Processus 4.0 pour l’analyse des défaillances en production microélectronique

  • Posted on: 18 March 2020
  • By: BOUCHER_435
  • Updated on: 18 March 2020
Type recrutement: 
Sujet de thèse
Section: 
26 (Mathématiques appliquées et applications des mathématiques)
61 (Génie informatique, automatique et traitement du signal)
Entité et lieu: 
Mines Saint Etienne / FAYOL
Urgent ?: 
oui
Détails: 

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

Il s’agit alors de développer des méthodes adaptées de diagnostic basées sur l’analyse des profils de décision et du flot de données, afin d’orienter la stratégie optimale (ou meilleures stratégies) pour sélectionner, progressivement, les étapes d’analyse de défaillance pertinentes dans un cas donné. Les décisions de choix d’étapes d’analyse permettent ainsi de construire progressivement l’ensemble du parcours d’analyse de défaillance. De plus, cela doit permettre de limiter les mauvais choix lors du passage d’une étape non-destructive à une étape destructive.

L’enjeu est d’exploiter des motifs dans les données, le flux de données et les choix décisionnels dans un cadre de grande dimension, de données hétérogènes où l’analyste est une source d’information incontournable, en utilisant des techniques avancées du machine learning et du process mining. D’un point de vue industriel, ces travaux visent à accroitre significativement l’efficience du processus d’analyse de défaillances (notions de temps de cycle et de taux de succès), notamment par une réactivité améliorée, une réduction des phases d’analyses n’apportant pas de valeur ajoutée, une fiabilisation des éléments de diagnostic fournis.

  • Domaine scientifique concerné: Approches par apprentissage non-supervisé ; Théorie de la décision statistique ; arbre de décision
  • Mots clés : Process mining, graphe décisionnel probabiliste, apprentissage et partitionnement
  • Mots clés : Couplage entre apprentissage automatique et expertise, Similarité et induction sur les ‘cas de défauts’. Par ailleurs une analyse des mécanismes de décision inter-étapes est nécessaire, en vue d’aide à la décision couplant apprentissage probabilistique et d’autres formes de raisonnements décisionnels.

Les résultats attendus : Il s’agit de contribuer à l’Automation du processus global ‘Failure Analysis’ en fournissant une aide à la décision entre chaque étape d’analyse, destinée à optimiser la construction progressive de l’ensemble du parcours d’analyse. A chaque étape, une sélection des tâches d’analyse pour les étapes suivantes est alors proposée pour répondre aux besoins diagnostic du défaut concerné.

L’approche développée devra permettre de :

  • d’extraire des bases de données existantes, la connaissance sur la structure implicite des ‘Parcours décisionnels (=‘Failure Analysis flows’) ;
  • de faire l’analyse des ‘parcours décisionnels’ archivés afin d’identifier, sur l’ensemble de la base, s’il existe une typologie (classification) des ‘parcours décisionnels’, ou bien des motifs récurrents au sein de ces parcours ;
  • de construire un ‘failure analysis flow’ pour un nouveau ‘cas de défaut détecté’ à chaque étape ;
  • et de répondre à certaines questions scientifiques : Quel est le modèle de représentation de l’ensemble de l’espace décisionnel probabiliste correspond le mieux au ‘Failure analysis flow’ sa nature (processus markovien ou non, etc. ) ?