La jeune pousse issue du MIT FabuBlox présente FabAgent pour l’ingénierie des procédés de fabrication des semi-conducteurs

FabuBlox a présenté FabAgent, un assistant d’IA conçu pour aider les ingénieurs en semi-conducteurs à élaborer, analyser et simuler des procédés de fabrication avant leur mise en œuvre en salle blanche. Cette jeune pousse issue du MIT relie cet agent à des conceptions de procédés structurées et à des connaissances sur les installations, afin d’aider les ingénieurs à raisonner sur les nombreuses dépendances qui déterminent si un processus de fabrication fonctionnera.

La proposition centrale de l’entreprise est que l’intelligence des procédés doit comprendre aussi bien l’usine de fabrication que le procédé lui-même. Une succession d’étapes de fabrication doit être compatible avec les équipements, les règles relatives aux matériaux, les recettes et les limites d’exploitation de l’installation où elle sera mise en œuvre. Le lien entre FabAgent et FabuBlox Facility OS vise à donner accès à ce contexte lors des décisions d’ingénierie.

Des instructions de procédé à la visualisation de la structure du dispositif

FabAgent s’inscrit dans une plateforme qui organise déjà les connaissances en fabrication. La Process Design Suite de l’entreprise regroupe des descriptions normalisées des procédés, la visualisation de coupes transversales, la simulation des empilements de couches, le contrôle des versions et des dépôts partagés. Les ingénieurs peuvent décrire les objectifs de fabrication et utiliser l’assistant d’IA pour les aider à élaborer des processus, à configurer chaque étape et à explorer les outils et les recettes, tout en gardant la possibilité d’examiner le procédé proposé.

La couche visuelle donne un ancrage physique à ces décisions. Selon FabuBlox, ses algorithmes de lancer de rayons simulent la manière dont les étapes successives transforment l’empilement de couches du dispositif, notamment la couverture des films et les profils des flancs. Les ingénieurs peuvent sélectionner une ligne de coupe dans un fichier de conception GDS afin de relier la séquence de fabrication à une coupe transversale du dispositif visé. À mesure que la conception évolue, les modifications du processus se répercutent dans la visualisation.

Cette combinaison est utile, car chaque étape d’un procédé modifie les conditions initiales des étapes suivantes. Examiner l’évolution de la structure en parallèle des instructions peut aider une équipe à repérer plus tôt les problèmes d’intégration. L’utilité de la simulation dépend néanmoins de la fidélité avec laquelle ses paramètres représentent les équipements et les conditions du procédé ; l’étalonnage et les mesures expérimentales restent donc des éléments importants du cycle d’ingénierie.

Facility OS donne à l’agent des informations contextuelles sur l’usine

Facility OS représente les équipements et les contraintes qui encadrent un procédé. Son modèle structuré de l’installation comprend les capacités des outils, les ressources prises en charge, les restrictions relatives aux matériaux, les plages de paramètres, les recettes et les données d’étalonnage. Les ingénieurs peuvent effectuer des recherches dans une bibliothèque d’outils, tandis que la mise en correspondance assistée par l’IA vise à aider à repérer les équipements adaptés à une opération donnée.

Les recettes sont associées à des outils particuliers et à leurs données de caractérisation. Lorsque les recettes évoluent, la plateforme met en évidence les modifications afin que les ingénieurs puissent les synchroniser de façon sélective avec les processus de fabrication. Cela préserve le lien entre un procédé proposé et les réglages ainsi que le comportement mesuré des équipements censés le mettre en œuvre.

La maîtrise de la contamination est un autre élément important de ce modèle. Facility OS associe les définitions des matériaux et les informations sur les empilements de couches aux restrictions propres à chaque outil afin d’étayer les décisions de compatibilité lors de la planification. Un agent qui évalue un procédé peut ainsi déterminer si une étape est compatible avec les combinaisons de matériaux et d’équipements autorisées dans l’installation, au lieu de traiter chaque opération comme une instruction isolée.

