Knowledge-Enhanced Smart Systems
for Semiconductor Manufacturing
Die zunehmende Digitalisierung der Halbleiterfertigung führt zu einer stetig wachsenden Verfügbarkeit von Anlagen-, Prozess- und Messdaten. Diese Daten eröffnen neue Möglichkeiten für datengetriebene Analysen, Prozessoptimierungen und die Entwicklung digitaler Zwillinge, die Fertigungsprozesse überwachen, steuern und vorhersagen können. Allerdings erfordern viele KI-Methoden große Datenmengen, während die industrielle Praxis durch kleinere Losgrößen und heterogene Produktportfolios (Stichwort High Mix / Low Volume) geprägt ist.
Unsere Forschung zielt daher auf die Entwicklung hybrider, wissensbasierter Prozessmodelle, die datengetriebene Methoden mit physikalischem Prozessverständnis, Expertenwissen und Simulationen kombinieren. Diese Modelle sollen robuste und erklärbare Vorhersagen ermöglichen - auch unter variierenden Prozessbedingungen und in Umgebungen mit begrenzten Datenmengen.
Ein zentraler Aspekt dabei ist die effiziente Umsetzung solcher Modelle auf modernen heterogenen Hardwareplattformen. Die Integration von KI- und ML-Algorithmen in das industrielle Umfeld erfordert maßgeschneiderte Hardware-Software-Konzepte, die sowohl Rechenleistung als auch Energieeffizienz berücksichtigen. Unser Fokus liegt auf der Abbildung von datenintensiven Prozessen über das gesamte Cloud-Edge-Continuum hinweg - von energieeffizienten Edge-Prozessoren über flexibel rekonfigurierbare FPGA-Systeme bis hin zu leistungsstarken GPU-Plattformen. Durch ein intelligentes Zusammenspiel von Software-Algorithmen und Hardwarekomponenten lassen sich bspw. Prozessanalysen, Defekterkennung und adaptive Steuerungsstrategien auch in Echtzeit energieeffizient realisieren.
Damit bildet dieses Forschungsfeld die Grundlage für die nächste Generation smarter, resilienter und energieeffizienter Fertigungssysteme in der Halbleiterindustrie.
Ausgewählte Publikationen
Winkler G., Rothe T., Sayyed M. A., Jäckel L., Langer J., Kuhn H., Stoll, M.: "Machine Learning in Chemical-Mechanical Planarization: A Comprehensive Review of Trends, Applications, and Challenges." Advanced engineering informatics 68 DOI 10.1016/j.aei.2025.103663
Rothe T., Lauff A., Shaporin A., Thieme P., Sayyed M., Gottfried K., Schuster J., Langer J., Jäckel L., Stoll M., Kuhn H.: "Real-Time Interfacial Pressure Prediction in CMP Using Machine Learning Surrogates of Finite Element Simulations," Int. J. Automation Technol., Vol.19 No.5, pp. 879-889, 2025.
Breidung, et al.: "Process Data-driven Machine Learning for Non-Uniformity Prediction and Virtual Metrology in Chemical Mechanical Planarization." May 27, 2025. (accepted in J. Intell. Manuf.)
