一种用于实现氮化镓的电路高频封装方法及系统与流程

1.本发明涉及人工智能技术领域，尤其涉及一种用于实现氮化镓的电路高频封装方法及系统。


背景技术：

2.氮化镓具有高电子迁移率、耐高温、耐高压、抗辐射能力强等优越性质,可以用较少的电能消耗获得更高的运行能力，这些特性使得电力电子系统朝着更高的效率和功率密度前进。所有电力电子设备在正常运行时都会产生大量热量,更快的开关频率和更高的电流密度意味着更大量的热循环。芯片异质结结温升高,会降低漏极电流,影响器件性能。随着电流密度的增加,由于器件运行产生的自热效应,通道温度会比环境温度高出几百度。 自热效应会导致器件性能恶化甚至烧毁金属线,是降低器件寿命和可靠性的关键因素之一。
3.高温会导致器件性能衰退，如何解决热耗散问题对氮化镓器件的发展尤其重要，并且随着器件沟道异质结温度显著上升，器件输出功率密度降低，性能迅速恶化。可以说，散热问题已经成为限制氮化镓功率器件技术进一步发展和应用的最大瓶颈，受衬底和外延材料本身导热能力所限，因此如何解决基于氮化镓的电路高频封装时封装材料的散热量较小，成为了亟待解决的问题。


技术实现要素：

4.本发明提供一种用于实现氮化镓的电路高频封装方法及系统，其主要目的在于解决基于氮化镓的电路高频封装时封装材料散热量较低的问题。
5.为实现上述目的，本发明提供的一种用于实现氮化镓的电路高频封装方法，包括：获取氮化镓的历史封装数据，对所述历史封装数据进行因素分类，得到所述历史封装数据的分类因素；确定所述分类因素中的可变因素，根据所述可变因素和预设的散热函数建立所述氮化镓的封装散热模型；获取所述封装材料的实时数据，根据所述实时数据确定所述封装材料的实时散热量；根据所述实时数据和所述实时散热量对所述封装散热模型进行模型训练，得到训练完成的封装散热模型；根据所述训练完成的封装散热模型生成所述封装材料的材料值，利用所述材料值对所述氮化镓进行电路高频封装。
6.可选地，所述对所述历史封装数据进行因素分类，得到所述历史封装数据的分类因素，包括：根据预设的因素特征集构建基本决策树，利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树；
利用预获取的训练集对所述初始决策树进行训练，得到因素分类模型；利用所述因素分类模型对所述历史封装数据进行分类，得到所述历史封装数据的分类因素。
7.可选地，所述根据预设的因素特征集构建基本决策树，包括：任意选择预设的因素特征集中的一个因素特征作为根节点，在所述根节点上分裂出左节点和右节点；将所述因素特征集分配至所述左节点和所述右节点，得到基本决策树。
8.可选地，所述利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树，包括：利用预设的分裂收益计算函数计算所述因素特征集中的因素特征与所述根节点之间的分裂收益，得到所述因素特征集对应的分裂收益集合，其中，所述预设的分裂收益计算函数为：其中，为所述分裂收益，和为固定参数，为所述基本决策树的左节点所包含数据的一阶偏导数累加之和，为所述左节点所包含数据的二阶偏导数累加之和，为所述基本决策树的右节点所包含数据的一阶偏导数累加之和，为所述右节点所包含数据的二阶偏导数累加之和；选择所述分裂收益集合中最大的分裂收益所对应的因素特征作为切分点进行切分，得到切分点对应的子节点；将因素特征集分配至所述子节点，并重复执行计算分裂收益和切分处理，直至所述因素特征集分配完毕，得到初始决策树。
9.可选地，所述根据所述可变因素和预设的散热函数建立所述氮化镓的封装散热模型，包括：根据所述可变因素和所述历史封装数据生成预设的散热函数的约束条件；根据所述散热函数和所述约束条件生成所述氮化镓的封装散热模型。
10.可选地，所述根据所述实时数据确定所述封装材料的实时散热量，包括：对所述实时数据进行温度选取，得到所述实时数据中的实时温度；根据所述实时温度生成所述封装材料的实时温差，根据所述实时温差确定所述封装材料的实时散热量。
11.可选地，所述根据所述实时数据和所述实时散热量对所述封装散热模型进行模型训练，得到训练完成的封装散热模型，包括：将所述实时数据输入至所述封装散热模型，得到预测值集合；根据所述预测值集合和所述实时散热量生成所述封装散热模型的损失函数；利用所述损失函数对所述封装散热模型进行模型参数矫正，得到训练完成的封装散热模型。
12.可选地，所述根据所述预测值集合和所述实时散热量生成所述封装散热模型的损失函数，包括：
建立所述预测值集合和所述实时散热量的关联关系，根据所述关联关系、所述预测值集合和所述实时散热量生成所述封装散热模型的误差值集合；根据所述关联关系对所述误差值集合进行曲线拟合，得到所述封装散热模型的误差曲线；根据所述误差曲线确定所述封装散热模型的损失函数。
