Contexte scientifique et industriel
Ce post-doctorat s’inscrit 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 créer et déployer des solutions d’Intelligence Artificielle développées 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 microélectroniques (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.
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 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. Plus généralement, le projet s’inscrit dans les travaux sur
l’efficacité du diagnostic par apprentissage, en particulier par classification.
Problématique, Objectifs et Mission de recherche
La spécificité d’un laboratoire d’analyse des défaillances est d’opérer un certain nombre de tests électriques, physiques et chimiques, sur les supports micro-électroniques qui contiennent les composants électroniques susceptibles d’être atteint par un défaut (défaillance). Lors de cette analyse, la succession des tâches d’exploration dépend des résultats observés jusqu’à l’étape t ; la décision pour le choix de l’étape de test suivant t+1 dépend des résultats obtenus avant la phase t, et de l’expertise humaine. Ce diagnostic, appliqué à un support électronique sur lequel un défaut a été observé, peut être vu comme un parcours sur un graphe de décision où chaque nœud est un choix parmi un ensemble d’alternatives possibles (alternatives : quelle est l’étape d’analyse suivante à réaliser ?). Les résultats des analyses et ou des tests se présentent sous la forme de données variées (notamment d’importantes bases de données d’imagerie par microscopies diverses, de signaux physiques, de mesures, de données textuelles …) qui sont utilisées par l’analyste pour la construction de son diagnostic au cours du processus d’analyse du défaut.