Künstliche Intelligenz (KI) hat die Halbleiterfertigung erreicht: Viele Demonstratoren sagen inzwischen das Ergebnis von Prozessen vorher. Doch die wenigsten bringen im laufenden Betrieb einen konkreten Nutzen. Woran liegt das?
Dank moderner KI-Werkzeuge können Prozessingenieure heute ganz pragmatisch selbst gute erste Modelle erstellen. Diese versagen jedoch häufig, sobald sich der Prozess ändert – wenn Teile gewechselt werden, neue Produkte eingeführt werden oder Messwerte erst verzögert vorliegen. Solche Fälle lassen sich vermeiden, wenn man sie von Anfang an mitdenkt. Dafür braucht es ein strukturiertes Vorgehen und das Wissen um die typischen Fallstricke.
Data Scientists bringen genau dieses Methodenwissen mit. Für sie liegt die Herausforderung darin, komplexe physikalische Prozesse schnell genug zu durchdringen, um ihre Methoden darauf abzustimmen. Denn Halbleiterprozesse unterscheiden sich drastisch von den etablierten Anwendungsfällen für KI in der Fertigung.
Projektziel: Wissenstransfer in die Industrie
Genau hier setzt das Projekt WISPER an: Gemeinsam mit der TU Chemnitz entsteht eine Weiterbildung für die Industrie, die Prozessingenieure und Data Scientists zusammenbringt. In Impulsvorträgen zeigen wir, woran KI-Projekte in der Fertigung typischerweise scheitern – und anhand konkreter Use Cases aus der Fertigung, wie man mit unserem KEPM-Vorgehensmodell strukturiert zum Ziel kommt. In Workshops vor Ort erschließen Teilnehmende eigene Anwendungsfälle und setzen erste Schritte selbst um.
Was sind wissensbasierte Prozessmodelle?
Wissensbasierte Prozessmodelle (Knowledge-Enhanced Process Models, KEPM) – so nennen wir KI-Modelle, die neben Prozessdaten auch Domänenwissen aus der Halbleiterchipfertigung nutzen, zum Beispiel physikalische Zusammenhänge, Simulationen oder die Erfahrung von Prozessingenieuren. So liefern sie schon mit wenigen Daten genaue Vorhersagen, bleiben bei Prozessänderungen verlässlich und generalisieren auf Situationen, die in den Trainingsdaten nicht vorkommen.
Anhand von Prozessen wie der chemischen Gasphasenabscheidung (CVD), dem Plasmaätzen und dem chemisch-mechanischen Planarisieren (CMP) erforschen wir, wie sich das nötige Domänenwissen erheben, aufbereiten und in die Modelle integrieren lässt.
Fraunhofer-Institut für Elektronische Nanosysteme