Investigating the effects of post-mold cure on warpage in electronic packaging processes

Post-mold Cure ist ein häufig angewandtes Verfahren im Bereich Electronic Packaging, bei dem duromere Teile nach der Formgebung erneut erhöhten Temperaturen ausgesetzt werden, um eine höhere Vernetzungsdichte und damit bessere Materialeigenschaften zu erreichen. Bisherige Studien und industrielle Anwendungen haben gezeigt, dass der Post-mold Cure auch eine nützliche Methode ist, um den Verwölbung der Verkapselung, der ein wichtiges Qualitätskriterium ist, zu verringern. Trotz dieser Erkenntnisse sind die Auswirkungen verschiedener Post-mold Cure Parameter auf die resultierende Verwölbung noch immer nicht genau bekannt, da der Post-mold Cure meist mit denselben Parametern durchgeführt wird. Das Ziel ist hierbei eine möglichst hohe Vernetzungsdichte zu erreichen, ohne die Verwölbung genau zu berücksichtigen. In dieser Arbeit werden die Auswirkungen des Post-mold Cures auf die Verwölbung der verwendeten Prüfkörper untersucht. Materialcharakterisierungstests werden durchgeführt, um das Wärme- und Aushärtungsverhalten der Materialen zu untersuchen. Experimente mit unterschiedlichen Post-mold Cure Temperaturen und Zeiten werden durchgeführt, um diese Parameter mit der resultierenden Verwölbung zu korrelieren und ein Prozesswissen zu generieren. Die Verwölbung der Prüfkörper wird durch optische 3D-Profilometerscans bewertet. Es werden außerdem Infrarotspektren der Materialien gemessen, um die Veränderungen der chemischen Zusammensetzung des Epoxidharzes während des Post-Mold Cures als Indikator für Änderungen in der Vernetzungsdichte zu verwenden. Anhand der Experimente wird der Mechanismus zur Verringerung der Verwölbung während des Post-mold Cures erklärt und mit der thermischen und chemischen Schrumpfung, sowie dem Glasübergangsverhalten der Materialien in Verbindung gebracht. Darüber hinaus werden die gewonnenen experimentellen Daten verwendet, um einen Machine Learning Algorithmus aufzusetzen, der die optimalen Post-mold Cure Parameter vorhersagt, die am Ende die gewünschte Verwölbung und Vernetzungsdichte ergeben. Mit Hilfe des Machine Learning Algorithmus ist es möglich, die resultierende Verwölbung und die möglichst optimalen Post-mold Cure Parameter für die Testproben vorherzusagen. Die experimentellen Ergebnisse und die Vorhersagen des Machine Learning Modells zeigen, dass die Post-mold Cure Zeit für die getesteten Materialien und Geometrien auf ~15 Minuten reduziert werden kann, wenn der Verzug als wichtigstes Qualitätskriterium für die Optimierung betrachtet wird

In electronic packaging industry, post-mold cure is a commonly applied process in which the molded thermosetting encapsulants are exposed to elevated temperatures again for several hours after their molding operations to ensure improved material properties via reaching higher cross-linking densities. Some studies in literature and industrial applications showed that it is also a useful method to alleviate the package warpage, which is a major quality criterion. Despite these findings, the effects of different post-mold cure parameters on resultant warpage are still not well-known since it is mostly conducted with the same parameters in industry only to reach higher cross-linking densities without the considerations on warpage. In this study, the effects of post-mold cure process on warpage of an epoxy molding compound encapsulant are investigated. Material characterization tests are performed to investigate the thermal and cure behaviors of encapsulant components. Experiments with varying post-mold cure temperatures and times are conducted to correlate these parameters with the resultant warpage to create a process knowledge. Part warpages are evaluated via 3D optical profilometer scans, and infrared spectra of the samples are measured to non-destructively detect the alterations in chemical composition as an indicator of changing cross-linking density. In the light of the experiments, the warpage reduction mechanism during post-mold cure is explained, which is related to thermal and cure shrinkages, as well as the glass transition behaviors of the materials. Moreover, utilizing the acquired experimental data, a machine learning algorithm is proposed which predicts the optimal post-mold cure parameters in accordance with the desired warpage and cross-linking density values after the operation. The algorithm was able to accurately predict the resultant warpage for test samples and the predicted optimal post-mold cure parameters showed an accordance with the experiments. Both experiment results and algorithm predictions showed that the post-mold cure time can be reduced to ~15 minutes from several hours when warpage is considered as the main quality criterion to optimize for the materials and the geometry tested in the experiments