L’industrie des semi-conducteurs est confrontée à un problème qui dépasse la précision de la simulation elle-même lorsqu’elle tente de construire un jumeau numérique pour un boîtier avancé : comment maintenir le modèle lié au boîtier effectivement fabriqué, et non seulement à celui que les ingénieurs avaient prévu de concevoir ? Une analyse publiée par Semiconductor Engineering le 17 septembre 2026 explique que la réponse exige de réunir les données de conception, de fabrication, des matériaux, de l’assemblage, des tests et du fonctionnement au sein d’une représentation unique et actualisable.
La question gagne en importance avec la généralisation des petites puces, ou chiplets, et de l’intégration hétérogène. Un chiplet peut être décrit, testé et performant dans un boîtier donné, mais sa réutilisation dans un substrat différent, avec une autre interface thermique ou dans le cadre d’un budget énergétique plus élevé peut modifier entièrement son environnement électrique, thermique et mécanique. Le modèle du boîtier ne peut donc pas s’arrêter aux limites de la puce ou du die.
Le conditionnement fait ici partie de l’architecture du système
Kenneth Larsen, directeur principal de la gestion des produits chez Synopsys, distingue le jumeau numérique d’un procédé de fabrication front-end dans une usine au flux contrôlé, du jumeau numérique d’un boîtier, qui doit représenter un système réparti entre le silicium, le substrat, les matériaux, l’assemblage, les variations de fabrication, les tests et les données de fiabilité. Cela ne signifie pas que la modélisation de l’usine est facile, mais que la nature du problème du conditionnement est plus vaste en raison du nombre d’interfaces et de contextes à relier.
Les équipes disposent d’outils efficaces pour analyser séparément les comportements électrique, thermique et mécanique, mais l’exécution parallèle de ces outils ne constitue pas un jumeau numérique intégré. La valeur apparaît lorsque les modèles utilisent les mêmes hypothèses et les mêmes données, puis reçoivent les résultats de fabrication afin d’évoluer avec les révisions du boîtier. Sinon, le jumeau devient un outil de vérification tardive, au lieu d’aider à prendre des décisions de conception avant de s’engager dans un empilement donné ou dans un nouveau produit.
Le problème ne réside pas uniquement dans le manque de données
Joon Ahn, vice-président de la technologie de l’information et de l’automatisation des usines à l’échelle mondiale chez Amkor, affirme qu’un jumeau complet exige une visibilité allant de la fabrication de la tranche à l’assemblage et aux tests, puis au fonctionnement du système. Or les données nécessaires sont réparties entre les usines, les fournisseurs de substrats et de matériaux, les entreprises d’assemblage et de test OSAT, ainsi que les clients. Le sous-traitant chargé de l’assemblage peut recevoir des informations sur les dimensions de la puce et les résultats des tests de la tranche, sans disposer de cartes détaillées de la densité de puissance ou des contraintes locales.
De même, le substrat peut être livré dans les spécifications nominales sans données sur le gauchissement réel de chaque lot, tandis que la fiche technique du matériau ne révèle pas nécessairement son comportement dans le dispositif final. Les descriptions d’un même objet physique diffèrent également selon les domaines : le fabricant de puces peut décrire le comportement de la puce d’une manière, le fournisseur du substrat d’une autre, tandis que le fournisseur de matériaux présente des propriétés mesurées dans des conditions précises. CP Hung, vice-président de la recherche et du développement institutionnels chez ASE, a indiqué que les transferts les plus difficiles ne sont pas toujours ceux qui manquent de données, mais ceux qui déplacent les données entre différents domaines d’ingénierie.
La situation est encore compliquée par le fait que les données peuvent contenir des informations sensibles relevant de la propriété intellectuelle. Selon Sanjiv Bhatt, directeur principal du marketing et du développement commercial chez Mitsubishi Chemical Group, les fournisseurs et les entreprises détiennent des connaissances qu’ils ne souhaitent pas partager intégralement. Un format de fichier commun ne résoudra donc pas le problème des données qui n’ont pas été mesurées ni celui du contexte qui n’a pas été transmis.
Qu’est-ce qui change lorsque la fabrication commence ?
