯片进行分组后得到的组数相同。机器学习聚类分析算法为层次聚类算法、K均值聚类算法、谱聚类算法、高斯混合聚类算法或正态混合聚类算法。

根据聚类分析结果，将超平面上分组后的点再一一对应晶圆图上每颗芯片，这样，晶圆上的每颗芯片都被划分到了对应的组，且同一组中的芯片，输出电流一致、发热一致、漏电流一致等等，具有性能一致性。

当从晶圆上取芯片进行封装时，只需要保证单个模块/衬板上所有的芯片都来自同一个组，就能保证此模块/衬板上的芯片间的差别足够小，这样就能保证模块/衬板上每颗芯片性能的一致性。单个模块/衬板内所有芯片都来自同一组，以实现模块内芯片与芯片之间的电流、电压、发热、漏电、开关速度等等参数的均匀性和一致性。采用机器学习中的聚类分析方法来替代固定数值分类方法，可以根据使用的具体情况来自动分组，比如每个衬板要使用m个IGBT芯片，那么整批芯片来料(假设共N颗IGBT芯片)可以划分为K个聚类簇，确保每个聚类簇内的芯片间参数差异最小，性能最接近，将聚类后的分组结果上传到晶圆图，那么在取IGBT芯片进行贴片封装的时候，每个衬板上的m个芯片都是来自同一组聚类，这样衬板上的每颗芯片的性能(发热量、电流、电压降等)都是最接近的，有效地避免整个IGBT芯片发热不均匀，并联输出电流不均匀的情况。

本发明实施例中，根据分组结果，选取同一分组中的芯片进行同一模块或衬板上的芯片封装，具体为：依次获取晶圆上的芯片，并判断当前获取的芯片是否为当前模块或衬板所对应分组中的芯片，若是，则将当前芯片贴片到当前模块或衬板上，然后获取晶圆上的下一颗芯片并判断获取的下一颗芯片是否为当前模块或衬板所对应分组中的芯片，若否，则直接获取晶圆上的下一颗芯片，并判断获取的下一颗芯片是否为当前模块或衬板所对应分组中的芯片，依次类推，直至获取并判断完晶圆上的所有芯片。

例如，将进行芯片分组后的晶圆图导入到贴片机后，依次进行晶圆上芯片的获取，假设当前模块或衬板对应的芯片分组为分组A，则先获取晶圆上的第一颗芯片，判断该芯片是否属于分组A，若是，则将该芯片贴片到当前模块或衬板上，然后获取晶圆上的第二颗芯片，若否，则直接获取晶圆上的第二颗芯片；然后判断获取的第二颗芯片是否属于分组A，若是，则将该芯片贴片到当前模块或衬板上，然后获取晶圆上的第三颗芯片，若否，则直接获取晶圆上的第三颗芯片；依次类推，直至获取并判断完晶圆上的所有芯片。

本发明实施例的基于机器学习的芯片自动分组封装方法，基于芯片性能的多维度考虑，根据芯片性能参数的项数建立多维超平面并将晶圆上的芯片映射至建立的超平面中，然后基于机器学习聚类分析算法，对映射至超平面中的芯片进行分组，使得分至同一组的芯片的性能相近，在进行芯片封装时，选取同一分组中的芯片进行同一模块或衬板上的芯片封装，使得同一模块或衬板上的芯片来自同一组，从而确保同一模块或衬板上的芯片性能相近，保证同一模块或衬板上每颗芯片的性能参数一致，有效保证模块或衬板使用的稳定性。

本发明实施例提供的一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现下述所述基于机器学习的芯片自动分组封装方法的步骤：

获取晶圆上的芯片的性能参数，并基于性能参数的项数建立多维超平面；

基于晶圆上芯片的性能参数，将晶圆上的芯片映射至建立的超平面中；

基于机器学习聚类分析算法，对映射至超平面中的芯片进行分组；

根据分组结果，选取同一分组中的芯片进行同一模块或衬板上的芯片封装。

本发明实施例中，芯片的性能参数包括阈值电压、饱和压降和截止电流。多维超平面的维数与芯片的性能参数项数相同。

本发明实施例中，基于晶圆上芯片的性能参数，将晶圆上的芯片映射至建立的超平面中，具体为：基于晶圆上芯片的性能参数的数值，将晶圆上的芯片映射为超平面中对应芯片性能参数数值的点，且晶圆上的每一颗芯片均映射为超平面中的一个点。超平面中，点之间的距离越近，则点所对应芯片间的性能差异越小，点之间的距离越远，则点所对应芯片间的性能差异越大。

