Herausforderndes Neuland Forscher setzen auf KI für die Fehleranalyse in der Mikroelektronik

Anbieter zum Thema

Fraunhofer-Institut für Mikrostruktur von Werkstoffen und Systemen IMWS

Treston Deutschland GmbH

CMS Automatisme

Die Qualitätssicherung für moderne Mikroelektronik klappt heute nur, wenn leistungsfähige Techniken für Defektscreening und Fehlerdiagnostik verfügbar sind. Fraunhofer-Forscher arbeiten daran ...

Autonomes Fahren, nachhaltige Energiesysteme, moderne Medizintechnik sind Themen, bei denen nichts geht, wenn es keine leistungsfähige Mikroelektronik gibt, wie Forscher vom Fraunhofer-Institut für Mikrostruktur von Werkstoffen und Systemen (IMWS) aus Halle betonen. Innovative technische Konzepte, die dazugehörigen Herstellungsprozesse sowie Materialien und Materialkombinationen bringen Fortschritte. Doch dieses Neue verändere auch die Randbedingungen. Das Risiko neuer Fehler- und Versagensmechanismen steige. Deshalb müsse man auf materialwissenschaftlicher Ebene vollkommen neue Fragen hinsichtlich der Zuverlässigkeit und Qualitätssicherung stellen und beantworten. Eine große Rolle spielt dabei die Erforschung von Materialwechselwirkungen, um sowohl die Herstellungsprozesse als auch die Technik an sich zu optimieren, wie es weiter heißt. Mit der Weiterentwicklung der Mikroelektronik müssten also auch die Möglichkeiten seitens der Fehleranalyse und der Qualitätsbewertung Schritt halten. Künstliche Intelligenz (KI) und das maschinelle Lernen (ML) könnten dabei helfen, so glaubt man.

Zur KI-basierten Fehleranalyse braucht noch so einiges ...

Denn statt der heute üblichen – eher manuellen Fehleranalyse und der Interpretation der Messdaten auf Basis individueller Erfahrungswerte – erlaube der Einsatz von KI-basierten Algorithmen, dass Daten automatisiert ausgewertet und miteinander verknüpft werden könnten. So gewinnt man an Effizienz und Präzision. Doch bei aller Hoffnung gibt es ein Problem! Denn während KI und ML mittlerweile so leistungsfähig geworden sind, dass sie einen erheblichen Mehrwert speziell in der Datenanalyse bieten, braucht man außer den entsprechenden Trainingsdaten auch eine standardisierte Infrastruktur zur Datenverwaltung. Diese ist außerdem für das notwendige Handling wichtig, um Verbesserungspotenziale zu heben. Immerhin: Schon vorher konnte man beweisen, wie wertvoll Deep-Learning-Ansätze für die zerstörungsfreie Charakterisierung von Werkstoffen und für das Verständnis von Degradationsmechanismen und Fehlerbildung sein können. Für eine flächendeckende Anwendung fehlen aber an vielen Stellen weitere Daten. Genauso mangle es an spezifischen Auswertealgorithmen und standardisierten Schnittstellen, um einen Austausch zwischen verschiedenen Diagnostikgeräten möglich zu machen, wie man anmerkt. Auch geeignete Cloud-Computing-Systeme für eine sichere und schnelle Auswertung und Nutzung großer und komplexer Datenmengen suche man bisher vergeblich. Das XCES-Projekt „Failure Analysis – AI-Readiness and Application (FA2IR)“ soll die Probleme nun aus der Welt schaffen.

Maschinelles Lernen für die Fehleranalyse im Visier

Das Projekt soll bis Ende 2026 laufen und wird vom Bundesministerium für Bildung und Forschung gefördert. Es soll so der Weg bereitet werden, über den maschinelles Lernen ganzheitlich für Fehleranalysen eingesetzt werden kann. Angestrebt werden dabei etwa die konsequente und koordinierte Digitalisierung aller Analyseprozesse, Tools für das Datenmanagement und die Intra-Tool-Kommunikation. Das soll mit einem allgemein akzeptierten Format für Meta- und Rohdaten und standardisierbaren Schnittstellen geschehen. Auch die Einrichtung umfassender Datenbanken mit zuverlässigkeitsrelevanten Material- und Fehlerinformationen steht auf der Agenda. Ein zentraler Baustein sei auch die automatisierte, durch KI-Methoden unterstützte Interpretation von Analyseergebnissen und deren Verknüpfung mit vorhandenem Wissen, das schon in Form von Fehleranalyse-Datenbanken vorliegt.

(ID:50304119)