تعریف، محدوده کاربرد و مخاطبان این راهنما
یک PCB توسعه هوش مصنوعی صرفاً یک برد مدار چاپی استاندارد با نامی متفاوت نیست؛ بلکه زیرساخت فیزیکی معماری‌های محاسباتی با عملکرد بالا است که در آموزش و استنتاج یادگیری ماشین استفاده می‌شوند. این بردها با چگالی بسیار بالا، نیازمندی‌های سخت‌گیرانه در یکپارچگی سیگنال (اغلب بیش از 112Gbps PAM4) و چالش‌های قابل‌توجه مدیریت حرارت به دلیل استفاده از GPU، TPU یا NPUهای پرمصرف شناخته می‌شوند. برخلاف تجهیزات الکترونیکی مصرفی، یک PCB توسعه هوش مصنوعی باید توانایی انتقال حجم عظیم داده را داشته باشد و هم‌زمان تأخیر نزدیک به صفر و قابلیت اطمینان بالا را در شرایط بار کاری مداوم حفظ کند.
این راهنما نیازمندی‌های مهندسی و تأمین برای این بردهای تخصصی را پوشش می‌دهد. محدوده آن شامل کارت‌های شتاب‌دهنده در سطح سرور، واحدهای پردازش هوش مصنوعی لبه و بک‌پلین‌های پیچیده موردنیاز برای سوئیچ‌های PCB اترنت 1.6T است که کلاسترهای هوش مصنوعی را به یکدیگر متصل می‌کنند. تمرکز اصلی ما روی مرحله انتقال از نمونه اولیه به تولید آزمایشی است؛ جایی که خطاهای مشخصات می‌توانند باعث تکرارهای پرهزینه طراحی یا شکست در یکپارچگی سیگنال شوند.
این راهنمای عملی برای مهندسان سخت‌افزار، طراحان PCB و مدیران تأمین فنی نوشته شده است که باید پیش از اختصاص سرمایه، قابلیت تأمین‌کنندگان و مشخصات فنی را اعتبارسنجی کنند. چه برای کاربرد دیتاسنتر تأمین انجام دهید و چه برای یک PCB هوش مصنوعی خودرو در سیستم‌های رانندگی خودکار، چارچوب تصمیم‌گیری مشابه است: مشخصات دقیق تعریف کنید، ریسک‌های تولید را زود شناسایی کنید و توانایی تأمین‌کننده برای اجرای پروژه را بررسی کنید.
APTPCB (کارخانه PCB APTPCB) مشاهده کرده است که بسیاری از تأخیرهای پروژه نه به دلیل مشکلات سیلیکون، بلکه به دلیل عیوب ساخت PCB رخ می‌دهند؛ عیوبی که می‌توانستند با توافق شفاف‌تر اولیه درباره معیارهای پذیرش جلوگیری شوند. هدف این راهنما پر کردن این شکاف و ارائه رویکردی ساختاریافته برای تأمین سخت‌افزارهای هوش مصنوعی با پیچیدگی بالا است.
چه زمانی از PCB توسعه هوش مصنوعی استفاده کنیم (و چه زمانی رویکرد استاندارد بهتر است)
درک تعریف این بردهای با عملکرد بالا مستقیماً به یک پرسش مهم منتهی می‌شود: آیا پروژه شما واقعاً به هزینه و پیچیدگی فرآیند ساخت در سطح هوش مصنوعی نیاز دارد؟
باید از فرآیند PCB توسعه هوش مصنوعی زمانی استفاده کنید که پارامترهای طراحی شما از قابلیت‌های استاندارد IPC Class 2 فراتر می‌روند. اگر برد شما از قطعات BGA با فاصله پایه کمتر از 0.4mm استفاده می‌کند، برای مسیریابی هزاران نت به ویاهای کور و مدفون (HDI) نیاز دارد، یا کنترل امپدانس را روی بیش از 16 لایه نیازمند است، تولید استاندارد باعث کاهش بازده خواهد شد. علاوه بر این، اگر سرعت سیگنال شما به 56Gbps یا 112Gbps در هر مسیر نزدیک شود، زبری سطح فویل مسی استاندارد به عامل مخرب یکپارچگی سیگنال تبدیل خواهد شد. در چنین شرایطی، استفاده از مواد تخصصی و دقت رجیستری فرآیندهای مخصوص هوش مصنوعی ضروری است.