L’entreprise décrit également des processus permettant d’examiner les demandes de fabrication reçues et d’estimer les coûts à partir des étapes de procédé configurées et des tarifs de l’installation. Ces fonctionnalités étendent ces mêmes connaissances structurées aux activités de coordination liées à la fabrication.

Une entreprise née de l’expérience du MIT en matière de fabrication

FabuBlox trouve ses origines dans les difficultés de partage des connaissances rencontrées par ses fondateurs au MIT. Une biographie des Microsystems Technology Laboratories du MIT indique que Jan Tiepelt et ses cofondateurs ont créé la plateforme en 2023 pour soutenir la création d’une base de données partagée au sein de la communauté du MIT.nano et des MTL. Tiepelt a obtenu son doctorat en génie électrique au MIT en mai 2024, après avoir mené des recherches sur la dégradation des OLED bleues.

Les Microsystems Technology Laboratories du MIT répertorient FabuBlox parmi les jeunes pousses issues de leur communauté. L’investisseur Pillar VC présente l’équipe fondatrice comme composée des titulaires d’un doctorat du MIT Jan Tiepelt et Josh Perozek, ainsi que des ingénieurs Jack Muller et Eyal Perry.

L’entreprise a intégré le programme START.nano de MIT.nano, selon une annonce du MIT de janvier 2025. Le programme soutient les entreprises spécialisées dans les technologies de pointe en leur proposant un accès à tarif réduit aux installations, des conseils techniques et des liens avec le réseau d’innovation de l’institut. À l’époque, la présentation de FabuBlox par le MIT mettait l’accent sur son interface de conception de procédés et ses dépôts similaires à ceux de GitHub pour organiser les connaissances en fabrication.

Cette histoire aide à comprendre l’orientation actuelle du produit. Les processus de fabrication versionnés, les dépôts partagés et les dossiers structurés sur les équipements donnent à un assistant d’IA un contexte d’ingénierie exploitable, tout en conservant l’historique de l’évolution d’une conception.

Tirer des enseignements des plaquettes, avec des usines autonomes en perspective

Le troisième composant de la plateforme FabuBlox, Fab Run Studio, relie les versions des flux de processus et les recettes aux plaquettes physiques, aux enregistrements d’exécution et aux données de métrologie. L’entreprise le présente comme étant en version bêta préliminaire. Parmi les flux de travail décrits figurent le suivi des parcours ramifiés des plaquettes et des variations de paramètres, la comparaison des résultats, ainsi que l’utilisation de cartes de plaquettes et du contrôle statistique des procédés pour repérer les variations.

La boucle de rétroaction envisagée relie un résultat observé à la plaquette, au parcours, à la recette et à l’équipement qui l’ont produit. FabAgent peut ensuite aider les ingénieurs à envisager une révision du flux, une mise à jour de l’étalonnage ou l’expérience suivante. Il est particulièrement pertinent de conserver ces relations ensemble dans le cadre de la recherche et de la fabrication à forte diversité, où un procédé peut changer fréquemment.

L’ensemble du secteur investit également dans des cycles d’apprentissage plus courts, comme en témoigne la R&D collaborative sur les procédés semi-conducteurs, qui rapproche les équipes chargées des matériaux, des équipements et de l’intégration. FabuBlox s’attaque au volet logiciel et à la gestion des connaissances de ce défi.

Sa vision à plus long terme va plus loin : des agents spécialisés dans des domaines tels que la lithographie, le dépôt et la gravure tireraient des enseignements des résultats physiques et contribueraient à coordonner les expériences et les changements de procédé. Les modèles du monde propres aux installations de fabrication et l’autonomie croissante de la fabrication restent des objectifs de développement. Facility OS présente également les signaux des équipements en temps réel et la maintenance prédictive comme faisant partie de son orientation future.

Pour les ingénieurs qui évaluent FabAgent aujourd’hui, l’occasion immédiate est de disposer d’un collaborateur qui tient compte de la structure d’un procédé et des contraintes d’une installation. L’étape suivante consiste à relier ce raisonnement aux résultats expérimentaux traçables, afin que chaque cycle de fabrication puisse éclairer une meilleure décision d’ingénierie.