.png){kind=icon}
返回
Machine learning-driven design and optimization of electronic packaging: applications and future developments
.png){kind=icon}
PRE
AI
DOI：10.20517/jmi.2025.26.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）为电子封装提供了稳健的解决方案，其中日益增长的复杂性和小型化挑战了传统方法在设计、缺陷检测和性能优化方面的能力。本综述系统地涵盖了电子封装关键领域中的机器学习应用，例如缺陷检测、材料优化和可靠性分析，讨论了关键算法、数据工作流程、固有挑战和前景。其旨在为有效应用机器学习以推动这一快速发展领域的创新提供清晰的路线图和参考。然而，解决数据质量、模型适应性和与现有工程实践集成方面的持续挑战，对于该领域的持续进步仍然至关重要。
Keyword:
Machine learning
electronics packaging
data processing
defect detection
life prediction
reliability analysis
期刊
IF:
5.6
论文数:
36
被引数:
349
机构
引用论文
Autonomous Parking Space Detection for Electric Vehicles Based on Improved YOLOV5-OBB Algorithm基于改进YOLOV5-OBB算法的电动汽车自主停车位检测
OAAI
OAAI分享收藏An Improved Prediction Model of IGBT Junction Temperature Based on Backpropagation Neural Network and Kalman Filter.png)
ComplexityOAAI
ComplexityIF0
OAAI分享收藏YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
PREAI
分享收藏First-Principles Study on IMC Formation and Interface Failure of Electronic Packaging Solder JointsOAAI
OAAI分享收藏分享收藏IGBT Remaining Useful Life Prediction Based on Particle Filter With Fusing PrecursorIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容