13.可选地，所述根据所述训练完成的封装散热模型生成所述封装材料的材料值，包括：确定所述训练完成的封装散热模型的最优模型参数，根据所述最优模型参数和预设的参数对照表确定所述封装材料的材料值。
14.为了解决上述问题，本发明还提供一种用于实现氮化镓的电路高频封装系统，所述系统包括：因素分类模块，用于获取氮化镓的历史封装数据，对所述历史封装数据进行因素分类，得到所述历史封装数据的分类因素；封装散热模型模块，用于确定所述分类因素中的可变因素，根据所述可变因素和预设的散热函数建立所述氮化镓的封装散热模型，其中，所述预设的散热函数为：其中，是氮化镓的封装材料的散热量，代表热量传递的方向同温度升高的方向相反，是封装材料的热导率，是封装材料的传热面积，是单位时间，是封装材料的单位厚度，是封装材料的对流传热系数，是封装材料的温度差，是封装材料的辐射热；实时散热量模块，用于获取所述封装材料的实时数据，根据所述实时数据确定所述封装材料的实时散热量；模型训练模块，用于根据所述实时数据和所述实时散热量对所述封装散热模型进行模型训练，得到训练完成的封装散热模型；电路封装模块，用于根据所述训练完成的封装散热模型生成所述封装材料的材料值，利用所述材料值对所述氮化镓进行电路高频封装。
15.本发明实施例通过对获取的氮化镓的历史封装数据进行因素分类，得到了后续建立封装散热模型需要的可变因素，根据预设的散热函数构建封装散热模型，并利用获取的实时数据对所述封装散热模型进行训练，对模型中的参数进行更新，提高了模型的精确度，利用高精度的封装散热模型可以确定能达到最优散热效果的封装材料，因此本发明提出用于实现氮化镓的电路高频封装方法及装置，可以解决基于氮化镓的电路高频封装时的封装材料散热量较小的问题。
附图说明
16.图1为本发明一实施例提供的用于实现氮化镓的电路高频封装方法的流程示意图；图2为本发明一实施例提供的生成历史封装数据的分类因素的流程示意图；
图3为本发明一实施例提供的训练封装散热模型的流程示意图；图4为本发明一实施例提供的用于实现氮化镓的电路高频封装装置的功能模块图；本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
17.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
18.本技术实施例提供一种用于实现氮化镓的电路高频封装方法。所述用于实现氮化镓的电路高频封装方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述用于实现氮化镓的电路高频封装方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
19.参照图1所示，为本发明一实施例提供的用于实现氮化镓的电路高频封装方法的流程示意图。在本实施例中，所述用于实现氮化镓的电路高频封装方法包括：s1、获取氮化镓的历史封装数据，对所述历史封装数据进行因素分类，得到所述历史封装数据的分类因素。
20.在本发明实施例中，所述历史封装数据是指基于氮化镓制成的半导体或者芯片产生的封装数据，其中，所述封装是指把集成电路装配为芯片最终产品的过程，简单地说，就是把铸造厂生产出来的集成电路裸片放在一块起到承载作用的基板上，把管脚引出来，然后固定包装成为一个整体。
21.详细地，所述氮化镓是拥有稳定六边形晶体结构的宽禁带半导体材料，其中，所述禁带是指电子从原子核轨道上脱离所需要的能量，氮化镓的禁带宽度为3.4ev，是硅的3倍多，所以说氮化镓拥有宽禁带特性。禁带宽度决定了一种材料所能承受的电场，氮化镓比传统硅材料更大的禁带宽度，使它具有非常细窄的耗尽区，从而可以开发出载流子浓度非常高的器件结构，由于氮化镓具有更小的晶体管、更短的电流路径、超低的电阻和电容等优势，氮化镓充电器的充电器件运行速度，比传统硅器件要快 100倍，更重要的是，氮化镓相比传统的硅，可以在更小的器件空间内处理更大的电场，同时提供更快的开关速度，此外，氮化镓比硅基半导体器件，可以在更高的温度下工作。
22.详细地，所述因素分类是根据所述历史封装数据确定所述氮化镓在进行封装时的影响因素，其中，影响因素可以分为可变因素和固定因素，可变因素是需要研究的对象，固定因素是需要控制的对象，所述影响因素包括但不限于：管脚数、腔体的尺寸、引脚尺寸、封装的体积、散热性能、电路布局和封装类型等。
23.在本发明实施例中，参图2所示，所述对所述历史封装数据进行因素分类，得到所述历史封装数据的分类因素，包括：s21、根据预设的因素特征集构建基本决策树，利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树；
