La empresa derivada del MIT FabuBlox presenta FabAgent para la ingeniería de procesos de semiconductores

FabuBlox ha presentado FabAgent, un colaborador de IA diseñado para ayudar a los ingenieros de semiconductores a crear, analizar y emular procesos de fabricación antes de ejecutarlos en una sala limpia. La empresa derivada del MIT está conectando el agente con diseños de procesos estructurados y conocimientos sobre las instalaciones, con el objetivo de ayudar a los ingenieros a analizar las numerosas dependencias que determinan si un flujo de fabricación funcionará.

La premisa central de la empresa es que la inteligencia de procesos debe comprender tanto la fábrica de semiconductores como el proceso. Una secuencia de etapas de fabricación debe ajustarse a los equipos, las normas sobre materiales, las recetas y los límites operativos de las instalaciones donde se ejecutará. La conexión de FabAgent con FabuBlox Facility OS busca poner ese contexto a disposición de los ingenieros durante la toma de decisiones.

De las instrucciones del proceso a una estructura visible del dispositivo

FabAgent forma parte de una plataforma que ya organiza los conocimientos sobre fabricación. La suite de diseño de procesos de la empresa combina descripciones de procesos estandarizadas, visualización de secciones transversales, emulación de pilas de capas, control de versiones y repositorios compartidos. Los ingenieros pueden describir el objetivo de fabricación y utilizar el asistente de IA para construir flujos, configurar etapas individuales y explorar herramientas y recetas, sin dejar de revisar el proceso propuesto.

La capa visual aporta una referencia física para esas decisiones. FabuBlox afirma que sus algoritmos de trazado de rayos emulan cómo las etapas sucesivas transforman la pila de capas del dispositivo, incluida la cobertura de las películas y los perfiles de las paredes laterales. Los ingenieros pueden seleccionar una línea de corte de un archivo de diseño GDS para vincular la secuencia de fabricación con una sección transversal del dispositivo previsto. A medida que evoluciona el diseño, los cambios en el flujo se reflejan en la visualización.

Esta combinación resulta útil porque cada etapa de un proceso modifica las condiciones iniciales de las etapas posteriores. Revisar la evolución de la estructura junto con las instrucciones puede ayudar al equipo a detectar antes los problemas de integración. La utilidad de la emulación sigue dependiendo de hasta qué punto sus parámetros representan fielmente los equipos y las condiciones del proceso, por lo que la calibración y las mediciones experimentales son una parte importante del ciclo de ingeniería.

Facility OS aporta al agente contexto sobre la fábrica de semiconductores

Facility OS representa los equipos y las limitaciones que condicionan un proceso. Su modelo estructurado de las instalaciones incluye las capacidades de las herramientas, los recursos compatibles, las restricciones sobre materiales, los rangos de parámetros, las recetas y los datos de calibración. Los ingenieros pueden consultar una biblioteca de herramientas, mientras que la función de búsqueda asistida por IA está diseñada para ayudar a identificar equipos adecuados para una operación determinada.

Las recetas están vinculadas a herramientas concretas y a los datos de caracterización de estas. A medida que evolucionan las recetas, la plataforma resalta los cambios para que los ingenieros puedan sincronizarlas selectivamente con los flujos de proceso. Así se mantiene la relación entre un proceso propuesto y los ajustes y el comportamiento medido de los equipos que se espera que lo lleven a cabo.

El control de la contaminación es otro aspecto importante de ese modelo. Facility OS combina definiciones de materiales e información sobre pilas de capas con restricciones específicas de cada herramienta para respaldar las decisiones de compatibilidad durante la planificación. Así, un agente que evalúa un proceso puede considerar si una etapa se ajusta a las combinaciones de materiales y equipos permitidas en las instalaciones, en lugar de tratar cada operación como una instrucción aislada.

