Upload
salome-blot
View
106
Download
0
Embed Size (px)
Citation preview
OPTIMISATION STATISTIQUEOPTIMISATION STATISTIQUEDU RENDEMENT DU RENDEMENT PARAMETRIQUE PARAMETRIQUE
DE MICROSYSTEMES (MEMS)DE MICROSYSTEMES (MEMS)
Directeur de thèse : Christian Dufaza
Co-directeur MEMSCAP : Bachar Affour
Flavien DelaucheVendredi 23 mai 2003
2
Cadre de la Cadre de la thèsethèse
Sujet :
Partenaires :
Concevoir un algorithme innovant permettant l’optimisation statistique du rendement paramétrique de MEMS, le valider par son implémentation logicielle.
MEMSCAP: fournisseur de solutions MEMS– Accès à la CAO dédiée aux MEMS– Accès à des technologies MEMS– Co-initiateur
LIRMM: Recherche universitaire – Initiateur de la thèse– Conception de structures MEMS
3
PlanPlan
Microtechnologies et rendement
Estimation & optimisation du rendement
Nouvelle stratégie
Applications et résultats
Conclusion & Perspectives
OPTIMISATION STATISTIQUE DU OPTIMISATION STATISTIQUE DU RENDEMENT PARAMETRIQUE DE RENDEMENT PARAMETRIQUE DE
MICROSYSTEMESMICROSYSTEMES
Microtechnologies et rendement– Définitions
– Exemple
Estimation & optimisation du rendement
Nouvelle stratégie
Applications et résultats
Conclusion & Perspectives
4
Si
Nitrure
Technologies MEMSTechnologies MEMS
Micro-usinage en surface
Oxyde sacrificielPattern oxydePolysiliciumPattern polysiliciumGravure couche sacrificielle
Micro-usinage en volume
Si
PolysiliciumPattern polysiliciumGravure anisotropique du Si
Systèmes simples :• capteurs• µcavité de précision
Systèmes complexes :• actionneurs• contacts
5
MEMS : réussites industriellesMEMS : réussites industrielles
Micromiroir (TI)
sortieentrée
matériau PZT ouactionneur thermique
Tête d’imprimante à jet d’encre (HP)
Clapet anti-retour
Accéléromètre (Analog Devices)
6
CAOCAO MEMS : Motivations MEMS : Motivations
MEMS en phase industrielle
Beaucoup plus de paramètres technologiques critiquespour les MEMS que pour les ICs : approche différente
Simple Robuste Modulaire
MEMSCAP, Intellisense, Coventor, CFDRC : pas de module d’optimisation du rendement
7
Rendement CatastrophiqueRendement Catastrophique
Rendement catastrophique =nb MEMS fonctionnant
nb MEMS fabriqués
Collage : défaut catastrophique
- règles de dessins?- réglage machines? € !- qualité salle blanche? € !
Solutions :
8
Rendement Rendement ParamétriqueParamétrique
80%
100%
performanceSHSB
Nb de MEMS
Rendement paramétrique =nb MEMS dans les specs
nb MEMS fabriqués
Solutions :
- MSP / APC / GPC : € !
performances
P1
“fonction de transfert”
- optimisation statistique
9
PlanPlan
Microtechnologies et rendement
Estimation & optimisation du rendement
– Nature des paramètres du problème
– Estimation du rendement
– Optimisation du rendement
Nouvelle stratégie
Conclusion & Perspectives
10
Les Les paramètresparamètres
de dessin :
mixtes :
dessin bruitdessin bruit
module d’Youngμ
σ
Nb de MEMStechnologiques :
11
Régions remarquablesRégions remarquables
P1Rt
P2Région de tolérance
P1
P2
Ra
Région d’acceptabilité
P2
S1
M1
S2
M2
P1
f
T
spécifications <-> espace vectoriel
12
Estimation du rendementEstimation du rendement
Échantillonnage statistique :
P1
P2
Rt
P2
P1
PiMonte-Carlo échantillonnage stratifié régionalisation
exploration radiale, ellipsoïdale, intégrales de surface, exploration orthogonale …
P1
Ra
Ra'Ra''
P2
exploration polyédrique :
Méthodes géométriques :
13
Optimisation du rendementOptimisation du rendement
1
Analyse
Optimisation
2
3
4
Dessin initial
Analyse de sensibilité
Analyse paramétrique
Optimisation nominale
Optimisation statistique
Quand ?
