集成CALPHAD和机器学习方法用于设计高强度的Sn-In基低温焊料

《Materials & Design》：Integrated CALPHAD and machine learning approach for the design of high-strength Sn-In-based low-temperature solders

　　

柔性电子产品的快速增长驱动了对可在聚合物基板上可靠运行的互连技术的需求。可穿戴健康监测器、可折叠显示器和智能包装是电子设备必须适应弯曲或可变形表面而不牺牲性能的应用示例。然而，大多数聚合物基板在150?°C附近降解，使得传统焊接工艺不适用。这一热约束产生了对低温焊料合金的强烈需求，这些合金能够实现可靠连接，同时避免对柔性基板的热诱导损伤。在此背景下，熔点远低于传统焊料的合金（如Sn–In体系，共晶熔点为118?°C）引起了广泛关注，使其成为聚合物基组装的合适候选材料。然而，其低机械强度仍然是更广泛应用的主要障碍。这些局限性凸显了优化合金组成以强化Sn–In焊料的迫切需求。

研究人员已证实，Sn–In合金随着In含量的增加表现出显著的微观结构和力学变化，包括β-Sn?+?γ-InSn₄双相形成。Zhou等人报道，二元Sn-In合金具有明显的组成依赖性，极限拉伸强度（UTS）从富In合金的约4?MPa增加至Sn-20wt.%In合金的近38?MPa，同时在大多数组成中保持良好的延展性；这些趋势与软相β-In₃Sn和硬相γ-InSn₄的相对分数密切相关。Han等人尝试通过添加第三元素合金化Sn–In焊料来提高机械强度。Cu添加通过促进η-Cu₆(In, Sn)₅和τ-Cu₂In₃Sn相的形成来改变微观结构。结果，UTS显著提高至约17?MPa（约为Sn-52In的1.5倍），含约8?wt% Cu，而较低Cu含量（1?wt%）使延展性最大化，实现约74%的伸长率。Ag添加诱导三元共晶反应，导致AgIn₂的形成并细化In₃Sn和InSn₄相。结果，拉伸强度增加（高达约12.5?MPa），同时延展性也根据Ag含量得到改善。Zn添加增强了微观结构细化和弥散强化，在中等水平（例如6?wt% Zn）下显著提高了拉伸强度和伸长率，但更高的Zn含量往往会降低润湿性并加速Cu–Zn金属间化合物的生长。Bi添加降低了Sn–In合金的熔点，并促进BiIn₂与β-In₃Sn和γ-InSn₄相一起形成。它提高了硬度和强度；然而，过量添加可能诱导脆性。此外，最近开发的Sn–31Bi–19In合金表现出150?°C的熔化温度、41.5?MPa的UTS和263%的伸长率，说明了另一种将低温焊接与良好机械性能相结合的成分策略。Zn和In共添加至Sn基焊料在熔化行为、强度和延展性之间实现了有利平衡。Luo等人采用相图计算（CALPHAD）方法设计Sn-0.7wt.%Cu–Sn-52wt.%In合金，并研究了其相应的微观结构及力学性能。Ohnuma也报道了Sn–In–X（X?=?Ag、Bi、Sb、Zn）体系的CALPHAD热力学评估为合金设计提供了关键的相平衡数据。然而，缺乏组成（即微观结构）与力学性能之间的定量相关性，使得通过传统的试错法进行新合金设计效率低下。

为应对这些挑战，数据驱动的方法已成为材料设计的有力工具。机器学习在材料科学中的应用呈指数级增长，范围从性能预测到微观结构优化和加速发现。通过捕捉组成、加工和性能之间的关系，机器学习方法可以显著减少对昂贵且耗时的实验的依赖。例如，研究表明机器学习可用于预测加工过程中的刀具磨损、模拟电迁移中的有效电荷、预测反应堆压力容器钢的辐照脆化以及表征辐照脆化。机器学习方法也已被应用于Sn基焊料研究。例如，已开发出神经网络模型来预测SAC305焊点的热疲劳寿命，展示了数据驱动方法在可靠性评估中的潜力。Long等人提出了一个可解释的机器学习框架，使用多个模型预测无铅焊点的低周疲劳寿命，其中采用了特征重要性和SHapley Additive exPlanations（SHAP）分析来量化组成、加载和几何因素的贡献。Lee等人采用高斯核岭回归模型（GKRR）预测不同基底上的焊料润湿角，报告与实验测量结果高度一致，并展示了数据驱动优化润湿性的可行性。Cui等人使用基于扩散的生成模型模拟老化Sn基焊点中的微观结构演化。总体而言，这些进展说明了机器学习在解决焊料合金性能和可靠性特有挑战中日益增长的作用。