در مقابل، برای بردهای کمکی یا واحدهای کنترلی با سرعت پایین‌تر درون سیستم هوش مصنوعی، رویکرد استاندارد PCB انتخاب بهتری است. اگر عملکرد برد عمدتاً توزیع توان (بدون سوئیچینگ پرسرعت)، کنترل فن یا مدیریت رابط‌های قدیمی باشد، پرداخت هزینه برای مواد فوق کم‌اتلاف و فرآیندهای HDI ضروری نیست. مواد استاندارد FR4 و فناوری سوراخ‌کاری عبوری برای این زیرسیستم‌ها کافی هستند و اجازه می‌دهند بودجه در مهم‌ترین بخش یعنی موتور اصلی پردازشی اختصاص یابد.
مشخصات PCB توسعه هوش مصنوعی (مواد، استک‌آپ لایه‌ها، تلرانس‌ها)
پس از اینکه مشخص شد پروژه شما به یک PCB توسعه هوش مصنوعی نیاز دارد، مرحله بعد تثبیت مشخصاتی است که قیمت تولید و بررسی مهندسی را تعیین می‌کنند.
- انتخاب مواد پایه:
- نیازمندی: لمینت‌های فوق کم‌اتلاف برای سیگنال‌های پرسرعت هوش مصنوعی غیرقابل‌چشم‌پوشی هستند.
- هدف: Panasonic Megtron 7 (M7) یا Megtron 8 (M8)، Isola Tachyon 100G یا Rogers RO3003 برای بخش‌های RF.
- مقدار Df: ضریب اتلاف باید کمتر از 0.002 در فرکانس 10GHz باشد.
- تعداد لایه و استک‌آپ:
- نیازمندی: تعداد لایه زیاد برای جای‌دهی صفحات توان و جداسازی سیگنال‌ها.
- هدف: 18 تا 32 لایه برای شتاب‌دهنده‌های هوش مصنوعی معمول است.
- ساختار: استک‌آپ متقارن برای جلوگیری از تاب‌برداشتن؛ اغلب نیازمند ساختارهای ترکیبی است (ترکیب مواد کم‌اتلاف با FR4 استاندارد برای تعادل هزینه، در صورت اعتبارسنجی).
- فناوری HDI:
- نیازمندی: اتصال داخلی با چگالی بالا برای خروج مسیرها از BGAهای با گام ریز.
- هدف: ساختارهای 3+N+3، 4+N+4 یا Any-Layer ELIC (اتصال داخلی هر لایه).
- نسبت ابعادی میکروویا: بین 0.8:1 تا 1:1 برای قابلیت اطمینان.
- کنترل امپدانس:
- نیازمندی: تطبیق دقیق برای جلوگیری از بازتاب سیگنال.
- هدف: تلرانس ±5% برای مسیرهای تک‌سر (50Ω) و زوج‌های دیفرانسیل (85Ω یا 100Ω).
- اعتبارسنجی: تست 100% TDR (بازتاب‌سنجی حوزه زمان) روی کوپن‌ها و مسیرهای داخل برد.
- وزن مس و آبکاری:
- نیازمندی: تحمل جریان بالا برای پردازنده‌های هوش مصنوعی (اغلب مجموعاً بیش از 500A).
- هدف: لایه‌های داخلی 2oz یا 3oz برای توان؛ ممکن است گزینه مس ضخیم موردنیاز باشد.
- پوشش سطحی: ENIG (نیکل شیمیایی/طلای غوطه‌وری) یا ENEPIG برای اتصال سیمی؛ OSP برای چندین چرخه ریفلو در بردهای بزرگ ریسک دارد.
- Backdrilling:
- نیازمندی: حذف استاب‌های ویا برای کاهش بازتاب سیگنال در فرکانس‌های بالا.
- هدف: طول استاب کمتر از 6-8 mils (0.15mm - 0.2mm).
- مشخص‌کننده: باید در فایل‌های Gerber به‌صورت واضح علامت‌گذاری شود.
- کنترل تاب‌برداشتن:
- نیازمندی: چیپ‌های بزرگ هوش مصنوعی برای لحیم‌کاری به سطح کاملاً تخت نیاز دارند.
- هدف: کمتر از 0.5% یا کمتر از 0.4% قطر مورب (سخت‌گیرانه‌تر از استاندارد IPC با مقدار 0.75%).