Comment ? • optimisation nominale bis
• optimisation basée sur une méthode géométrique
• optimisation à base d’échantillonnage statistique
• optimisation par les plans d’expériences
14
Optimisation du rendementOptimisation du rendement
Optimisation « nominale » :
- estimer le rendement : coûteux- fonction performance : peut être coûteux- citées : simplex, sensibilités marginales, approximation stochastique, recuit simulé, exploration axiale, intégrale de surface…
P2
P1ex: simplex
Méthodes géométriques : Ra
P2
P1
ex: optimisation polyédrique
15
Optimisation du rendementOptimisation du rendement
Échantillonnage statistique :
P1
P2
Rt
P2
Rt GrGa
P1
Ra
centre de gravité
échantillonnage paramétrique…
P1
P2
Rt
RaRt
coupe
méthode des coupes
16
Optimisation du rendementOptimisation du rendement
Plans d’expériences :
1. Choix d’un modèle, ex:
n
iiixabxy
10)(
jiij
n
iii xxcxabxy
10)(
2
10)( iiijiij
n
iii xexxcxabxy
2. Choix d’un plan, ex:
Largeur d'une poutre (X1)
Longueur de la poutre (X2)
Niveau bas (-) 12 μm 60 μm
Niveau haut (+) 13 μm 62 μm
X1 X2 X1*X2 Y
simulation n°1 - - + Y1=2
simulation n°2 - + - Y2=4
simulation n°3 + - - Y3=1
simulation n°4 + + + Y4=5
'2
'1
'2
'1 5,025,03 xxxxY
3. Écriture du modèle :
17
Fonctions coûtFonctions coût
performanceSHYoSB
σ
Nb de MEMS
y
BH
p
SSC
6
13
,3
min
y
B
y
H
pk
SYYSC
indice de capabilité :
type de cible rapport signal/bruit
nominale
minimale
maximale
fonction perte de Taguchi (EQL) : ))((log10 20
2 YY
)(log1022 Y
)31(
1log10 2
2
2YY
18
Bilan estimation & optimisationBilan estimation & optimisation
Estimation :- nombreuses méthodes - analyse de Monte-Carlo : robuste- facilité d’implémentation- amélioration : variance de l’estimateur
- nombreuses méthodes - restrictions sur le nombre de paramètres- restrictions sur la forme de Ra- différentes fonctions coût
Optimisation :
19
PlanPlan
Microtechnologies et rendement
Estimation & optimisation du rendement
Nouvelle stratégie– énoncé et justification
– plans multiples de Taguchi
– algorithme
Applications et résultats
Conclusion & Perspectives
20
Nouvelle stratégieNouvelle stratégie
Énoncé et justification :
P1P2
P3P4
Performance
))((log10 20
2 YY
y
B
y
H
pk
SYYSC
3,
3min
Estimation du rendement 1
Estimation du rendement 2
Estimation du rendement 3
Saisie des données
Réduction de la variance
Ajustage de la valeur moyenne
Affichage des résultats
21
Nouvelle stratégieNouvelle stratégie
Aspect statistique :
m
jjjj
n
iiii
n
i
m
jjiij
m
jjj
n
iii gxexcdxabxy
1
2
1
2
1 1110),(
Circuits discrets : Pour réduire la variance, il faut : 0)(
2
2
ix
xy
0),(2
ji xx
xy pour i≠j
pour i=j
0),(2
jix
xy
Pour réduire la variance, il faut :Circuits intégrés :
Conclusion : nous postulons un modèle factoriel
22
Nouvelle stratégieNouvelle stratégie
Plans multiples de Taguchi : Exp. n°j 1 2 3 4
θ1 - - + +
θ2 - + - +
θ3 - + + -
Exp. n°i x1 x2 x3 ε σ
1 - - - Y11 Y12 Y13 Y14
2 - + + Y21 Y22 Y23 Y24
