Verbundprojekt: Zuverlässigkeit und Qualität in der Mikroelektronikfertigung durch KI-basierte Fehleranalyse - FA2IR -

Das Fraunhofer IMWS wird Forschungen und Entwicklungen durchführen, die auf die Verbesserung der Empfindlichkeit, Genauigkeit und Aussagesicherheit von vorzugsweise zerstörungsfrei arbeitenden Prüfverfahren (z.B. Lock-In Thermographie, akustische Mikroskopie, el. Charakterisierung, etc.), sowie spektroskopischer Methoden der Fehleranalyse in der Mikroelektronik abzielen. Gegenstand ist dabei die Analyse und Kombination roher und vorverarbeiteter Messdaten, sowie ggf. die Kombination von Messdaten unterschiedlicher Kontrastmechanismen zur Gewinnung analytischer Informationen. Aufgrund der Komplexität des Datenraumes ist es notwendig, dass die dabei zum Einsatz kommenden Analysekonzepte auf den Ansätzen des maschinellen Lernens basieren, welche im Vorgängerprojekt FA4.0 entwickelt und auf ihre Anwendbarkeit evaluiert wurden. Weiterhin sollen im Vorgängerprojekt erkannte Limitationen, wie z.B. die Abhängigkeiten der Aussagesicherheit trainierter Modelle von spezifischen Parametern des Messsystems untersucht und Lösungskonzepte für eine allgemeingültige, weitestgehend messsystemunabhängige Analyse erarbeitet werden. Im Vordergrund steht dabei eine weitere Automatisierung und Generalisierung der Daten- und Signalanalyse, welches die zentrale Aufgabe der zerstörungsfreien Defekterkennung und Lokalisierung ist. Aufgrund der Komplexität der Daten und der zugrundeliegenden physikalischen Phänomene sind die Interpretationsergebnisse zudem auch sehr stark abhängig von der Erfahrung und Expertise des Anwenders und unterliegen somit einer starken Subjektivität, welche mittels ML-basierter Analytik eliminiert werden kann. Erforderlich für einen breiten Einsatz ist eine einfache und weitestgehend automatisierte Handhabung, sowie eine plattformunabhängige Verfügbarkeit der Anwendung. Daher werden die geplanten Arbeiten die Entwicklung und Evaluierung von Konzepten für Cloud-Computing, sowie eine webbasierte Zugänglichkeit der entwickelten Algorithmen und Module beinhalten.