Les multiples façons dont l’apprentissage automatique pourrait optimiser la fabrication des semi-conducteurs
Un article de AZO Materials commente la complexité ahurissante qui entoure l'utilisation de la technologie de l'apprentissage automatique – qui est appliquée déjà avec un grand succès dans des domaines tels que les voitures autonomes, la médecine et la reconnaissance faciale – dans l'optimisation et l'automatisation des processus de fabrication des semi-conducteurs et l'analyse des données associées.
Par exemple, AZO Materials mentionne que des algorithmes d'apprentissage automatique discriminatifs supervisés – tels que les régressions et les réseaux de neurones convolutifs pour la reconnaissance de formes – peuvent identifier automatiquement les corrélations entre les paramètres des processus de fabrication et le rendement du produit final. Cette corrélation est cruciale, dit-on, pour la fabrication de semi-conducteurs, car elle permet de réduire de façon significative le nombre de données de fabrication ou de simulation requises.
D'autres algorithmes d'apprentissage automatique, dits génératifs et non supervisés, permettraient la détection précoce des problèmes dans les processus d'extrusion associés à la modélisation des métaux. Ils permettraient d'éviter les coûts substantiels associés aux rebuts et aux tests, ainsi que des problèmes de qualité potentiels. De même, ces algorithmes peuvent être utilisés pour optimiser le flux des tests de fabrication grâce à l'identification rapide des défauts et des matériaux à risque.
AZO Materials mentionne que cette technologie, en particulier les réseaux de neurones profonds, peut améliorer et automatiser les outils qui sont utilisés dans les processus de conception de pièces, de composants ou de produits. En tenant compte de tous les indicateurs et intrants clés, un réseau de neurones profond peut être formé pour prédire les défaillances de conception potentielles. Par la suite, les systèmes de prise de décision automatique de celui-ci peuvent déterminer les caractéristiques critiques de conception qui sont corrélées avec les défaillances prévues.
Un autre type d'algorithme d'apprentissage automatique, dit d'évolution différentielle, et un algorithme de réseau de neurones profond peuvent être utilisés pour augmenter la productivité des plaquettes – une pièce à la surface de forme ronde, de finition semblable à celle d'un miroir, qui est utilisée pour la fabrication des semi-conducteurs.
AZO signale qu'un système de classification automatique des défauts utilisant une image de microscopie électronique à balayage comme intrant peut être utilisé pour classer et identifier les défauts de surface des plaquettes. En utilisant un modèle de réseaux de neurones convolutifs pour la reconnaissance des formes, le système de classification automatique des défauts pourrait effectuer efficacement cette détection des défaillances, et ce sans intervention humaine. De même, une méthode d'apprentissage par transfert basée sur la classification automatique des défauts permettrait de réduire considérablement les coûts.
Un article de AZO Materials commente la complexité ahurissante qui entoure l'utilisation de la technologie de l'apprentissage automatique – qui est appliquée déjà avec un grand succès dans des domaines tels que les voitures autonomes, la médecine et la reconnaissance faciale – dans l'optimisation et l'automatisation des processus de fabrication des semi-conducteurs et l'analyse des données associées.
Par exemple, AZO Materials mentionne que des algorithmes d'apprentissage automatique discriminatifs supervisés – tels que les régressions et les réseaux de neurones convolutifs pour la reconnaissance de formes – peuvent identifier automatiquement les corrélations entre les paramètres des processus de fabrication et le rendement du produit final. Cette corrélation est cruciale, dit-on, pour la fabrication de semi-conducteurs, car elle permet de réduire de façon significative le nombre de données de fabrication ou de simulation requises.
D'autres algorithmes d'apprentissage automatique, dits génératifs et non supervisés, permettraient la détection précoce des problèmes dans les processus d'extrusion associés à la modélisation des métaux. Ils permettraient d'éviter les coûts substantiels associés aux rebuts et aux tests, ainsi que des problèmes de qualité potentiels. De même, ces algorithmes peuvent être utilisés pour optimiser le flux des tests de fabrication grâce à l'identification rapide des défauts et des matériaux à risque.
AZO Materials mentionne que cette technologie, en particulier les réseaux de neurones profonds, peut améliorer et automatiser les outils qui sont utilisés dans les processus de conception de pièces, de composants ou de produits. En tenant compte de tous les indicateurs et intrants clés, un réseau de neurones profond peut être formé pour prédire les défaillances de conception potentielles. Par la suite, les systèmes de prise de décision automatique de celui-ci peuvent déterminer les caractéristiques critiques de conception qui sont corrélées avec les défaillances prévues.
Un autre type d'algorithme d'apprentissage automatique, dit d'évolution différentielle, et un algorithme de réseau de neurones profond peuvent être utilisés pour augmenter la productivité des plaquettes – une pièce à la surface de forme ronde, de finition semblable à celle d'un miroir, qui est utilisée pour la fabrication des semi-conducteurs.
AZO signale qu'un système de classification automatique des défauts utilisant une image de microscopie électronique à balayage comme intrant peut être utilisé pour classer et identifier les défauts de surface des plaquettes. En utilisant un modèle de réseaux de neurones convolutifs pour la reconnaissance des formes, le système de classification automatique des défauts pourrait effectuer efficacement cette détection des défaillances, et ce sans intervention humaine. De même, une méthode d'apprentissage par transfert basée sur la classification automatique des défauts permettrait de réduire considérablement les coûts.