Intelligence Artificielle
Role details
Job location
Tech stack
Job description
L'inspection des surfaces de wafers est cruciale en microélectronique pour détecter les défauts affectant la qualité des puces. Les méthodes traditionnelles, basées sur des modèles physiques, sont limitées en précision et en temps de calcul. Cette thèse propose d'utiliser l'intelligence artificielle (IA) pour caractériser et modéliser la topographie des wafers, en exploitant des techniques d'interférométrie optique et des modèles avancés.
L'objectif est de développer des algorithmes d'IA capables de prédire les défauts topographiques (érosion, dishing) avec une haute précision, en s'appuyant sur des architectures comme les réseaux de neurones convolutifs (CNN), les modèles génératifs ou les approches hybrides. Les travaux incluront l'optimisation des modèles pour une inférence rapide et une généralisation robuste, tout en réduisant les coûts de fabrication.
Ce projet s'inscrit dans une démarche d'amélioration des procédés de microfabrication, avec des applications potentielles dans l'industrie des semi-conducteurs. Les résultats attendus contribueront à une meilleure compréhension des défauts de surface et à l'optimisation des processus de production., The inspection of wafer surfaces is critical in microelectronics to detect defects affecting chip quality. Traditional methods, based on physical models, are limited in accuracy and computational efficiency. This thesis proposes using artificial intelligence (AI) to characterize and model wafer topography, leveraging optical interferometry techniques and advanced AI models.
The goal is to develop AI algorithms capable of predicting topographical defects (erosion, dishing) with high precision, using architectures such as convolutional neural networks (CNN), generative models, or hybrid approaches. The work will include optimizing models for fast inference and robust generalization while reducing manufacturing costs.
This project aligns with efforts to improve microfabrication processes, with potential applications in the semiconductor industry. The expected results will contribute to a better understanding of surface defects and the optimization of production processes., Pôle en : Technological Research Département : Département des Plateformes Technologiques (LETI) Service : Service de Métrologie et de Caractérisation Physique Laboratoire : Laboratoire Propriétés des Matériaux et Structures Date de début souhaitée : 01-09-2026 Ecole doctorale : Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS), Financement public/privé
Précisions sur le financement
Présentation établissement et labo d'accueil
CEA Université Grenoble Alpes Laboratoire Propriétés des Matériaux et Structures Pôle fr : Direction de la Recherche Technologique Pôle en : Technological Research Département : Département des Plateformes Technologiques (LETI) Service : Service de Métrologie et de Caractérisation Physique
Requirements
bac +5 en programmation Python, et analyse d'images
