CCL 樹脂配方預測模型

專案概述

🎯 專案目標

針對 CCL 樹脂配方開發，建立 AI 預測模型：

✓正向預測：輸入配方 → 預測 Dk, Df, Peel, Tg, CTE
✓反向設計：輸入目標規格 → 搜尋最佳配方
✓減少實驗：AI 篩選後再做實驗，節省 70% 以上成本

🧪 樹脂系統假設

基於市場調研，假設採用改性環氧 + Active Ester 系統：

主樹脂改性環氧 (Modified Epoxy)

硬化劑 Active Ester (活性酯)

填料球形 SiO2 (二氧化矽)

阻燃劑磷系阻燃劑 (無鹵)

增韌劑彈性體 (Elastomer)

📊 樹脂系統比較

樹脂類型	Dk @10GHz	Df @10GHz	優點	缺點
傳統環氧 FR-4	4.2-4.8	0.017-0.025	便宜、成熟	Dk/Df 太高
改性環氧 + Active Ester ⭐	3.0-3.5	0.004-0.010	成本適中、加工性好	需優化配方
PPE (聚苯醚)	2.4-2.6	0.002-0.004	Dk/Df 最低	黏著力差、成本高
PTFE (鐵氟龍)	2.1-2.6	0.001-0.006	超低損耗	加工困難、成本極高

數據格式

📥 輸入變數 (配方參數)

變數名稱	說明	範圍	單位
Hardener_Eq_Ratio	硬化劑當量比	0.75-1.15	-
Filler_Vol_Pct	填料體積百分比	15-55	vol%
FR_Wt_Pct	阻燃劑重量百分比	3-8	wt%
Toughener_Wt_Pct	增韌劑重量百分比	0-8	wt%
Wash_Cycles	水洗次數	2-5	次
Residual_Cl_ppm	殘留氯離子濃度	5-45	ppm

📤 輸出變數 (物理性質)

變數名稱	說明	目標	單位
Dk_10GHz	介電常數	↓ 越低越好	-
Df_10GHz	介電損耗	↓ 越低越好	-
Peel_Strength_N_mm	銅箔剝離強度	↑ 越高越好	N/mm
Tg_C	玻璃轉移溫度	↑ 越高越好	°C
CTE_ppm	熱膨脹係數 (Z軸)	↓ 越低越好	ppm/°C

📋 數據範例 (模擬數據前 5 筆)

ID	當量比	填料%	阻燃%	增韌%	水洗	Cl ppm	Dk	Df	Peel	Tg	CTE
EXP0001	0.900	53.0	6.66	4.79	4	7.9	3.542	0.0147	0.657	159.1	23.4
EXP0002	0.773	43.9	7.69	0.01	5	6.1	3.615	0.0150	0.649	170.0	26.2
EXP0003	0.806	26.7	4.83	3.65	4	5.1	3.662	0.0150	1.018	157.1	44.8
EXP0004	0.930	15.5	7.71	4.51	3	16.2	3.614	0.0132	1.181	155.9	49.3
EXP0005	0.764	51.4	4.29	5.30	3	12.4	3.572	0.0150	0.784	151.6	29.1

模型訓練結果

Dk 預測

0.75

Test R2

Df 預測

0.91

Test R2

Peel 預測

0.92

Test R2

Tg 預測

0.77

Test R2

CTE 預測

0.94

Test R2

🔍 特徵重要性分析

模型學習到的配方參數與物理性質的關係：

Dk / Df 主要由硬化劑當量比決定

Active Ester 當量比越高 → 極性基團越少 → Dk/Df 越低
重要性: 70-90%

CTE 主要由填料體積%決定

SiO2 填料越多 → CTE 越低
重要性: 95%

Peel 由填料和增韌劑共同決定

填料多 → Peel 下降 | 增韌劑多 → Peel 上升
重要性: 51% + 44%

Tg 主要由增韌劑決定

增韌劑 (彈性體) 越多 → Tg 越低
重要性: 83%

⚖️ 核心矛盾 (Trade-offs)

這些矛盾是配方優化的核心挑戰，也是 AI 能發揮價值的地方：

低 Dk/Df ⚔️ 高 Peel

硬化劑當量比 ↑ → Dk/Df ↓ 但 Peel ↓
解法: 用增韌劑補償

低 CTE ⚔️ 高 Peel

填料 ↑ → CTE ↓ 但 Peel ↓
解法: 控制填料在 40% 左右

高 Peel ⚔️ 高 Tg

增韌劑 ↑ → Peel ↑ 但 Tg ↓
解法: 增韌劑限制在 3% 以下

優化結果

🎯 5G 高頻 CCL 目標規格

Dk @10GHz

≤ 3.5

Df @10GHz

≤ 0.010

Peel Strength

≥ 0.7 N/mm

≥ 160°C

CTE (Z軸)

≤ 35 ppm

🏆 AI 搜尋最佳配方 (遺傳演算法)

以下配方均符合所有目標規格：

#	當量比	填料 vol%	阻燃 wt%	增韌 wt%	Dk	Df	Peel	Tg	CTE	狀態
1	1.096	41.3	4.14	2.70	3.43	0.0094	0.79	163.4	33.3	PASS
2	1.071	41.3	6.89	2.14	3.48	0.0096	0.76	164.9	31.6	PASS
3	1.096	42.5	4.10	2.14	3.44	0.0099	0.71	165.2	31.2	PASS

