Adaptation de méthodes d'apprentissage automatique dans l'industrie du semiconducteur : détection d'excursions, analyse de root cause et intégration de connaissances

Adaptation of machine learning methods in the semiconductor industry : excursion detection, root cause analysis and knowledge integration

• Auteur / Autrice : Mathias Chastan
• Direction : Jérôme Malick, Franck Iutzeler
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et informatique
• Date : Soutenance le 29/03/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann (Grenoble)
• Partenaire(s) de recherche : CIFRE : STMicroelectronics (Crolles, Isère, France)
• Jury : Président / Présidente : Jérôme Lelong
• Jury : Examinateurs / Examinatrices : Pierre Lemaire
• Jury : Rapporteurs / Rapporteuses : Marianne Clausel, Amaury Habrard

Mots clés

Mots clés contrôlés

Filières industrielles

Semiconducteurs

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Semi-Conducteurs

Excursion

Machine learning

Semiconductors

Excursion

Résumé

La complexification du processus de fabrication des puces électroniques rend nécessaire un contrôle de qualité toujours plus performant. Pour ce faire, des modèles d'apprentissage automatique (machine learning) sont désormais mis en oeuvre afin d'obtenir une réponse performante et peu coûteuse. L'intégration de ces nouvelles méthodes est compliquée et requiert des recherches pour les différents cas d'études qui possèdent des problématiques spécifiques. Trois projets d'intégration de méthodes de machine learning dans l'industrie du semiconducteur sont présentés dans ce manuscrit. Le premier porte sur la détection des signaux faibles. Le deuxième projet fait partie du domaine de l'analyse de la cause racine (root cause). Le troisième projet est un projet de recherche plus théorique sur l'intégration de connaissances dans un algorithme d'apprentissage automatique.Les machines de lithographie sont équipés d'équipements de mesures appelés leveling sensors qui mesurent la topographie (leveling) de toutes les plaquettes (wafer) de silicium à chaque étape du processus. Pour chaque plaquette, environ 35 000 points sont mesurés et utilisés pour régler la machine, mais ils n'étaient auparavant pas sauvegardés. Une base de données a été créée pour stocker ces mesures qui peuvent être traitées pour détecter des signaux faibles en leveling sans aucun coût d'équipement de mesure (métrologie) supplémentaire. La solution proposée doit pouvoir traiter en temps réel un nombre conséquent de mesures (35 000 points par plaque / 25 plaques par lot / un lot par minute) bruitées qui proviennent de différents contextes (équipement / produit / couche). Un algorithme d'apprentissage non supervisé (DBSCAN) a été choisi pour répondre aux contraintes de vitesse d'exécution et de contextes multiples, car ce type d'algorithme ne nécessite pas d'apprentissage et il n'y a donc pas besoin de disposer d'un historique de données pour chaque contexte (ce qui est impossible dans le milieu du semiconducteur). Une solution de nettoyage de données a aussi été développée dans le cadre de cette thèse pour supprimer le bruit des données. Cette méthode complète a permis la création d'une application de détection automatique des signaux faibles avec système d'alerte par mail qui est utilisée actuellement chez STMicroelectronics Crolles.L'analyse de la root cause est un sujet critique dans l'industrie du semiconducteur. En effet, détecter la cause d'une excursion est difficile dans cet environnement de production complexe ; une plaquette passe par environ 300 étapes process et 500 étapes de mesures, sur différents équipements et avec différents paramètres qui sont tous des causes potentielles d'un événement de non-qualité. La cause peut aussi être une combinaison de différents éléments du processus (un enchaînement d'opération par exemple) et la solution doit pouvoir détecter cette situation automatiquement. Il est aussi nécessaire de s'assurer de la pertinence des résultats de la méthode de détection de la root cause. Pour respecter ces contraintes une méthode utilisant l'algorithme random forest a été développée (Random Forest Discriminant Analysis). L'algorithme random forest est capable de traiter de grands volumes de données et les résultats sont facilement interprétable grâce aux métriques d'importance des features et de précision. Cette solution a été testée sur quelques cas avec de bons résultats et sera prochainement intégrée dans une application d'analyse de données.L'intégration de connaissance est l'objet de recherches récentes et doit permettre de créer des modèles plus robustes en ajoutant des contraintes qui correspondent à une réalité métier.

The increasing complexity of the manufacturing process of electronic chips requires an ever more efficient quality control. For this purpose, machine learning models are now used to obtain an efficient and inexpensive answer. The integration of these new methods is complicated and requires research for the various case studies that have specific problems. Three projects for the integration of machine learning methods in the semiconductor industry are presented in this manuscript. The first one deals with the detection of weak signals. The second project is in the area of root cause analysis. The third project is a more theoretical research project on the integration of knowledge in a machine learning algorithm.The lithography machines are equipped with measuring equipment called leveling sensors that measure the topography (leveling) of all the wafers at each step of the process. For each wafer, about 35,000 points are measured and used to adjust the machine, but they were not previously saved. A database has been created to store these measurements which can be processed to detect weak signals in leveling without any additional measurement equipment (metrology) costs. The proposed solution must be able to process in real time a large number of noisy measurements (35,000 points per plate / 25 plates per batch / one batch per minute) from different contexts (equipment / product / layer). An unsupervised learning algorithm (DBSCAN) was chosen to meet the constraints of execution speed and multiple contexts, because this type of algorithm does not require learning and therefore there is no need to have a history of data for each context (which is impossible in the semiconductor environment). A data cleaning solution was also developed in this thesis to remove noise from the data. This complete method has allowed the creation of an automatic weak signal detection application with an email alert system that is currently used at STMicroelectronics Crolles.Root cause analysis is a critical topic in the semiconductor industry. Indeed, detecting the cause of an excursion is difficult in this complex production environment; a wafer goes through about 300 process steps and 500 measurement steps, on different equipment and with different parameters that are all potential causes of a non-quality event. The cause can also be a combination of different elements of the process (a sequence of operations for example) and the solution must be able to detect this situation automatically. It is also necessary to ensure the relevance of the results of the root cause detection method. To respect these constraints, a method using the random forest algorithm has been developed (Random Forest Discriminant Analysis). The random forest algorithm is able to process large volumes of data and the results are easily interpretable thanks to the feature importance and precision metrics. This solution has been tested on a few cases with good results and will soon be integrated in a data analysis application.Knowledge integration is the subject of recent research and should allow to create more robust models by adding constraints that correspond to a business reality. This type of model could be useful at STMicroelectronics and in the semiconductor industry in general. A simple method to constrain data monotonicity with random forest has been designed, developed and tested on generated datasets, free datasets and STMicroelectronics datasets. The results obtained show that further research, in particular to constrain other types of knowledge, could allow to create models that would be less affected by small noisy data samples common in the semiconductor industry.