- روش: استفاده از مواد هسته با CTE پایین و توزیع متعادل مس.
- دقت رجیستری:
- نیازمندی: هم‌ترازی بین لایه‌ها برای یکپارچگی سیگنال حیاتی است.
- هدف: رجیستری لایه به لایه کمتر از 3 mils (75µm).
- فاصله سوراخ تا مس: حداقل 4-5 mils برای جلوگیری از خروج مسیر.
- قابلیت اطمینان حرارتی:
- نیازمندی: تحمل چندین چرخه ریفلو با دمای بالا.
- هدف: Tg (دمای انتقال شیشه‌ای) بیشتر از 180°C؛ Td (دمای تجزیه) بیشتر از 340°C.
- تست: تست شناوری لحیم 6 مرتبه در دمای 288°C بدون لایه‌لایه‌شدن.
- استانداردهای مستندسازی:
- نیازمندی: انتقال واضح هدف طراحی.
- هدف: IPC-6012 Class 3 (برای قابلیت اطمینان بالا) یا Class 2 (برای سرور استاندارد).
- فایل‌ها: ODB++ نسبت به Gerber RS-274X برای انتقال داده هوشمند ترجیح داده می‌شود.
ریسک‌های تولید PCB توسعه هوش مصنوعی (ریشه مشکلات و روش‌های پیشگیری)
تعریف مشخصات تنها گام اول است؛ شناخت نقاط شکست رایج در فرآیند تولید PCB توسعه هوش مصنوعی به شما اجازه می‌دهد کنترل‌های پیشگیرانه ایجاد کنید.
- ریسک: رشد رشته‌های رسانای آندی (CAF)
- دلیل وقوع: گرادیان‌های ولتاژ بالا بین ویاهای نزدیک به هم همراه با جذب رطوبت در بافت شیشه‌ای لمینت.
- تشخیص: تست مقاومت عایقی ولتاژ بالا (SIR).
- پیشگیری: استفاده از مواد «ضد CAF» یا «مقاوم در برابر CAF» (بافت شیشه‌ای گسترده‌تر)؛ اطمینان از کیفیت دیواره سوراخ برای جلوگیری از نفوذ رطوبت.
- ریسک: عدم تطابق امپدانس
- دلیل وقوع: تغییرات ضخامت دی‌الکتریک (پرس پری‌پرگ) یا عرض مسیر در اچینگ (اچ بیش از حد یا کمتر از حد).
- تشخیص: شکست تست TDR در محدوده ±5%.
- پیشگیری: انجام شبیه‌سازی استک‌آپ با سازنده قبل از نهایی کردن Layout؛ استفاده از تصویربرداری مستقیم لیزری (LDI) برای تعریف دقیق مسیرها.
- ریسک: فضای خالی آبکاری در Via-in-Pad
- دلیل وقوع: گیر افتادن هوا یا مواد شیمیایی در فرآیند آبکاری یا پر کردن رزین میکروویاهای HDI.
- تشخیص: بازرسی X-ray و تحلیل مقطع عرضی.
- پیشگیری: استفاده از فناوری پرکردن خلأ؛ تعیین حداقل ضخامت پوشش مسی طبق الزامات IPC Class 3.
- ریسک: تاب‌برداشتن بیش از حد برد
- دلیل وقوع: توزیع نامتقارن مس یا ترکیب موادی با CTE متفاوت.
- تشخیص: تداخل‌سنجی سه‌بعدی Moiré یا اندازه‌گیری با گیج سایه‌ای.
- پیشگیری: متعادل‌سازی پوشش مس در تمام لایه‌ها؛ استفاده از مس پرکننده؛ انتخاب مواد Tg بالا.
- ریسک: افت سیگنال (Insertion Loss)
- دلیل وقوع: زبری بیش از حد سطح مس (اثر پوستی) یا تأثیر سولدرمسک روی سیگنال.
- تشخیص: تست VNA (تحلیلگر شبکه برداری) روی کوپن‌های آزمایشی.
- پیشگیری: تعیین فویل مسی VLP یا HVLP؛ حذف سولدرمسک از مسیرهای پرسرعت.
- ریسک: خطای عمق Backdrill
- دلیل وقوع: مشکلات تلرانس کنترل عمق مکانیکی (تغییرات دستگاه سوراخ‌کاری).
- تشخیص: X-ray یا مقطع‌برداری؛ نمایش استاب‌های بازتابی در TDR.
