AI将先进半导体封装设计时间缩短1000倍

 

高丽大学世宗校区（副校长 梁智雲）智能半导体工程学科人工智能半导体工艺技术与设计研究团队，在国际半导体封装领域学术会议——2026 IEEE第76届电子元件与技术大会（ECTC）上发表了基于人工智能的有机RDL中介层（Interposer）信号完整性优化研究成果。

 

本研究以《面向有机RDL中介层信号完整性自动优化的AI驱动逆向设计与视觉融合框架（AI-Driven Inverse Design and Vision Fusion Framework for Automated Signal Integrity Optimization of Organic RDL Interposers）》为题开展，由赵旼宣（音）（第一作者）、李泰宪（音）（共同作者）、柳智浩（音）（共同作者）、金多英（音）（共同作者）以及郑成烨（音）教授（通讯作者）共同完成。

该论文被大会录用为口头报告（Oral Presentation），并收录于IEEE会议论文集（Proceedings）。

 

第76届ECTC于2026年5月26日至29日在美国佛罗里达州奥兰多JW Marriott & The Ritz-Carlton Grande Lakes酒店举行。ECTC是半导体封装、电子元件及微电子系统领域最具代表性的国际学术会议之一，汇聚全球学术界与产业界专家，共同分享最新研究成果和产业发展趋势，被广泛认为是重要的国际技术交流平台。

 

随着人工智能（AI）、高性能计算（HPC）以及高带宽存储器（HBM）需求的快速增长，将多个芯片高密度集成于单一封装中的2.5D和3D先进封装技术的重要性不断提升。其中，RDL中介层作为实现芯片间稳定电信号连接的核心结构，被视为决定下一代半导体性能与可靠性的关键技术之一。

 

然而，在实际制造过程中，铜互连线路往往呈现梯形截面，而非理想的矩形结构，因此传统基于公式的模型难以准确预测信号特性。虽然高精度电磁仿真能够提供较高准确度，但即使验证单个设计点也需要耗费大量时间，从而导致设计迭代与优化过程面临高昂的时间和成本支出。

 

为解决上述问题，研究团队提出了一种基于人工智能的自动化设计框架。该框架将三个核心模块整合为一个自动闭环系统：根据布线结构预测阻抗的代理模型（Surrogate Model）、根据目标性能反向寻找最优结构的逆向设计模型，以及利用卷积神经网络分析眼图（Eye Diagram）并判断信号质量是否达标的视觉分类模型（CNN），整合为一个自动闭环系统。

 

研究结果表明，该框架在保持与传统仿真方法相当精度的同时，能够显著缩短设计时间。实验中，单端信号结构的预测精度达到R²=0.997，差分信号结构达到R²=0.994；与传统方法相比，设计时间有望缩短超过1000倍。

 

此外，研究团队通过数据证明，目前业界广泛采用的以阻抗匹配为核心的设计流程，并不足以完全保证实际信号完整性。即使阻抗值达到目标范围，在眼图等实际信号质量指标中仍可能出现问题，而AI视觉模型能够有效识别并判断这些问题。

 

本研究将AI逆向设计与基于视觉的信号完整性验证整合为统一的自动化框架，具有重要的学术价值和产业意义。尤其是在高带宽存储器（HBM）、AI加速器以及高性能服务器芯片等下一代半导体封装设计领域，为实现快速、精准的设计自动化技术提供了重要基础。

 

第一作者赵旼宣（音）研究员表示：“我们摆脱了传统基于公式分析或反复仿真的设计方式，利用人工神经网络的函数逼近能力和深度学习技术，构建了更加准确、高效的设计模型。特别是对于仅依靠阻抗匹配难以发现的信号完整性失配问题，数据驱动的AI能够实现准确而高效的预测与验证。”她补充道：“能够在ECTC上展示这些研究成果，并与全球研究人员交流，是一次非常宝贵的经历。”

 

通讯作者郑成烨（音）教授也表示：“能够通过融合人工智能与半导体技术的跨学科研究取得具有意义的成果，我感到非常高兴。”

 

本研究获得了韩国产业技术企划评价院（KEIT，RS-2024-00417909、RS-2025-25452526）、KCHIPS（25081-15FC）以及高丽大学的支持，同时还获得了半导体设计教育中心（IDEC）提供的EDA工具支持，以及新思科技韩国公司（Synopsys Korea）的技术支持。

 

 

高丽大学世宗校区宣传集资部

                                                                                                                   翻译：赵炫怡