📌 建議配方範圍

硬化劑當量比:1.05 ~ 1.15

填料體積%:38 ~ 45 vol%

阻燃劑:4 ~ 6 wt%

增韌劑:1 ~ 3 wt%

導入實際數據指南

⚠️ 重要說明：數據格式可完全客製化

上述的數據欄位和樹脂系統都是假設範例。實際導入時，我們會根據貴公司的真實數據進行調整：

🔄 可調整項目

•輸入欄位：可以是任何配方參數 (原料比例、製程條件等)
•輸出欄位：可以是任何物理性質 (不限於 Dk/Df/Peel/Tg/CTE)
•欄位名稱：可使用貴公司內部的命名慣例
•單位：可根據實際量測單位調整
•樹脂系統：不限於環氧/Active Ester，任何樹脂系統皆可

📋 我們需要的資訊

1.現有數據範例：提供幾筆實驗數據 (Excel/CSV 皆可)
2.欄位說明：每個欄位代表什麼意義
3.預測目標：希望預測哪些物理性質
4.優化方向：各性質是越高越好還是越低越好
5.目標規格：客戶要求的規格範圍 (如有)

💡 流程： 貴公司提供原始數據 → 我們進行欄位對應和轉換 → 建立專屬預測模型 → 交付可用系統

🔗 欄位對應範例

假設貴公司的數據欄位與我們的假設不同，對應方式如下：

貴公司原始欄位 (範例)	→	模型欄位	說明
樹脂A_wt%	→	Resin_A_Wt_Pct	直接使用
硬化劑_phr	→	Hardener_phr	可轉換為當量比或直接使用
SiO2填充量	→	Filler_Wt_Pct	重量%或體積%皆可
烘烤溫度	→	Cure_Temp_C	製程參數也可納入
介電常數@1GHz	→	Dk_1GHz	頻率不同也可以
銅箔接著力	→	Peel_Strength	單位可調整

📝 步驟說明

準備實驗數據 (Excel/CSV)

將貴公司的實驗數據整理成以下格式：

Experiment_ID,Hardener_Eq_Ratio,Filler_Vol_Pct,FR_Wt_Pct,Toughener_Wt_Pct,Wash_Cycles,Residual_Cl_ppm,Dk_10GHz,Df_10GHz,Peel_Strength_N_mm,Tg_C,CTE_ppm
YL001,0.95,35,5,2,4,15,3.45,0.008,0.85,165,32
YL002,1.00,40,5,3,3,20,3.38,0.007,0.78,162,28
YL003,0.90,30,6,4,4,12,3.52,0.009,0.92,158,38
                            

注意：

硬化劑用「當量比」而非重量百分比
填料用「體積百分比 vol%」
建議至少 50 筆以上數據

替換模擬數據

將數據檔案放到 data/ 資料夾，並修改載入路徑：

# 原本 (模擬數據)
predictor.load_data('data/ccl_resin_simulation.csv')

# 改成 (貴公司實際數據)
predictor.load_data('data/yulei_experiment_data.csv')
                            

重新訓練模型

使用實際數據重新訓練：

from models.predictor import CCLPredictor

# 建立預測器
predictor = CCLPredictor()

# 載入貴公司數據
predictor.load_data('data/yulei_experiment_data.csv')

# 訓練模型
scores = predictor.train(model_type='random_forest')

# 查看模型表現
print(predictor.get_metrics_summary())

# 儲存模型
predictor.save('models/yulei_predictor.pkl')
                            

設定目標規格並優化

根據客戶規格要求，設定優化目標：

from models.optimizer import CCLOptimizer

optimizer = CCLOptimizer(predictor)

# 設定客戶規格 (可自訂)
target_specs = {
    'Dk_10GHz': {'type': 'max', 'value': 3.5},
    'Df_10GHz': {'type': 'max', 'value': 0.008},
    'Peel_Strength_N_mm': {'type': 'min', 'value': 0.8},
    'Tg_C': {'type': 'min', 'value': 170},
    'CTE_ppm': {'type': 'max', 'value': 30}
}
optimizer.set_targets(target_specs)

# 搜尋最佳配方
best = optimizer.search(method='genetic', n_results=10)
print(best)
                            

驗證與迭代

選擇 AI 推薦的配方進行實驗驗證：

迭代循環

AI 推薦配方 → 實驗驗證 → 數據回饋 → 模型更新 → 循環

📥 數據模板

請使用以下模板整理貴公司的實驗數據：

合作流程：從 Demo 到實際預測模型

核心理念：目前展示的是基於模擬數據的 Demo。真正的價值在於用貴公司的實際實驗數據訓練出專屬的預測模型。

Demo 展示

用模擬數據展示 AI 配方預測的可行性和價值

← 目前階段

數據收集

貴公司提供歷史實驗數據 (配方 + 物性測試結果)

建議 50+ 筆

模型訓練

用實際數據訓練專屬預測模型，評估準確度

R² > 0.8 為佳

迭代優化

AI 推薦配方 → 實驗驗證 → 數據回饋 → 模型更新

持續改進

🔄 迭代優化循環

AI 推薦新配方

→

實驗室驗證

→

測試物性數據

→

數據加入訓練集

→

模型更新

→

循環

每次迭代，模型都會學習新的配方-物性關係，預測越來越準確

✅ 預期效益

• 減少 50-70% 的試錯實驗次數
• 縮短新配方開發週期
• 量化配方參數與物性的關係
• 建立可累積的配方知識庫

⚠️ 成功關鍵

• 數據品質：測量準確、記錄完整
• 數據量：初期至少 50 筆，越多越好
• 持續迭代：實驗結果要回饋給模型
• 領域知識：結合專家經驗調整模型

準備好開始了嗎？

提供您的歷史實驗數據，我們將協助建立專屬的配方預測模型