s22、利用预获取的训练集对所述初始决策树进行训练，得到因素分类模型；s23、利用所述因素分类模型对所述历史封装数据进行分类，得到所述历史封装数据的分类因素。
24.本发明实施例中，决策树是一种树形结构，其中，决策树上的每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。
25.详细地，所述根据预设的因素特征集构建基本决策树，包括：任意选择预设的因素特征集中的一个因素特征作为根节点，在所述根节点上分裂出左节点和右节点；将所述因素特征集分配至所述左节点和所述右节点，得到基本决策树。
26.例如，选择所述因素特征集中“是否a类因素”这一因素特征作为根节点，并在所述根节点上分裂出“是a类因素”为左节点，“不是a类因素”为右节点，并将所述因素特征集中的数据分配到左节点和右节点上，得到基本决策树，其中，所述基本决策树是一个最简单的决策树，是后续决策树进行分裂的基础。
27.详细地，所述利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树，包括：利用预设的分裂收益计算函数计算所述因素特征集中的因素特征与所述根节点之间的分裂收益，得到所述因素特征集对应的分裂收益集合，其中，所述预设的分裂收益计算函数为：其中，为所述分裂收益，和为固定参数，为所述基本决策树的左节点所包含数据的一阶偏导数累加之和，为所述左节点所包含数据的二阶偏导数累加之和，为所述基本决策树的右节点所包含数据的一阶偏导数累加之和，为所述右节点所包含数据的二阶偏导数累加之和；选择所述分裂收益集合中最大的分裂收益所对应的因素特征作为切分点进行切分，得到切分点对应的子节点；将因素特征集分配至所述子节点，并重复执行计算分裂收益和切分处理，直至所述因素特征集分配完毕，得到初始决策树。
28.详细地，所述贪心算法是指在对问题求解时，总是做出在当前看来是最好的选择，也就是说，不从整体最优上加以考虑，所做出的仅是在某种意义上的局部最优解。
29.s2、确定所述分类因素中的可变因素，根据所述可变因素和预设的散热函数建立所述氮化镓的封装散热模型。
30.在本发明实施例中，可变因素包括所述氮化镓的封装材料种类和材料尺寸，所述封装散热模型是指计算基于氮化镓进行封装后得到的半导体或者芯片工作时的实时散热值。
31.在本发明实施例中，所述根据所述可变因素和预设的散热函数建立所述氮化镓的封装散热模型，包括：根据所述可变因素和所述历史封装数据生成预设的散热函数的约束条件；
根据所述散热函数和所述约束条件生成所述氮化镓的封装散热模型。
32.详细地，所述约束条件是根据实际情况生成的，例如：氮化镓的封装材料的尺寸肯定是限制在一定的范围内的，材料尺寸不能无限大，也不能无限小，另外，所述封装材料肯定是现阶段存在的某种可用材料，例如：金属、陶瓷或者塑料。
33.详细地，所述预设的散热函数为：其中，是氮化镓的封装材料的散热量，代表热量传递的方向同温度升高的方向相反，是封装材料的热导率，是封装材料的传热面积，是单位时间，是封装材料的单位厚度，是封装材料的对流传热系数，是封装材料的温度差，是封装材料的辐射热。
34.s3、获取所述封装材料的实时数据，根据所述实时数据确定所述封装材料的实时散热量。
35.在本发明实施例中，所述实时数据是指所述封装材料的实时温度、根据封装材料生成的芯片或者半导体的工作时间、实时电流、实时电压等；可以传感器对由氮化镓和封装材料生成的芯片或者半导体进行监测，以获取所述封装材料的实时数据。
36.在本发明实施例中，所述根据所述实时数据确定所述封装材料的实时散热量，包括：对所述实时数据进行温度选取，得到所述实时数据中的实时温度；根据所述实时温度生成所述封装材料的实时温差，根据所述实时温差确定所述封装材料的实时散热量。
37.详细地，所述温度选取可以根据传感器进行，所述传感器进行数值显示或者将传感器与终端进行连接，将传感器获取到的数据传到终端，进而生成可视化的数据界面。
38.详细地，可以获取封装材料的比热容，从而根据比热容和实时温差生成所述封装材料的实时散热量。
39.s4、根据所述实时数据和所述实时散热量对所述封装散热模型进行模型训练，得到训练完成的封装散热模型。
40.在本发明实施例中，对所述封装散热模型进行训练是指对所述封装散热模型中模型参数进行参数更新，确保所述封装散热模型进行散热测试时的准确率。
41.在本发明实施例中，参图3所示，所述根据所述实时数据和所述实时散热量对所述封装散热模型进行模型训练，得到训练完成的封装散热模型，包括：s31、将所述实时数据输入至所述封装散热模型，得到预测值集合；s32、根据所述预测值集合和所述实时散热量生成所述封装散热模型的损失函数；s33、利用所述损失函数对所述封装散热模型进行模型参数矫正，得到训练完成的封装散热模型。