在本研究中，研究人员开发了一个机器学习模型，旨在指导高强度Sn–In基低温焊料合金的设计。基于本研究建立的维氏硬度数据库，构建了带有GKRR的机器学习模型，捕捉了组成–强度关系。硬度具有两个主要优势：（1）它与极限拉伸强度直接相关（即UTS?∝?硬度），（2）与拉伸测试相比，它更容易获得。随后使用交叉验证和交叉图分析评估训练好的模型。引入遗传算法来逆向设计具有目标硬度的合金组成。关键的是，该工作流程集成了CALPHAD模拟与机器学习，能够同时优化低熔点标准和相稳定性以减轻脆性。对设计的Sn-In合金进行了拉伸测试和后续材料表征。这项工作表明，机器学习和CALPHAD方法能够高效探索高维组成空间并指导合金设计。

**论文解读：集成CALPHAD与机器学习方法设计高强度Sn-In基低温焊料**

**研究背景与问题**

随着柔性电子产品的快速发展，对能够在聚合物基板上可靠运行的互连技术需求日益迫切。然而，大多数聚合物基板在150?°C附近会热降解，传统高温焊接工艺不再适用，这催生了对低温焊料合金的强烈需求。Sn-In体系因其共晶熔点低（118?°C）而成为理想候选，但二元Sn-In焊料的机械强度不足，严重限制了其应用范围。既往研究通过添加第三元素（如Cu、Ag、Zn、Bi等）来强化Sn-In合金，但缺乏组成-微观结构-力学性能之间的定量关联，使得传统试错法合金设计效率低下。为解决这一瓶颈，研究人员引入数据驱动的机器学习方法，旨在高效探索高维组成空间，实现高强度低温焊料的加速设计。本研究发表在《Materials》期刊。

**研究内容与结论**

本研究构建了一个集成CALPHAD（相图计算）与机器学习（ML）的协同框架，用于系统性指导高性能Sn-In基低温焊料的设计与发现。采用高斯核岭回归（GKRR）模型，基于71个自行制备的Sn-In-X（X=Cu、Ag、Zn、Bi、Sb、Al、Ni）合金的维氏硬度数据集，建立了组成-硬度定量关系。模型在全拟合中表现出高精度（R2=0.98，RMSE=2.25?HV），五折交叉验证的R2为0.78（RMSE=6.95?HV）。进一步与遗传算法（GA）耦合，实现对目标硬度范围的逆向设计。通过集成CALPHAD热力学筛选标准（低熔点<150?°C、避免脆性相），设计出新型合金Sn-47In-1.59Ag-0.27Cu（命名为SIX8）。实验验证表明，SIX8合金的维氏硬度为13.44?HV（约为共晶Sn-52In的两倍），极限拉伸强度（UTS）达26.6±0.8?MPa（约为Sn-52In的三倍），并保持21.9±1.4%的良好伸长率。微观结构表征确认该合金由β-In₃Sn、γ-InSn₄和(Ag,Cu)(In,Sn)₂相组成；差示扫描量热法（DSC）分析显示其液相线温度为130.56?°C，满足低温焊接要求。该研究证明了机器学习和CALPHAD方法的集成能高效探索复杂组成空间，加速高性能合金的开发。

**关键技术方法**

本研究采用以下几个主要关键技术方法：
1. **机器学习建模**：基于71个自制备Sn-In-X合金的维氏硬度实验数据（样本队列来源：所有合金由高纯元素合成，经快速热退火和管式炉均质化处理），选用高斯核岭回归（GKRR）模型，以In、Cu、Ag、Zn、Bi、Sb、Al、Ni的重量百分比为输入特征，预测硬度。通过五折交叉验证和网格搜索优化超参数（γ, α）。
2. **遗传算法逆向设计**：将训练好的GKRR模型与遗传算法（GA）耦合，在目标硬度窗口（20-50?HV）内逆向搜索合金组成。
3. **CALPHAD热力学模拟**：使用Pandat软件和PanNoble数据库，在平衡条件下计算设计合金的凝固路径、液相线温度和有害相体积分数，用于筛选低熔点和避免脆性相（如BiIn、BiIn₂）。
4. **集成筛选框架**：将机器学习预测的硬度与CALPHAD计算的熔点和相分数结合，施加三个约束条件（预测硬度>9?HV、液相线温度<150?°C、脆性相分数可忽略），确定最优候选合金。