本发明实施例中，基于机器学习聚类分析算法，对映射至超平面中的芯片进行分组，具体为：基于机器学习聚类分析算法，将超平面中距离相近的点划分为一组，并将同一组中各个点所对应的芯片划分为一组，实现对晶圆上芯片的分组。对超平面中的点进行分组后得到多个分组；对晶圆上的芯片进行分组后得到多个分组，且对超平面中的点分组后得到的组数，与对晶圆上的芯片进行分组后得到的组数相同。机器学习聚类分析算法为层次聚类算法、K均值聚类算法、谱聚类算法、高斯混合聚类算法或正态混合聚类算法。

本发明实施例中，根据分组结果，选取同一分组中的芯片进行同一模块或衬板上的芯片封装，具体为：依次获取晶圆上的芯片，并判断当前获取的芯片是否为当前模块或衬板所对应分组中的芯片，若是，则将当前芯片贴片到当前模块或衬板上，然后获取晶圆上的下一颗芯片并判断获取的下一颗芯片是否为当前模块或衬板所对应分组中的芯片，若否，则直接获取晶圆上的下一颗芯片，并判断获取的下一颗芯片是否为当前模块或衬板所对应分组中的芯片，依次类推，直至获取并判断完晶圆上的所有芯片。

存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本发明实施例提供的一种基于机器学习的芯片自动分组封装系统，包括获取模块、映射模块、分组模块和封装模块。获取模块用于获取晶圆上的芯片的性能参数，并基于性能参数的项数建立多维超平面；映射模块用于基于晶圆上芯片的性能参数，将晶圆上的芯片映射至建立的超平面中；分组模块用于基于机器学习聚类分析算法，对映射至超平面中的芯片进行分组；封装模块用于根据分组结果，选取同一分组中的芯片进行同一模块或衬板上的芯片封装。

本发明实施例中，芯片的性能参数包括阈值电压、饱和压降和截止电流。多维超平面的维数与芯片的性能参数项数相同。

本发明实施例中，基于晶圆上芯片的性能参数，将晶圆上的芯片映射至建立的超平面中，具体为：基于晶圆上芯片的性能参数的数值，将晶圆上的芯片映射为超平面中对应芯片性能参数数值的点，且晶圆上的每一颗芯片均映射为超平面中的一个点。超平面中，点之间的距离越近，则点所对应芯片间的性能差异越小，点之间的距离越远，则点所对应芯片间的性能差异越大。

本发明实施例中，基于机器学习聚类分析算法，对映射至超平面中的芯片进行分组，具体为：基于机器学习聚类分析算法，将超平面中距离相近的点划分为一组，并将同一组中各个点所对应的芯片划分为一组，实现对晶圆上芯片的分组。对超平面中的点进行分组后得到多个分组；对晶圆上的芯片进行分组后得到多个分组，且对超平面中的点分组后得到的组数，与对晶圆上的芯片进行分组后得到的组数相同。机器学习聚类分析算法为层次聚类算法、K均值聚类算法、谱聚类算法、高斯混合聚类算法或正态混合聚类算法。

本发明实施例中，根据分组结果，选取同一分组中的芯片进行同一模块或衬板上的芯片封装，具体为：依次获取晶圆上的芯片，并判断当前获取的芯片是否为当前模块或衬板所对应分组中的芯片，若是，则将当前芯片贴片到当前模块或衬板上，然后获取晶圆上的下一颗芯片并判断获取的下一颗芯片是否为当前模块或衬板所对应分组中的芯片，若否，则直接获取晶圆上的下一颗芯片，并判断获取的下一颗芯片是否为当前模块或衬板所对应分组中的芯片，依次类推，直至获取并判断完晶圆上的所有芯片。

本发明实施例的基于机器学习的芯片自动分组封装系统，基于芯片性能的多维度考虑，根据芯片性能参数的项数建立多维超平面并将晶圆上的芯片映射至建立的超平面中，然后基于机器学习聚类分析算法，对映射至超平面中的芯片进行分组，使得分至同一组的芯片的性能相近，在进行芯片封装时，选取同一分组中的芯片进行同一模块或衬板上的芯片封装，使得同一模块或衬板上的芯片来自同一组，从而确保同一模块或衬板上的芯片性能相近，保证同一模块或衬板上每颗芯片的性能参数一致，有效保证模块或衬板使用的稳定性。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。