Intelligence Artificielle pour la Modélisation et l'Analyse Topographique des Puces Électroniques // Artificial Intelligence for the Modeling and Topographic Analysis of Electronic Chips

L’inspection des surfaces de wafers est cruciale en microélectronique pour détecter les défauts affectant la qualité des puces. Les méthodes traditionnelles, basées sur des modèles physiques, sont limitées en précision et en temps de calcul. Cette thèse propose d’utiliser l’intelligence artificielle (IA) pour caractériser et modéliser la topographie des wafers, en exploitant des techniques d’interférométrie optique et des modèles avancés.

L’objectif est de développer des algorithmes d’IA capables de prédire les défauts topographiques (érosion, dishing) avec une haute précision, en s’appuyant sur des architectures comme les réseaux de neurones convolutifs (CNN), les modèles génératifs ou les approches hybrides. Les travaux incluront l’optimisation des modèles pour une inférence rapide et une généralisation robuste, tout en réduisant les coûts de fabrication.

Ce projet s’inscrit dans une démarche d’amélioration des procédés de microfabrication, avec des applications potentielles dans l’industrie des semi-conducteurs. Les résultats attendus contribueront à une meilleure compréhension des défauts de surface et à l’optimisation des processus de production.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The inspection of wafer surfaces is critical in microelectronics to detect defects affecting chip quality. Traditional methods, based on physical models, are limited in accuracy and computational efficiency. This thesis proposes using artificial intelligence (AI) to characterize and model wafer topography, leveraging optical interferometry techniques and advanced AI models.

The goal is to develop AI algorithms capable of predicting topographical defects (erosion, dishing) with high precision, using architectures such as convolutional neural networks (CNN), generative models, or hybrid approaches. The work will include optimizing models for fast inference and robust generalization while reducing manufacturing costs.

This project aligns with efforts to improve microfabrication processes, with potential applications in the semiconductor industry. The expected results will contribute to a better understanding of surface defects and the optimization of production processes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département des Plateformes Technologiques (LETI)
Service : Service de Métrologie et de Caractérisation Physique
Laboratoire : Laboratoire Propriétés des Matériaux et Structures
Date de début souhaitée : 01-09-2026
Ecole doctorale : Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Directeur de thèse : BARRAGAN Manuel
Organisme : CNRS
Laboratoire : Laboratoire TIMA

Public/private mixed funding

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département des Plateformes Technologiques (LETI)
Service : Service de Métrologie et de Caractérisation Physique

bac +5 en programmation Python, et analyse d'images