IA en périphérie et nanotechnologie : innovations en semi-conducteurs

Aperçu

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.

Programme

• Prévision des Excursions CD avec l'IA Edge et les Données SPC
Ce module se concentre sur la modélisation prédictive pratique dans le contexte du fab. Vous passerez de la compréhension des données SPC au déploiement d'un modèle de forêt aléatoire qui génère des alertes d'excursions CD prospectives adaptées au déploiement en bord de réseau ou presque en bord de réseau.
• Lien entre l'État de Santé des Équipements et la Perte de Rendement au Niveau des Plaquettes
Dans ce module, vous intégrerez des sources de données Fab hétérogènes pour identifier quels capteurs d'équipement prédisent le plus fortement la perte de rendement, construisant ainsi la base analytique pour des déclencheurs de maintenance basés sur les capteurs.
• Gouvernance des Modèles d'IA dans les Fabs de Semi-conducteurs
Ce module passe des analyses à la préparation organisationnelle. Vous concevrez un cadre de gouvernance qui garantit que les modèles d'IA restent fiables, dignes de confiance et audibles dans des environnements de fabrication à enjeux élevés.

---

Enseigné par

ansrsource instructors

---

Matières

Artificial Intelligence