La empresa también describe flujos de trabajo para revisar solicitudes de fabricación entrantes y calcular costos a partir de etapas de proceso configuradas y los precios de las instalaciones. Estas capacidades amplían el uso de esos mismos conocimientos estructurados a las tareas de coordinación que rodean la fabricación.

Una empresa forjada a partir de la experiencia del MIT en fabricación

FabuBlox tiene sus raíces en los problemas relacionados con el intercambio de conocimientos que sus fundadores encontraron en el MIT. Una biografía de los Microsystems Technology Laboratories del MIT señala que Jan Tiepelt y sus cofundadores crearon la plataforma en 2023 para apoyar la creación compartida de bases de datos en la comunidad de MIT.nano y MTL. Tiepelt completó su doctorado en ingeniería eléctrica en el MIT en mayo de 2024, tras investigar la degradación de los OLED azules.

Los Microsystems Technology Laboratories incluyen a FabuBlox entre las empresas emergentes surgidas de su comunidad. El inversor Pillar VC identifica al equipo fundador como integrado por los doctores del MIT Jan Tiepelt y Josh Perozek, junto con los ingenieros Jack Muller y Eyal Perry.

La empresa se incorporó al programa START.nano de MIT.nano, según un anuncio del MIT de enero de 2025. El programa respalda proyectos de tecnología avanzada mediante acceso con descuento a instalaciones, asesoramiento técnico y conexiones con la red de innovación del instituto. La descripción de FabuBlox que el MIT ofreció en ese momento destacaba su interfaz de diseño de procesos y sus repositorios, similares a los de GitHub, para organizar los conocimientos sobre fabricación.

Esa trayectoria ayuda a explicar la dirección actual del producto. Los flujos de proceso con control de versiones, los repositorios compartidos y los registros estructurados de los equipos proporcionan al asistente de IA un contexto de ingeniería con el que puede trabajar, a la vez que conservan el historial de desarrollo del diseño.

Aprendizaje a partir de obleas, con fábricas autónomas en la hoja de ruta

El tercer componente de la plataforma de FabuBlox, Fab Run Studio, conecta las versiones de los flujos de proceso y las recetas con las obleas físicas, los registros de ejecución y la metrología. La empresa lo califica como una versión beta inicial. Entre los flujos de trabajo descritos se incluyen el seguimiento de rutas ramificadas de obleas y divisiones de parámetros, la comparación de resultados y el uso de mapas de obleas y del control estadístico de procesos para identificar variaciones.

El ciclo de retroalimentación previsto vincula un resultado observado con la oblea, la ruta, la receta y la herramienta que lo produjeron. FabAgent puede entonces ayudar a los ingenieros a considerar un flujo revisado, una calibración actualizada o el siguiente experimento. Mantener juntas esas relaciones es especialmente relevante en la investigación y la fabricación de alta variedad, donde un proceso puede cambiar con frecuencia.

La industria en general también está invirtiendo en ciclos de aprendizaje más cortos, como demuestra la I+D colaborativa en procesos de semiconductores, que acerca a los equipos de materiales, equipos e integración. FabuBlox aborda el aspecto de software y gestión del conocimiento de ese desafío.

Su visión a más largo plazo va más allá: agentes especializados en ámbitos como la litografía, la deposición y el grabado aprenderían de los resultados físicos y ayudarían a coordinar experimentos y cambios en los procesos. Los modelos del mundo específicos de las plantas de fabricación y una fabricación cada vez más autónoma siguen siendo objetivos de desarrollo. Facility OS también presenta las señales en tiempo real de los equipos y el mantenimiento predictivo como parte de su rumbo futuro.

Para los ingenieros que evalúan FabAgent ahora, la oportunidad inmediata es contar con un colaborador que tenga en cuenta la estructura de un proceso y las limitaciones de una instalación. El siguiente paso consiste en vincular ese razonamiento con resultados experimentales trazables, de modo que cada ciclo de fabricación pueda contribuir a tomar mejores decisiones de ingeniería.