3 + - + Y31 Y32 Y33 Y34
4 + + - Y41 Y42 Y43 Y44
1 1
2 2
3 3
4 4
1x 1x
1x 1x
Exemple
Obtention de et pour chaque paramètre
23
Nouvelle stratégieNouvelle stratégie
Définition de la variance :
Y31 Y32 Y33 Y34Y311 Y321 Y331 Y341
Y312 Y322 Y332 Y342
… … … … …
Y31n Y32n Y33n Y34n
2
13
131
max
11
3
Y
jY
j
23
n3
33
1 n
scalaire
vecteur
f
T
f1 f2 f3
gabarit pour l'estimation du rendement
réponse ciblée
24
Nouvelle stratégieNouvelle stratégie
Définition de l’erreur :
T
fx1 xi xn
simulation k
cible1xY
1Yx
cibleYx1
211 ii
ix
iix
xsimu cibleYxxYnn
f
Gain
limite gabarit courbe cible
1 2 3 4 5 6 7 8
fonction complexe :
aspect « multiobjectifs »
25
Nouvelle stratégieNouvelle stratégie
Algorithme :
1. Réduction de la variance
Tous les xi sont fixés
xi est fixé si :- Δσi négligeable- ou Δσi fait partie des moins important- ou Δσi*Δεi<0 avec Δεi non négligeable
Plan d’expériences :simulations
2. Réduction de l’erreur
FIN
Tous les xi sont fixés
xi est fixé si :- Δεi négligeable- ou Δεi fait partie des moins important- ou faible
Plan d’expériences :simulations
i
y
i x
Var
xSON
/
26
PlanPlan
Microtechnologies et rendement
Estimation & optimisation du rendement
Nouvelle stratégie
Applications et résultats– Modélisation
– Implémentation
– Exemples (circuit discret, MEMS)
Conclusion & Perspectives
27
ModélisationModélisation
• SPICE• éléments finis• comportementaux
de qualité et paramétrés !
Modèles :
ADMS
masque structure 3D FEM équations réduites
modèlecomportemental
Verilog-A
du masque au modèle comportemental
28
ModélisationModélisation
Ajout de bruit intégré ou discret :
* Netlist
ajout de bruit discret
…
plaque1 (A B C D)
…
* Modèle
… ajout de bruit intégré
Si A ET B connectés :
Sinon
…
..., 11 bPaP yx
)( 3321 bruitxxLxWx LL '
sincos' 11 yx PPLL
α
y
x
L
W
B
A C
D
Choix : • MEMS : Verilog-A (pas de bruit intégré)
• électronique : SPICE
• simulateur : Spectre
29
Données statistiquesDonnées statistiques
Dispersion des technologies : données du fondeur
PM / TCV / SED
lot à lot
wafer à wafer
inter-puce
intra-puce
30
ImplémentationImplémentation
Langage : JAVA
Structure :
Réalisation d'un plan produit
n réécritures
Netlist Simulation Analyse des résultats
- facteurs fixés (si tous les facteurs sont fixés : FIN)
- ou nouvelles valeurs attribuées et définition d'un nouveau plan produit
Programmes extérieurs : Spectre Gnuplot Xview
31
ImplémentationImplémentation
Saisie des données :
1. nom de la netlist et du technofile
3. description des paramètres
paramètres de dessin : nom min max pas
paramètres technologique : nom μ σ
2. choix des paramètres
4. description des spécifications :
nom analyse nœud poids start stop step affichage
Fréquence Valeur cible
Valeur minimum
Valeur maximum
200 NaN NaN NaN
211 NaN -52 -46
… … … …
32
Exemple circuit discretExemple circuit discret
Filtre passe-bande :
Suivi des paramètres :
- niveaux + et -- ε+ et ε-, σ+ et σ- (Δε et Δσ)- si fixé, pourquoi?
