L’imagerie par microscope électronique (SEM) est aujourd’hui la méthode de référence pour contrôler la qualité des produits en microélectronique, du fait des tailles des objets à imager et du rendement nécessaire quand ces outils sont utilisés sur des chaines de production. Afin d’améliorer nos connaissances sur les mécanismes en jeu lors des prises d’images et de développer des outils de post-traitement plus performants, il est nécessaire de produire numériquement des images synthétiques, représentatives des images obtenues en salle blanche. Au sein du laboratoire et à l’état de l’art, divers modèles sont disponibles pour générer des images synthétiques (modèles Monte Carlo ou mathématiques) mais ces modèles présentent des limitations en terme de temps de calcul ou de modélisation des défauts inhérents à l’imagerie. Une solution développée dans d’autres domaines d’application afin de produire rapidement des images aux caractéristiques proches de la réalité est la génération d’images par réseau de neurones en apprentissage profond.
L’objectif de cette thèse est de développer un ou plusieurs modèles d’apprentissage profond capable de produire une image SEM réaliste à partir d’un dessin de puce. La qualité des images produites par ce modèle sera évaluée en fonction des paramètres du modèle, ainsi que la pertinence des données d’apprentissage. Ce modèle sera utilisé pour reconstituer un dessin de puce à partir d’une image réelle et/ou de reconstituer la structure 3D des objets à partir d’une image vue de dessus. Cette thèse doit répondre à la question suivante : quelle est la capacité d’un modèle de réseau de neurone à extraire des informations de métrologie avancée sur des images SEM et quelles sont les conditions optimales pour y parvenir ?
Cette thèse se déroulera au sein du laboratoire de Patterning Computationel du CEA-Leti, spécialisé dans le développement de méthodes numériques pour l’optimisation des procédés d’impression de motifs en salle blanche. L’équipe encadrante du CEA est spécialisée en modélisation numérique et procédés de lithographie, et s’appuie sur l’expertise du Gipsa lab en matière de réseau de neurones. Ce travail vient faire suite à des réflexions menées autour de l’IA au sein du laboratoire depuis 2018. La thèse de déroulera en trois ans, avec une rémunération brute mensuelle de 2043,54€ les deux premières années et de 2104,62€ la dernière. La/le doctorant.e sera invité.e à participer à des publications scientifiques et des conférences internationales. Les compétences développées au cours de cette thèse pourront être valorisées dans de nombreux secteurs technologiques pour la suite de votre parcours professionnel, en particulier dans le contexte actuel de diffusion de l’intelligence artificielle.