45 Industrielle Auftragsforschung Künstliche Intelligenz in der Chipfertigung Projekt ImageCop Projektdauer 12 Monate Methode Bilddatenanalyse und KI Lernmethoden zur Anomalie Erkennung Transfer Learning Projektergebnis Entwicklung eines Algorithmus zur bildbasierten Fehlererken nung in der Halbleiterindustrie automatisierte Erkennung von Abweichungen von der Norm Projektleitung Dr Ulrich Krispel ulrich krispel fraunhofer at Seltene Fehler Will man eine KI entwickeln die Fehler erkennt dann muss man dem System bei bringen was ein Fehler ist und was nicht Im Supervised Deep Learning braucht man dafür normalerweise sehr sehr viele Bilder und zwar nicht nur von guten Beispielen son dern vor allem auch von möglichen Fehlern erklärt Ulrich Krispel der bei Fraunhofer Aus tria die Projektleitung für ImageCop innehat Da die Fehler in der Halbleiterproduktion von Infineon aber äußerst selten sind musste das Team eine andere Herangehensweise wählen Mangels einer statistisch repräsentativen Anzahl fehlerhafter Chips haben wir anstatt die Fehler zu definieren aus den bekannten Daten der zahlreichen guten Beispiele das KI Verfahren ein Modell der Normalität also ein Modell eines einwandfreien Chips lernen lassen Ein Fehler wird dann als Abweichung von diesem Normalmodell erkannt Dabei handelt es sich um Anomalieerkennung ein statistisches Verfahren erklärt Ulrich Krispel Die Forscher und Forscherinnen griffen dabei auf jüngste Erkenntnisse aus der Grundlagen forschung zurück Beim Einsatz des sogenann ten Transfer Learning wird ein vortrainiertes neuronales Netz verwendet um relevante Bildinformation Features aus den Beispiel bildern zu extrahieren Mit diesen Features wird das Normalmodell aus den Beispielbildern erzeugt Durch die Verwendung des vortrai nierten Netzes muss man kein aufwendiges Training durchführen und benötigt dabei auch weniger Beispielbilder Im letzten Jahr wurden mehrere Verfahren publiziert in denen ein sol ches bildbasiertes Normalmodell die örtliche Erkennung von Anomalien ermöglicht Nun haben die Forscherinnen und Forscher des ImageCop Projekts die nötigen Anpassun gen und Weiterentwicklungen vorgenommen um ein solches Verfahren auf reale Bilder aus der Chipindustrie anwenden zu können Bereits im Lauf des Jahres 2022 soll das System implementiert werden Große Varianz Als besondere Herausforderung erwies sich bei der Entwicklung des Verfahrens die große Varianz im Aussehen der funktionierenden Chips Die Testumgebung ist kein Reinraum Daher befinden sich auch optisch erkenn bare Objekte wie zum Beispiel kleine Staub partikel oder Ähnliches auf der Oberfläche Diese werden aber nicht als Fehler dargestellt Zudem werden Chips für das Testverfahren gestresst das heißt sie werden elektrischen Belastungen und Temperaturschwankungen ausgesetzt um den Betrieb unter realen Bedingungen zu simulieren Das alles führt zu Spuren an der Oberfläche der Chips die aber kein Anzeichen für etwaige Fehler sind und daher vom System als normal eingestuft werden sollen erklärt Ulrich Krispel Eine klassische Bildanalyse würde hinsichtlich der großen Varianz also nicht zum Ziel führen wohl aber das gelernte Modell eines normalen Chips das das Forschungsteam im Rahmen des Projekts erstellt hat Dieses kann auch erfolgreich mit Helligkeits und Farbänderun gen bei unterschiedlichen Bauteilen gleicher Bauart umgehen Die drei Forschungspartner Infineon KAI und Fraunhofer Austria haben in diesem Projekt ein starkes Dreieck gebildet das in kürzester Zeit einen beeindruckenden Algorithmus ent wickelt hat Die Kompetenzen aller Beteiligten haben sich ideal ergänzt und zu einem her vorragenden Projektergebnis geführt sagt Eva Eggeling Leiterin des Fraunhofer Austria Innovationszentrums KI4LIFE Der vorliegende Beitrag wurde teilweise durch das europäische Forschungsvorhaben iRel40 finanziert das vom ECSEL Joint Undertaking JU unter der Fördervereinbarung Nr 876659 gefördert wird Das JU erhält Unterstützung aus dem Forschungs und Innovationspro gramm Horizon 2020 der Europäischen Union sowie von Deutschland Österreich BMVIT IKT der Zukunft FFG Projekt Nr 877540 Slowakei Schweden Finnland Belgien Italien Spanien Niederlande Slowenien Griechen land Frankreich Türkei Die in dieser Veröf fentlichung enthaltenen Informationen und Ergebnisse sind die der Autoren und spiegeln nicht zwingend die Meinung des ECSEL Joint Undertaking wider

Hinweis: Dies ist eine maschinenlesbare No-Flash Ansicht.
Klicken Sie hier um zur Online-Version zu gelangen.