- پیشگیری: طراحی با حاشیه ایمنی؛ استفاده از دستگاه‌های سوراخ‌کاری با کنترل عمق الکتریکی.
- ریسک: عدم رجیستری بین لایه‌ها
- دلیل وقوع: تغییر ابعاد مواد (انقباض/انبساط) در چرخه‌های لمینیشن.
- تشخیص: تأیید سوراخ‌کاری با X-ray؛ تحلیل خروج مسیر.
- پیشگیری: استفاده از سیستم‌های جبران مقیاس X-ray؛ محدود کردن اندازه پنل در شرایط رجیستری بسیار سخت‌گیرانه.
- ریسک: کمبود رزین
- دلیل وقوع: لایه‌های مس ضخیم برای پر کردن فاصله‌ها به رزین بیشتری نیاز دارند؛ جریان استاندارد پری‌پرگ کافی نیست.
- تشخیص: بازرسی ظاهری (نقاط سفید)؛ لایه‌لایه‌شدن تحت تنش.
- پیشگیری: استفاده از پری‌پرگ با محتوای رزین بالا؛ بهینه‌سازی پروفایل فشار لمینیشن.
اعتبارسنجی و پذیرش PCB توسعه هوش مصنوعی (تست‌ها و معیارهای قبولی)
برای اطمینان از اینکه ریسک‌های شناسایی‌شده برطرف شده‌اند، باید پیش از پذیرش بچ تولید PCB توسعه هوش مصنوعی یک برنامه اعتبارسنجی کامل اجرا شود.
- تست تنش اتصال داخلی (IST)
- هدف: بررسی قابلیت اطمینان ویاها و میکروویاها در شرایط تنش حرارتی.
- روش: چرخه‌دادن کوپن‌ها بین دمای محیط و بیش از 150°C به‌صورت تکراری.
- معیار پذیرش: تغییر مقاومت کمتر از 10% پس از 500 چرخه.
- تأیید یکپارچگی سیگنال (پارامتر S)
- هدف: اطمینان از اینکه برد بودجه افت لینک‌های پرسرعت (مانند 112G SerDes) را تأمین می‌کند.
- روش: اندازه‌گیری VNA برای افت عبوری و افت بازگشتی روی کوپن‌های امپدانس.
- معیار پذیرش: تطابق با مدل شبیه‌سازی در محدوده خطای 1-2 dB.
- تست آلودگی یونی
- هدف: اطمینان از تمیزی برد برای جلوگیری از خوردگی و نشتی.
- روش: تست هدایت محلول استخراج‌شده با حلال (تست ROSE).
- معیار پذیرش: کمتر از 1.56 µg/cm² معادل NaCl (یا محدودیت سخت‌گیرانه‌تر OEM).
- تست لحیم‌پذیری
- هدف: اطمینان از پذیرش لحیم توسط پدها در زمان مونتاژ.
- روش: تست غوطه‌وری و بررسی / تست تعادل ترشوندگی.
- معیار پذیرش: پوشش بیش از 95%؛ پوشش پیوسته؛ بدون عدم ترشوندگی.
- تست شوک حرارتی
- هدف: شبیه‌سازی تغییرات شدید محیطی (مهم برای PCB هوش مصنوعی خودرو).
- روش: انتقال سریع بین -40°C تا +125°C.
- معیار پذیرش: بدون ترک، لایه‌لایه‌شدن یا قطع مدار.
- تحلیل میکروسکشن (مقطع‌برداری)
- هدف: بررسی کیفیت ساخت داخلی.
- روش: برش و پرداخت مخرب نمونه برد یا کوپن.
- معیار پذیرش: بررسی ضخامت آبکاری (برای مثال بیش از 25µm در سوراخ)، ضخامت دی‌الکتریک و هم‌ترازی لایه‌ها.
- تست استحکام کَنده‌شدن
- هدف: اطمینان از جدا نشدن مسیرهای مسی از لمینت.
- روش: تست کشش مکانیکی.
- معیار پذیرش: بیش از 0.8 N/mm (یا طبق مشخصات دیتاشیت مواد).
- تست Hi-Pot (ولتاژ بالا)
- هدف: بررسی عایق‌بندی بین صفحات توان.
- روش: اعمال ولتاژ بالا (برای مثال 1000VDC) بین نت‌های جداشده.