**研究结果**

**3.1 Sn-In基合金维氏硬度数据集**
测得的维氏硬度范围从2.96到105.59?HV，反映了力学性能对组成的强烈依赖性。二元Sn-In合金硬度较低（如Sn-52In为6.36?HV），而添加Cu（如Sn-48In-4Cu为38.55?HV）和Bi等元素可通过金属间化合物（IMC）形成显著提高硬度。

**3.2 模型交叉验证与交叉图分析**
GKRR模型在全拟合中R2=0.98、RMSE=2.25?HV；五折交叉验证R2=0.78、RMSE=6.95?HV，表明对未知组成的预测可靠性。交叉图分析显示硬度与组成之间呈现单调递增、单调递减、U形和非单调逆U形四种关系，模型无需原子或微观结构信息即可捕捉这些趋势。

**3.3 未知合金的模型预测测试**
利用遗传算法逆向设计的7种合金（SIX1-SIX7）的预测硬度与实测硬度之间R2=0.91、RMSE=3.97?HV，验证了模型在未见组成上的预测能力。

**3.4 合金设计与实验验证**
通过集成筛选策略，确定SIX8合金（Sn-47In-1.59Ag-0.27Cu）满足所有标准。其维氏硬度13.44?HV，与预测值10.31?HV高度吻合。拉伸测试显示UTS达26.6?MPa（约为Sn-52In的3倍），伸长率21.9%，在已报道的近共晶Sn-In基焊料中实现了最高的UTS-伸长率乘积（接近700?MPa·%）。

**3.5 SIX8合金的微观结构分析**
背散射电子（BSE）成像和能谱（EDS）分析表明，SIX8由β-In₃Sn、γ-InSn₄和(Ag,Cu)(In,Sn)₂相组成。X射线衍射（XRD）进一步确认AgIn₂型相的存在。DSC显示其共晶反应峰（112.56?°C）和液相线（130.56?°C）。强化机制归因于(Ag,Cu)(In,Sn)₂相的高硬度（3.76?GPa）和金属键特性（Pugh比值2.09>1.75），使其能塑性变形而不引发脆性开裂。相比之下，含Cu和Bi的SIX5合金虽有较高UTS（19.8?MPa），但因BiIn₂脆性相形成导致延展性显著降低（~5.8%），凸显了CALPHAD-ML集成方法避免有害相的必要性。

**总结讨论与结论**

讨论部分强调了AgIn₂型相在Sn-In体系中的独特强化与增韧平衡作用，同时指出仅依赖机器学习优化强度而忽视热力学筛选可能导致脆性劣化。结论部分翻译如下：

本研究提出了一个协同框架，将机器学习与CALPHAD模拟相结合，系统性地指导高性能Sn-In基低温焊料的设计与发现。采用GKRR的机器学习模型表现出可靠的预测性能：全拟合R2=0.98（RMSE=2.25?HV），五折交叉验证R2=0.78（RMSE=6.95?HV）。模型预测能力进一步通过未见合金验证，获得R2=0.91和RMSE=3.97?HV。通过集成机器学习的预测与基于CALPHAD的筛选标准，确定并实验验证了新型合金Sn-47In-1.59Ag-0.27Cu（SIX8）。该合金硬度为13.44?HV，约为共晶Sn-52In的两倍；极限拉伸强度显著提高至26.6±0.8?MPa，约为Sn-52In的三倍，同时保持21.9±1.4%的良好伸长率。微观结构分析确认存在β-In₃Sn、γ-InSn₄和(Ag,Cu)(In,Sn)₂相。差示扫描量热结果进一步证实SIX8合金的熔点为130.56?°C，满足低温应用要求。总体而言，这项工作表明机器学习与热力学建模的集成提供了导航复杂组成空间的高效策略。作为展望，尽管数据驱动模型加速了发现，但单个组成相的基本力学性能仍不可或缺。当前此类基础数据的缺乏限制了微观结构工程的精度。关键指标如柯西压力项和Pugh比值可作为评估组成相内在延展性的稳健描述符。这些参数可通过第一性原理计算高效确定，为物理信息驱动的下一代合金设计提供更准确的热力学边界条件。