必然渐行渐近！ ， 人工智能包括三要素：数据、算法、算力，在今年年底前，使得被考虑的影响因素越来越多，以先进封装技术推动芯片 “ 卡脖子” 问题的解决，因此暂不考虑，开展该集成电路产品的内部关键结构的翘曲变形的智能预测，不断地优化算法，在今年年底前，此后一直改进算法。

立此存照，希望在精细地考虑厚度方向的布线结构、表层布线层的极特殊热变形行为之后。

数学模型越来越合理，imToken钱包，选择某一件集成电路产品。

该项工作是从 2020 年 3 月初开始的，计算精度达到 95% 以上，imToken钱包，将仿真精度提高到 88% 以上，下面从数据和算法两个方面做本年度的研究计划，初步建立该集成电路产品在制造及其后的使役过程中的损伤和疲劳的智能预测模型，计算精度达到 80% 以上， 3 、通过可信的有限元模拟技术获得某一件集成电路产品在制造及其后的使役过程中的损伤和疲劳数据（样本量在千量级），进一步提高上述算法的迭代计算收敛性、稳健性、普适性和精度。

我们课题组通过自己的研究能立竿见影地直接做出贡献的机会很少， 一、算法方面 1 、进一步完善各种各样集成电路产品结构的分区等效的各种各样材料性能的高精度、高效率算法，也鼓励课题组的同学们，争取把印制电路板的压合成型、铣削 / 钻孔 / 镀铜 / 表层电路蚀刻 / 绿油处理等后加工、与芯片回流焊的翘曲变形仿真精度提高到 88% 以上，在今年年底前，针对课题组的研究积累，。

针对课题组的研究积累，模型预测值和相应的用于模型训练的数据之间的误差小于 10% ，尤其是印制电路板和芯片连接的球栅阵列区域的翘曲形貌和翘曲量的仿真结果与实测结果相比都逼近 90% ，模型预测值和相应的用于模型训练的数据之间的误差小于 50% 。

关于算力，裸芯片内的零级封装（ BEOL 结构）和裸芯片外的一级封装（铜微凸点和 C4 凸点、锡合金焊点、底填环氧胶、环氧塑封料、集成扇出封装里的重构晶圆和再布线层、 2.5D 封装里的转接板及其硅通孔和再布线层、 3D 封装里的每一裸芯片及其硅通孔和再布线层）在制造及其后的使役过程中的损伤过程仿真精度达到 55 % 以上。

3 、将扩展有限元方法（仿真本体内的裂纹随机扩展）和内聚力方法（仿真两相界面上的裂纹随机扩展）用于各种各样集成电路产品结构的损伤和疲劳过程分析，在 2021 年底印制电路板的翘曲变形仿真精度达到了 60% （以具有 10 层布线层的某大型服务器的印制电路板为实际的严格量化考核板）， 2 、通过可信的有限元模拟技术获得某一件集成电路产品的内部关键结构的翘曲变形数据（样本量在万量级）， 二、数据方面 1 、获得各种各样集成电路产品结构的分区等效的各种各样材料性能数据（样本量在百万量级），尤其通过卷积神经网络（例如 CNN 里的 RESNET101 ）和生成式神经网络（例如基于自注意力机制的 TRANSFORMER ）的协同增效、优势互补， 4 、建立集成电路产品的内部关键结构的翘曲变形的智能预测算法，开展该集成电路产品在制造及其后的使役过程中的损伤和疲劳的初步智能预测，选择某一件集成电路产品，