Les exemples présentés dans l’article montrent que le modèle nominal peut être précis, sans pour autant décrire le produit fabriqué. Cela apparaît clairement en photonique, où de faibles variations des dimensions, de l’épaisseur des films ou de la forme des parois latérales peuvent affecter les pertes optiques ou la réponse spectrale. Eric Guichard, vice-président senior et directeur général de l’unité TCAD chez Silvaco, affirme qu’une conception optimisée à partir de la forme dessinée ne représente pas nécessairement le dispositif fabriqué lorsque les variations de production à grande échelle sont prises en compte.
Le problème ne se limite pas à la photonique. L’humidité, la concentration des produits de nettoyage, une gravure incomplète ou les propriétés d’un nouveau matériau peuvent également affecter les performances. En outre, les propriétés des matériaux de conditionnement ne sont pas toujours des valeurs fixes : le coefficient de dilatation thermique, le module d’élasticité et la force d’adhésion peuvent varier avec le traitement, la température, le temps et le degré de durcissement. Le modèle doit donc connaître les conditions de validité de chaque valeur, et pas seulement stocker la valeur elle-même.
Les modèles couplés nécessitent un étalonnage continu
Les effets au sein du boîtier n’agissent pas indépendamment. Le courant génère de la chaleur, la chaleur modifie la résistance, et ces changements remodèlent la répartition de la puissance, ce qui impose de répéter les calculs électriques et thermiques jusqu’à convergence. Les variations de fabrication peuvent également interagir de manière non linéaire, de sorte que l’effet d’un ensemble d’écarts soit supérieur ou différent de la somme de leurs effets individuels.
C’est pourquoi les points d’unification les plus difficiles se situent aux interfaces entre les matériaux, les structures, les procédés, les fournisseurs et les décisions système, et pas nécessairement à l’intérieur de chaque domaine physique pris isolément. Deux modèles peuvent être corrects chacun dans leur domaine, tout en reposant sur des hypothèses incompatibles lorsqu’on tente de les intégrer dans une représentation unique.
Les travaux d’Intel sur l’interconnexion hybride illustrent le rôle des mesures dans l’amélioration du modèle : les données expérimentales de déformation peuvent être intégrées dans un modèle par éléments finis, puis le modèle révisé peut être utilisé pour explorer des modifications difficiles à tester concrètement. Toutefois, mesurer uniquement le gauchissement ne suffit pas. Ahn propose que l’ensemble d’étalonnage inclue les mesures des interconnexions et des bosses, la position de la puce, les propriétés du substrat, les matériaux de remplissage et de moulage ainsi que de l’interface de gestion thermique, en plus des mesures thermiques et des tests électriques.
Hung estime que les mesures ne devraient pas être effectuées indistinctement à chaque étape, mais aux points où l’état du boîtier change, comme l’interconnexion, le moulage, le durcissement, l’amincissement de la puce et les transitions thermiques. L’étalonnage ne suit pas nécessairement non plus un calendrier fixe : selon Hanlin Chen, chercheur et chef d’équipe chez Brewer Science, il devrait être renouvelé lorsqu’une nouvelle architecture de boîtier ou de substrat, un nouveau budget thermique ou un nouveau flux de fabrication fait sortir le matériau de la plage de conditions sur laquelle le modèle avait été validé.
Pourquoi cette information est-elle importante ?
La conclusion éditoriale de ces éléments est que la réussite du jumeau numérique du boîtier ne se mesure pas à sa capacité à produire une fois un résultat précis, mais à sa capacité à rester valide lorsque le produit, les matériaux et la fabrication évoluent. Cela impose une charge pratique à des chaînes d’approvisionnement réunissant plusieurs entreprises : les mesures doivent être reliées à leur contexte, les conditions de validité des modèles doivent être définies et l’étalonnage doit être renouvelé lorsque le boîtier change réellement.
Les modèles réduits ou les alternatives fondées sur l’intelligence artificielle peuvent accélérer l’analyse, mais ils ne suppriment pas la nécessité de connaître les limites de leur utilisation. Comme le prévient Larsen, un modèle rapide qui a perdu son contexte peut devenir un moyen rapide de prendre une mauvaise décision. Les questions ouvertes restent liées à la quantité de données que les partenaires peuvent partager, à la manière d’harmoniser les hypothèses aux interfaces et au choix des points de mesure offrant la plus grande valeur sans rendre le cycle de fabrication impraticable.