Institut Fayol – Mines St Etienne

Félicitations à Kenneth Ezukwoke, pour sa soutenance de thèse sur les « modèles probabilistes à base de graphes intégrés à une architecture de langage de grande taille pour la prise de décision dans l’analyse des défaillances »

Le 29 septembre 2023, Kenneth Ezukwoke, doctorant au laboratoire LIMOS, a brillamment soutenu sa thèse de doctorat intitulée : « Modèles probabilistes à base de graphes intégrés à une architecture de langage de grande taille pour la prise de décision dans l’analyse des défaillances: Application à l’industrie des semi-conducteurs 4.0 ».

Toutes nos félicitations !!!

Son jury était composé de :

  • Massih-Reza Amini, Pofesseur, Université Grenoble Alpes, Examinateur
  • Yannis Haralambous, Professeur, IMT Atlantique BREST, Rapporteur
  • Matthieu PUIGT, Maitre de conférence HDR, Université du Littoral Côte d’Opale, Rapporteur
  • Anis Hoayek, Maître de conférence, Ecole des mines de Saint-Etienne, Co-encadrant
  • Mireille Batton-Hubert, Professeure, Ecole des mines de Saint-Etienne, Directrice de thèse
  • Xavier Boucher, Professeur, Ecole des mines de Saint-Etienne, Co-directeur de thèse
  • Pascal Gounet, Analyste des défaillances physiques Engr., STMicroelectronics, Invité

Résumé

L’analyse des défaillances (FA) 4.0 apparait comme essentielle dans le cades de l’industrie numérique, visant à garantir la fiabilité et la sécurité maximales des systèmes électroniques de plus en plus complexes dans diverses applications, notamment les véhicules autonomes et la production industrielle numérique (Industrie 4.0). Actuellement, l’analyse des défaillances est principalement realisée par l’expertise humaine, impliquant des processus laborieux et se concentrant sur des tâches individuelles issues de la production, des tests de fiabilité et des retours sur le terrain. Cependant, ces procédures chronophages limitent l’analyse globale des données combinant des tests électriques, matériaux et de métrologie tout au long du flux d’analyse. Pour relever ces défis, le projet FA 4.0 vise à fournir des outils et des méthodologies innovants basés sur l’intelligence artificielle qui soutiennent l’analyse experte des défaillances tout au long du développement et de la fabrication de composants et de systèmes électroniques.
Cette thèse présente une méthode formelle pour la représentation des données d’ historiques d’analyse des défaillances textuelles en utilisant l’apprentissage de l’espace de représentation mathématique et la prise de décision pour l’analyse des causes profondes des défaillances grâce à la modélisation linguistique avancée.

Summary

Failure Analysis (FA) 4.0 is emerging as an essential part of the digital industry, aimed at ensuring maximum reliability and safety of increasingly complex electronic systems in a variety of applications, including autonomous vehicles and digital industrial production (Industry 4.0). At present, failure analysis is mainly carried out by human expertise, involving laborious processes and focusing on individual tasks from production, reliability testing and field feedback. However, these time-consuming procedures limit the global analysis of data combining electrical, material and metrology tests throughout the analysis flow. To address these challenges, the FA 4.0 project aims to provide innovative artificial intelligence-based tools and methodologies that support expert failure analysis throughout the development and manufacture of electronic components and systems.
This thesis presents a formal method for representing textual failure analysis history data using mathematical representation space learning and decision making for failure root cause analysis throughadvanced linguistic modeling.

#LIMOS

Commentaires Clos.