Date limite de candidature : 30 avril 2020 démarrage de la thèse au 1er octobre 2020
Contexte
Cette thèse se développe dans le cadre du projet européen FA4.0, en collaboration avec les équipes de STMicroelectronics sur Grenoble (Grenoble Reliability & Analysis Laboratory). Plus précisément, le projet vise à déployer des solutions d’Intelligence Artificielle développée dans une perspective ‘Industrie du Futur’ pour transformer et améliorer les pratiques industrielles au sein d’un service particulier de l’entreprise : le laboratoire d’analyse des défaillances. Ce laboratoire est un maillon essentiel de la production industrielle, en charge d’analyser et de diagnostiquer les problèmes de qualité et de défaillance qui apparaissent dans les processus de production de wafers micro-électroniques (fabrication de micro-puces) et de produits complexes.
L’analyse des défaillances tout au long de la chaîne de valeur à partir d’une puce, est une condition préalable à l’amélioration de la fiabilité et de la qualité et donc de la compétitivité des dispositifs électroniques, en particulier sur le marché de l’automobile et de l’industrie pour les applications exigeantes en matière de fiabilité et de sécurité. La forte progression de la numérisation et de l’automatisation, offre un formidable potentiel pour mieux maîtriser la fiabilité des produits de haute technologie qui sont basés sur des systèmes électroniques de plus en plus complexes.
Les nouveaux concepts comme la conduite autonome représentent le défi technologique le plus élevé pour les composants électroniques, qui malgré leur complexité extrême, doivent fonctionner quotidiennement de manière fiable et sécurisée. La garantie de fiabilité est donc extrêmement critique, au niveau des composants électroniques et du système. Les risques de fiabilité ne peuvent être maîtrisés que par une caractérisation et une analyse efficiente des défaillances liées au processus et par un contrôle global des incertitudes le long de la chaîne couvrant la conception, la fabrication et la gestion de la qualité des composants.
Grâce à l’apport du digital, l’objectif du projet est donc de transformer les pratiques actuelles du laboratoire d’analyse de défaillance, en mobilisant les techniques d’intelligence artificielle du domaine du machine learning. Ces techniques permettent d’enrichir la capacité explicative des modèles statistiques, par une capacité renforcée à discriminer les causes possibles de non fiabilité et à prendre en compte leurs interactions.
Profil du candidat
Master français ou européen de recherche ou bien Ingénieur (Généraliste ou Sciences des données) avec possibilité d’équivalence Master recherche (première expérience de projet recherche). Nous recherchons à couvrir une ou bien plusieurs des compétences suivantes :
- Mathématiques appliquées, orientée vers l’analyse des données et l’aide à la décision
- Science des données, Machine learning, Process mining
- Recherche opérationnelle, Aide à la décision, Optimisation multicritères.
- Culture en génie industriel, Process industriel, Systèmes de production
Bien sûr un intérêt ou des expériences complémentaires en lien avec l’industrie de la microélectronique seront également appréciées.
Pour en savoir plus sur le projet de thèse.
Responsable de département : Pr. Mireille BATTON-HUBERT
Tel +33 (0)4 77 42 00 93
Mel: Mireille.BATTON-HUBERT@emse.fr