33
Exemple circuit discretExemple circuit discret
Résultats chiffrés :
Initial Yield : e1=0.0055 s1=1.4744 yield for simus=46.67%Yield after SR : e2=0.0017 s2=1.4378 yield for simus=86.67%Yield after MT1: e3=0.0007 s3=1.4489 yield for simus=93.33%
8 paramètres de dessin8 paramètres de bruitσ=2% de la valeur initialeσréduc : 640 simusεréduc : 288 simusestimation : 30 simuspas : σ/2
34
Analyse Monte-Carlo initiale
Analyse Monte-Carlo finale
Exemple circuit discretExemple circuit discret
35
Exemple MEMSExemple MEMS
MEMS : peignes électrostatiques
technologie : AMS CUP 0,6μmpost-process : Carnegie Mellon University
accéléromètrefiltre
gyroscope
résonateur
36
Exemple MEMSExemple MEMS
f0=10 kHz, 10 doigts, L= 160 μm.
Run AMS-CMU : 09/00 -> 06/01
37
Exemple MEMSExemple MEMS
Saisie des données :
x3
x1
x2
x4
beam
x5 θ5
θ1, θ2, θ3
comb 20
comb 21
plate 1plate 2
plate 3
plate 4
plate 5
θ4
ahdli7 (net31 net32 net33 net34 net35 net36 0 0 0) BEAM_UxUyMz width=5.0E-6 length=2.0E-5 angle=-90.0
analyse temporelle5 paramètres technologiques5 paramètres de dessin
38
Exemple MEMSExemple MEMS
Résultats :
Initial Yield : e1=0.0020 s1=0.0000 yield for dots=99.80% yield for simus=80.00%Yield after SR : e2=0.0020 s2=0.0000 yield for dots=99.80% yield for simus=80.00%Yield after MT1: e3=0.0017 s3=0.0000 yield for dots=99.83% yield for simus=83.33%Yield after MT2: e4=0.0013 s4=0.0000 yield for dots=99.87% yield for simus=86.67%
σréduc : 4.04e-9 4.03e-9 : 224 simusεréduc1 : 192 simusεréduc2 : 96 simusestimation : 30 simuspas : σ/2 puis σ/4
39
PlanPlan
Microtechnologies et rendement
Estimation & optimisation du rendement
Nouvelle stratégie
Applications et résultats
Conclusion & Perspectives
40
ConclusionConclusion
Un algorithme d’optimisation du rendement
bien adapté aux MEMS est proposé
L’approche est validée par une analyse de
Monte-Carlo avant et après optimisation.
L’algorithme est robuste, son utilisation
simple, et son implémentation d’actualité et
modulaire.
41
PerspectivePerspectivess
Logiciel– Implémenter :
– Estimateur de Monte Carlo à faible variance– Choix des facteurs de bruit critiques– Pas d’itération dynamique– ACP et AFC
– RSM pour alléger l’algorithme
CAO rendement et MEMS– MEMS : secteur durement touche, mais reussites
industrielles
– les grands intégrateurs s’impliquent dans les MEMS
– technologies submicroniques : criticité de la modélisation du rendement et de son amélioration
42
43
θ1θ2
θ3
sommet correspondant
au pire cas
pires cas :
θ1
Ra
θ2θ2 (1) θ2 (2)θ2 (3) θ2 (4)
exploration orthogonale :
Estimation du rendementEstimation du rendement
44
Difficultés de modélisation :
Poly1
Poly2
Sur-gravure
ancrage
μ1μ2
intra-puce inter-puce
Valeur du facteur de bruit
Θ1 (paramètre technologique)
nb de mesures
Modélisation et dispersionsModélisation et dispersions
45
Lecture des Lecture des résultatsrésultats
Résultats :
GP: Initial Yield : e1=0.0055 s1=1.4744 yield for dots=99.47% yield for simus=46.67%GP: Yield after SR : e2=0.0017 s2=1.4378 yield for dots=99.83% yield for simus=86.67%GP: Yield after MT1: e3=0.0007 s3=1.4489 yield for dots=99.93% yield for simus=93.33%GP: Yield after MT2: e4=0.0007 s4=1.4475 yield for dots=99.93% yield for simus=93.33%
2*100
2
1
2
1)(
x
exf
8 paramètres de dessin8 paramètres de bruitσ=2% de la valeur initialeσréduc : 640 simusεréduc : 288 simusestimation : 30 simuspas : σ/2 puis σ/4