- معیار پذیرش: جریان نشتی کمتر از حد مشخص‌شده؛ بدون شکست عایقی.
چک‌لیست انتخاب تأمین‌کننده PCB توسعه هوش مصنوعی (RFQ، ممیزی، رهگیری)
هنگام انتخاب همکاری مانند APTPCB، از این چک‌لیست استفاده کنید تا مطمئن شوید سازنده توانایی مدیریت پیچیدگی‌های PCB توسعه هوش مصنوعی را دارد.
گروه 1: ورودی‌های RFQ (مواردی که باید ارائه دهید)
- فایل‌های کامل Gerber RS-274X یا ODB++.
- نقشه ساخت با یادداشت‌های واضح درباره IPC Class (2 یا 3).
- تعریف استک‌آپ شامل نام دقیق مواد (برای مثال "Megtron 7"، نه فقط "Low Loss").
- جدول امپدانس با ارجاع به لایه‌ها و عرض مسیرهای مشخص.
- جدول سوراخ‌کاری شامل جداسازی سوراخ‌های آبکاری‌شده، بدون آبکاری و Backdrill.
- نیازمندی‌های پنل‌سازی (در صورت نیاز به آرایه خاص برای مونتاژ).
- Netlist (IPC-356) برای تأیید تست الکتریکی.
- نیازمندی‌های ویژه: ضخامت انگشت طلایی، آبکاری لبه، ویاهای پرشده.
گروه 2: اثبات توانمندی (مواردی که تأمین‌کننده باید نشان دهد)
- سابقه اثبات‌شده در HDI (3+N+3 یا بالاتر).
- تجربه پردازش مواد پرسرعت (Megtron/Rogers) بدون لایه‌لایه‌شدن.
- فهرست تجهیزات: LDI (تصویربرداری مستقیم لیزری) برای خطوط ریز (<3 mil).
- فهرست تجهیزات: پرس‌های لمینیشن خلأ برای تعداد لایه بالا.
- فهرست تجهیزات: دریل لیزری با کنترل دقیق عمق برای میکروویا.
- قابلیت تست VNA داخلی برای یکپارچگی سیگنال.
گروه 3: سیستم کیفیت و رهگیری
- گواهی ISO 9001 و UL (الزامی).
- گواهی IATF 16949 (الزامی برای PCB هوش مصنوعی خودرو).
- رهگیری مواد: آیا می‌توانند یک برد مشخص را تا بچ لمینت ردیابی کنند؟
- استفاده از AOI روی تمام لایه‌های داخلی.
- دسترسی به بازرسی X-ray برای رجیستری و پدهای BGA.
- سوابق کالیبراسیون تجهیزات تست امپدانس.
گروه 4: کنترل تغییرات و تحویل
- سیاست PCN (اعلان تغییر فرآیند): آیا پیش از تغییر مواد اطلاع می‌دهند؟
- فرآیند EQ (سؤال مهندسی): چگونه مغایرت‌های داده را مدیریت می‌کنند؟
- بسته‌بندی: وکیوم‌شده همراه با رطوبت‌گیر و کارت نشانگر رطوبت (HIC).
- فرمت گزارش First Article Inspection (FAI).
- برنامه‌ریزی ظرفیت: آیا می‌توانند بدون تأیید مجدد خط جدید، از نمونه اولیه به تولید انبوه برسند؟
چگونه PCB توسعه هوش مصنوعی را انتخاب کنیم (موازنه‌ها و قوانین تصمیم‌گیری)
تصمیم نهایی درباره یک PCB توسعه هوش مصنوعی معمولاً نیازمند ایجاد تعادل بین محدودیت‌های مختلف است. در ادامه موازنه‌های رایج و روش مدیریت آن‌ها آورده شده است.
- هزینه مواد در برابر یکپارچگی سیگنال:
- قانون: اگر فرکانس سیگنال شما بیشتر از 25GHz است، با وجود هزینه بالاتر Megtron 7 یا Tachyon را انتخاب کنید. اگر کمتر از 10GHz است، Megtron 6 یا FR4 با اتلاف متوسط ممکن است کافی باشد. برای لینک‌های 112G هرگز در مواد مصالحه نکنید.
