Contexte général

Le projet développe un système de mesure de défauts semi-conducteurs utilisant la photoluminescence pour une inspection optique et non-destructive. Il détecte les défauts électriquement actifs et les marque dans des images infrarouges. L'amélioration de la métrologie par l'apprentissage automatique est l'objectif du stage, visant à identifier les causes profondes des défauts et à déterminer s'ils peuvent devenir des "défauts tueurs" pouvant affecter gravement les performances des dispositifs.

Sujet du projet

Le projet visait à développer une IA pour classer les wafers électroniques défectueux, améliorant ainsi la fabrication des semi-conducteurs.

Travail réalisé

• Formation.
  • Acquérir une compréhension approfondie du procédé de fabrication des wafers.
  • Maîtriser l'environnement de développement et les procédés de fabrication des semi-conducteurs.


• Mise en place de l'environnement de travail.
  • Configuration d'un environnement Python (Azure ML puis Anaconda).


• Développer un réseau neuronal convolutif pour classifier les images de wafers.
  • Choix du format des images (PNG vs FITS).
  • Pré-traitement des images.
  • Écriture du réseau neuronal.
  • Entraînement du modèle.


• Rapport et résultats.
  • Compiler les résultats obtenus.
  • Documenter le travail réalisé pour assurer sa compréhension et reproductibilité.
  • Analyser les performances des modèles développés.
  • Présenter les conclusions et les recommandations.
  • Présenter le travail accompli devant l'équipe et le client.