Analyse prédictive par apprentissage automatique appliquée à la détection d'excursions dans un environnement de fabrication de semi-conducteurs

par Mathias Chastan

Projet de thèse en Mathématiques et Informatique

Sous la direction de Jerome Malick.

Thèses en préparation à Grenoble Alpes , dans le cadre de École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble) , en partenariat avec Laboratoire Jean Kuntzmann (Grenoble) (laboratoire) depuis le 20-02-2019 .


  • Résumé

    - Réaliser une étude bibliographique et état de l'art : L'objectif ici est de bien positionner ces travaux par rapport à l'état de l'art antérieur et de mettre l'accent sur les approches disruptives proposées. Une attention particulière sera portée sur les solutions d'apprentissage automatique dans le milieu industriel des semi-conducteurs. - Reprendre et consolider le travail issu de la collaboration entre STMicroelectronics et la société ASML : L'objectif est d'évaluer si la méthodologie adoptée dans ce travail peut être reprise et portée à la problématique de prédiction et détection d'excursions en défectivité. - Rechercher et étudier les algorithmes d'apprentissage capables de s'adapter aux contraintes spécifiques à la problématique de défectivité: L'objectif est de sélectionner les algorithmes qui s'adaptent à la problématique. Par exemple, en défectivité, la densité des défauts sur une surface donnée est très importante. La notion de répartition géographique doit donc être intrinsèque à tout apprentissage automatique. - Interagir avec les experts techniques de STMicroelectronics pour recueillir les connaissances métier en matière de mécanismes de défectivité, processus de fabrication et opérations machine. - Proposer des solutions de propagation de ces connaissances métier dans les algorithmes d'apprentissage: L'objectif est de rendre l'apprentissage plus pertinent et réduire le bruit des données en surpondérant certaines ou en sous-pondérant d'autres. - Proposer une architecture modulaire et flexible pouvant propager de nouvelles connaissances dans l'apprentissage: L'objectif est d'étudier une architecture totalement flexible capable d'évoluer et de s'améliorer par injection de nouvelles connaissances métier. - Participer à l'élaboration de scripts et programmes nécessaires à la collecte des données : Il s'agit d'un travail informatique de collecte de données dans une base de données. - Participer au codage des algorithmes d'apprentissage automatiques et solutions de propagation des connaissances métier. L'objectif est de coder les algorithmes d'apprentissage automatique dans ‘Bird' qui est un logiciel développé par STMicroelectronics qui sert de prototype et démonstrateur ‘Machine Learning'. - Concevoir la phase d'apprentissage et extension (si possible) : L'objectif est de poser la question des apprentissages et de leurs implémentations dans les solutions envisagées dans le cadre de ces travaux. - Evaluer les performances de l'apprentissage automatique et propagation de connaissances métier L'objectif est d'évaluer dans un premier temps les performances en termes de taux de couverture, taux de faux-positifs, etc. dans la prédiction des excursions. Ensuite il s'agira de proposer des axes d'amélioration.

  • Titre traduit

    Predictive Analysis by Machine Learning Applied to excursion Detection in a Semiconductor Manufacturing Environment


  • Résumé

    - To carry out a bibliographic study and state of the art: The objective here is to position these works in relation to the state of the prior art and to emphasize the proposed disruptive approaches. Special attention will be paid to machine learning solutions in the semiconductor industry. - Resume and consolidate the work resulting from the collaboration between STMicroelectronics and the ASML company: The objective is to evaluate if the methodology adopted in this work can be taken again and brought to the problematic of prediction and detection of excursions in defectivity. - Research and study learning algorithms able to adapt to the specific constraints of the defectivity problem: The objective is to select the algorithms that adapt to the problem. For example, in defectivity, the density of defects on a given surface is very important. The notion of geographical distribution must therefore be intrinsic to all machine learning. - Interact with STMicroelectronics technical experts to gather business knowledge of defectivity mechanisms, manufacturing processes and machine operations. - Propose solutions for propagation of this business knowledge in learning algorithms: The goal is to make learning more relevant and reduce data noise by overweighting some or underweighting others. - Provide a modular and flexible architecture that can propagate new knowledge in learning: The goal is to study a completely flexible architecture that can evolve and improve by injecting new business knowledge. - Participate in the development of scripts and programs needed for data collection: This is a computer work of data collection in a database. - Participate in the coding of automatic learning algorithms and business knowledge propagation solutions. The goal is to code the machine learning algorithms in 'Bird' which is a software developed by STMicroelectronics that serves as a prototype and demonstrator 'Machine Learning'. - Design the learning phase and extension (if possible): The objective is to ask the question of learning and their implementations in the solutions envisaged within the framework of this work. - Evaluate the performance of machine learning and propagation of business knowledge The objective is to first evaluate performance in terms of coverage rate, false positive rate, etc. in the prediction of excursions. Then it will be a question of proposing axes of improvement.