- تعداد لایه در برابر اندازه برد:
- قانون: اگر فرم فاکتور دستگاه محدود است (مانند ماژول هوش مصنوعی لبه)، تعداد لایه را افزایش دهید و از HDI استفاده کنید. اگر فضا کافی است (مانند رک سرور)، تعداد لایه را کاهش دهید و قطعات را برای کاهش چگالی حرارتی و هزینه پراکنده کنید.
- سوراخ عبوری در برابر HDI:
- قانون: اگر از BGA با گام کمتر از 0.8mm استفاده می‌کنید، HDI الزامی است. اگر قطعات بزرگ‌تر هستند، سوراخ عبوری استاندارد ارزان‌تر و مقاوم‌تر است.
- پوشش سطحی (ENIG در برابر OSP):
- قانون: اگر برد به قابلیت اطمینان بالا و عمر نگهداری طولانی نیاز دارد، ENIG را انتخاب کنید. اگر هزینه عامل اصلی است و مونتاژ فوراً انجام می‌شود، OSP گزینه‌ای است، اما برای بردهای پیچیده هوش مصنوعی با چندین ریفلو ریسک دارد.
- سطح خودرو در برابر تجاری:
- قانون: اگر کاربرد یک PCB هوش مصنوعی خودرو است، قابلیت اطمینان (شوک حرارتی، مقاومت CAF) را نسبت به چگالی در اولویت قرار دهید. در صورت امکان از ویاهای بزرگ‌تر و مسیرهای عریض‌تر استفاده کنید.
- Backdrilling در برابر ویاهای کور:
- قانون: اگر نیاز به حذف استاب‌ها در بک‌پلین‌های ضخیم دارید، Backdrilling مقرون‌به‌صرفه است. برای بردهای نازک‌تر، ویاهای کور عملکرد سیگنال بهتری ارائه می‌دهند اما هزینه ساخت بالاتری دارند.
سوالات متداول PCB توسعه هوش مصنوعی (هزینه، زمان تحویل، فایل‌های DFM، مواد، تست)
س: عوامل اصلی هزینه در PCB توسعه هوش مصنوعی چیست؟
- پاسخ: بزرگ‌ترین عوامل هزینه، مواد لمینت (مواد کم‌اتلاف 3 تا 5 برابر FR4 هزینه دارند) و مراحل فرآیند HDI (سوراخ‌کاری لیزری و چرخه‌های لمینیشن متوالی) هستند.
- عوامل کلیدی: تعداد لایه‌ها، تعداد چرخه‌های لمینیشن، ضخامت طلا و نیازمندی‌های تست امپدانس.
س: زمان معمول تولید PCB توسعه هوش مصنوعی چقدر است؟
- پاسخ: زمان استاندارد تولید به دلیل چرخه‌های پیچیده لمینیشن 15 تا 20 روز کاری است.
- تولید سریع: گزینه‌های فوری (7 تا 10 روز) امکان‌پذیر هستند اما به موجودی مواد بستگی دارند.
س: کدام فایل‌های DFM برای جلوگیری از تأخیر در PCB توسعه هوش مصنوعی حیاتی هستند؟
- پاسخ: فایل دریل (برای مشخص کردن Backdrill) و Netlist مربوط به IPC-356 حیاتی هستند.
- مشکل رایج: مشخص نبودن اینکه کدام ویاها پرشده/پوشانده یا باز هستند باعث توقف بررسی مهندسی می‌شود.
س: آیا می‌توانم از FR4 استاندارد برای PCB هوش مصنوعی خودرو استفاده کنم؟
- پاسخ: معمولاً خیر. هوش مصنوعی خودرو به Tg بالا (بیش از 170°C) و مواد مقاوم در برابر CAF برای تحمل چرخه‌های حرارتی و رطوبت سخت نیاز دارد.
- ریسک: FR4 استاندارد در شرایط تنش خودرو ممکن است دچار لایه‌لایه‌شدن یا خرابی الکتریکی شود.
س: تست PCB توسعه هوش مصنوعی چه تفاوتی با بردهای استاندارد دارد؟
- پاسخ: بردهای استاندارد تست پایه E-test (باز/اتصال کوتاه) دارند. بردهای هوش مصنوعی به تست TDR (امپدانس)، VNA (افت سیگنال) و اغلب IST (قابلیت اطمینان) نیاز دارند.
- تأثیر: انتظار هزینه‌های بالاتر NRE (مهندسی غیرتکرارشونده) برای فیکسچرهای تست پیشرفته داشته باشید.