42.详细地，所述实时数据包括但不限于：实时温差、时间、传热面积、厚度等；根据所述封装散热模型和所述实时数据生成预测散热值，将所述预测散热值汇集为预测值集合。
43.详细地，所述根据所述预测值集合和所述实时散热量生成所述封装散热模型的损
失函数，包括：建立所述预测值集合和所述实时散热量的关联关系，根据所述关联关系、所述预测值集合和所述实时散热量生成所述封装散热模型的误差值集合；根据所述关联关系对所述误差值集合进行曲线拟合，得到所述封装散热模型的误差曲线；根据所述误差曲线确定所述封装散热模型的损失函数。
44.详细地，所述关联关系是指每个实时散热量都有与之相对应的、并且唯一确定的预测散热值；将所述实时散热量减去预测散热量就可以生成所述散热封装模型的散热误差值，将所述散热误差值汇集为误差值集合。
45.详细地，可以利用matlab、origin等软件进行曲线拟合，也可以利用最小二乘法进行曲线拟合。
46.s5、根据所述训练完成的封装散热模型生成所述封装材料的材料值，利用所述材料值对所述氮化镓进行电路高频封装。
47.在本发明实施例中，所述根据所述训练完成的封装散热模型生成所述封装材料的材料值，包括：确定所述训练完成的封装散热模型的最优模型参数，根据所述最优模型参数和预设的参数对照表确定所述封装材料的材料值。
48.详细地，所述预设的参数对照表是指所述封装材料的电导率表，将所述封装材料的电导率值和实时温度与所述电导率表进行比对，确定所述封装材料的种类，进而对氮化镓进行电路高频封装。
49.本发明实施例通过对获取的氮化镓的历史封装数据进行因素分类，得到了后续建立封装散热模型需要的可变因素，根据预设的散热函数构建封装散热模型，并利用获取的实时数据对所述封装散热模型进行训练，对模型中的参数进行更新，提高了模型的精确度，利用高精度的封装散热模型可以确定能达到最优散热效果的封装材料，因此本发明提出用于实现氮化镓的电路高频封装方法，可以解决基于氮化镓的电路高频封装时的封装材料散热量较小的问题。
50.如图4所示，是本发明一实施例提供的用于实现氮化镓的电路高频封装系统的功能模块图。
51.本发明所述用于实现氮化镓的电路高频封装装置100可以安装于电子设备中。根据实现的功能，所述用于实现氮化镓的电路高频封装装置100可以包括因素分类模块101、封装散热模型模块102、实时散热量模块103、模型训练模块104及电路封装模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
52.在本实施例中，关于各模块/单元的功能如下：所述因素分类模块101，用于获取氮化镓的历史封装数据，对所述历史封装数据进行因素分类，得到所述历史封装数据的分类因素；所述封装散热模型模块102，用于确定所述分类因素中的可变因素，根据所述可变因素和预设的散热函数建立所述氮化镓的封装散热模型，其中，所述预设的散热函数为：
其中，是氮化镓的封装材料的散热量，代表热量传递的方向同温度升高的方向相反，是封装材料的热导率，是封装材料的传热面积，是单位时间，是封装材料的单位厚度，是封装材料的对流传热系数，是封装材料的温度差，是封装材料的辐射热；所述实时散热量模块103，用于获取所述封装材料的实时数据，根据所述实时数据确定所述封装材料的实时散热量；所述模型训练模块104，用于根据所述实时数据和所述实时散热量对所述封装散热模型进行模型训练，得到训练完成的封装散热模型；所述电路封装模块105，用于根据所述训练完成的封装散热模型生成所述封装材料的材料值，利用所述材料值对所述氮化镓进行电路高频封装。
53.在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
54.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
55.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
56.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
57.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
58.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
59.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
60.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。