Entité de rattachement
Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.
Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.
Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.
Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :
• La conscience des responsabilités
• La coopération
• La curiosité
Référence
2025-36432
Cadre et contexte :
Les SEM (Scanning Electron Microscope) sont des outils privilégiés pour l’analyse des procédés de fabrication des composants microéléctroniques. En particulier ils sont utilisés au sein du laboratoire de patterning computationnel (LPAC) pour la calibration de modèles de lithographie. Ces modèles sont essentiels pour la correction des effets de proximité (OPC(1), EBPC(2)) et la détection de ‘hotspot’.
Les ingénieurs OPC analysent plusieurs milliers d’images pour la calibration d’un modèle parfois manuellement; cela allonge significativement les temps de développement des étapes de lithographie.
L’émergence de nouveaux outils d’analyse d’image (à la fois d’outils spécialisés pour l’analyse d’images SEM que possède le laboratoire et d’outils génériques de traitement d’image issus de l’apprentissage profond) doit permettre de faciliter le tri et la sélection des images pertinentes pour le modèle.
L’objectif de ce sujet d’alternance est de mettre en place des outils numériques de classification d’images SEM.
Travail demandé :
Dans un premier temps, vous mettrez en place une classification simple, de type mesurable/non mesurable, à partir de métriques issues de logiciels dédiées à l’analyses d’image SEM et/ou à partir d'un réseau de neurones.
Dans un second temps, vous mettrez en œuvre des classifications plus évoluées; par exemples selon le type de motifs, de défauts, de ‘hotspot’ ou encore dédiée au ‘SRAF(3) printing’.
(1) Optical Proximity Correction
(2) Electron Beam Proximity Correction
(3) Sub Resolution Assist Feature
Etudiant en alternance (1an) niveau bac+ 5
Spécialisation Informatique ou Physique (+compétence programmation)
Expérience programmation réseaux de neurones
Langage : Python (incl. pytorch)
Create candidate area