س: معیار پذیرش تاب‌برداشتن PCB توسعه هوش مصنوعی چیست؟
- پاسخ: برای بردهای دارای سوکت‌های BGA بزرگ، تاب‌برداشتن اغلب باید کمتر از 0.5% باشد.
- کاهش ریسک: تأمین‌کنندگان ممکن است در ریفلو از پالت استفاده کنند یا تعادل مس را در مهندسی CAM تنظیم کنند.
س: آیا برای طراحی‌های PCB اترنت 1.6T به مواد خاص نیاز دارم؟
- پاسخ: بله، اترنت 1.6T به مواد فوق کم‌اتلاف مانند Megtron 8 یا معادل آن برای مدیریت سیگنال‌های PAM4 با سرعت 224Gbps نیاز دارد.
- محدودیت: زمان تأمین این مواد طولانی است؛ آن‌ها را زود سفارش دهید.
س: چگونه قبل از سفارش، استک‌آپ PCB توسعه هوش مصنوعی را اعتبارسنجی کنم؟
- پاسخ: از سازنده درخواست شبیه‌سازی استک‌آپ کنید.
- فرآیند: امپدانس هدف خود را ارائه دهید؛ سازنده ضخامت دی‌الکتریک و عرض مسیر را بر اساس قابلیت‌های پرس خود تنظیم می‌کند.
منابع PCB توسعه هوش مصنوعی (صفحات مرتبط و ابزارها)
برای کمک بیشتر در فرآیند طراحی و تأمین، از این منابع اختصاصی استفاده کنید:
- قابلیت‌های HDI PCB – ساختارهای میکروویا و محدودیت‌های ضروری برای مسیریابی چیپ‌های هوش مصنوعی با گام ریز را درک کنید.
- تولید PCB پرسرعت – تکنیک‌های ساخت موردنیاز برای یکپارچگی سیگنال در سیستم‌های 112G/224G را بررسی کنید.
- مواد PCB Megtron – مشخصات دقیق لمینت‌های Panasonic که استاندارد صنعت سخت‌افزار هوش مصنوعی هستند.
- PCB الکترونیک خودرو – نیازمندی‌های خاص قابلیت اطمینان و گواهی‌ها برای سخت‌افزار رانندگی خودکار.
- طراحی استک‌آپ PCB – نحوه ساختاردهی لایه‌ها برای تعادل بین یکپارچگی سیگنال، انتقال توان و قابلیت ساخت.
- راهنمای DFM – قوانین عملی طراحی برای اطمینان از تولیدپذیری برد هوش مصنوعی با بازده بالا.
درخواست قیمت برای PCB توسعه هوش مصنوعی (بررسی DFM + قیمت‌گذاری)
آماده انتقال از طراحی به ساخت هستید؟ داده‌های خود را برای بررسی جامع DFM و قیمت‌گذاری دقیق ارسال کنید.
درخواست قیمت PCB توسعه هوش مصنوعی – تیم مهندسی ما استک‌آپ و فایل‌های شما را بررسی می‌کند تا پیش از شروع تولید، ریسک‌های احتمالی را شناسایی کند.
لطفاً موارد زیر را برای ارزیابی دقیق ارائه دهید:
- فایل‌های Gerber یا ODB++.
- نقشه ساخت همراه با مشخصات مواد و امپدانس.
- ترجیح شما برای استک‌آپ لایه‌ها.
- حجم تخمینی (نمونه اولیه در برابر تولید).
- هرگونه نیازمندی تست ویژه (IST، VNA و غیره).
نتیجه‌گیری (گام‌های بعدی)
استقرار موفق یک PCB توسعه هوش مصنوعی تنها به یک طراحی مدار خوب نیاز ندارد؛ بلکه به یک استراتژی تولید نیازمند است که فیزیک مواد، تلرانس‌های فرآیند و اعتبارسنجی دقیق را در نظر بگیرد. با تعریف مشخصات شفاف برای مواد و استک‌آپ‌ها، شناخت ریشه‌های ریسک‌های تولید و استفاده از چک‌لیست سخت‌گیرانه انتخاب تأمین‌کننده، می‌توانید زیرساخت سخت‌افزار هوش مصنوعی خود را تضمین کنید. چه برای دیتاسنتر طراحی کنید و چه برای جاده، کیفیت برد خام تعیین‌کننده قابلیت اطمینان کل سیستم است.