Inteligencia Artificial en el Borde y Nanotecnología: Innovaciones en Semiconductores

Resumen

Semiconductor manufacturing increasingly relies on AI to anticipate process deviations, optimize yield, and build trust. This course equips you with practical skills to design, evaluate, and communicate AI-driven early-warning systems that protect yield and sustain long-term accountability.

Through fab scenarios, you work with SPC data, equipment health logs, and governance frameworks to make forward-looking, actionable decisions rather than reactive analyses. By the end of this course, you will be able to deploy a random-forest model on historical SPC data to predict critical dimension (CD) excursions 12 hours ahead and document the model’s precision and recall.

You will also correlate equipment health logs with wafer-level yield losses across three fabs to pinpoint the two most significant predictive sensors, and define a governance framework that formalises model retraining cadence, data-quality gates, and escalation paths for presentation at the monthly staff meeting. Experience in semiconductors, yield or process engineering, or manufacturing analytics, along with familiarity with SPC and fab data workflows, is required.

Hands-on exercises, predictive modeling, sensor analytics, and governance simulations provide you with the skills to anticipate problems, interpret complex datasets responsibly, and implement AI as a trusted operational capability in production environments.

Programa

• Predicción de excursiones de CD con AI en el borde y datos de SPC
Este módulo se centra en la modelización predictiva práctica en el contexto del fab. Usted pasará de la comprensión de los datos de SPC a desplegar un modelo de bosque aleatorio que genera alertas de excursiones de CD orientadas al futuro, adecuadas para el despliegue en el borde o cerca del borde.
• Vinculación de la salud del equipo con la pérdida de rendimiento a nivel de oblea
En este módulo, integrará fuentes de datos heterogéneos del Fab para identificar qué sensores de equipo predicen más fuertemente la pérdida de rendimiento, construyendo la base analítica para disparadores de mantenimiento basados en sensores.
• Gobernanza de modelos de IA en fabs de semiconductores
Este módulo pasa de la analítica a la preparación organizativa. Diseñará un marco de gobernanza que asegure que los modelos de IA sigan siendo fiables, confiables y auditables en entornos de fabricación de alto riesgo.

---

Impartido por

ansrsource instructors

---

Materias

Artificial Intelligence