Resumen: Este artículo presenta una versión mejorada y traducida del trabajo de investigación sobre la evaluación automatizada del control de calidad de las películas de polímero fotosensible de Fujifilm aplicadas a la fabricación de semiconductores. Proponemos AFIVE, Automated Film Integrity Verification Engine, un sistema de control de calidad completamente automatizado que fusiona datos multimodales procedentes de microscopía óptica, espectroscopía Raman y dispersión acústica, y que integra un marco recursivo de autoevaluación denominado HyperScore. En pruebas con un banco de datos de 10 000 muestras el sistema consigue una mejora significativa en la detección de defectos, alcanzando un F1 de 0.92 y mejoras de hasta 35 por ciento en F1 frente a inspección manual, además de mejoras en sensibilidad y optimización de proceso que pueden llegar a un factor de 10 en métricas específicas de detección.
Introducción: La miniaturización continua en la industria de semiconductores exige controles de calidad cada vez más rigurosos en los materiales fotosensibles. Los procesos de inspección manual son lentos, subjetivos y vulnerables al error humano. Las películas de fotoresist de Fujifilm, aunque de alto rendimiento, pueden presentar defectos sutiles que degradan la resolución litográfica y la productividad. Este estudio diseña una solución automatizada que combina inteligencia artificial, verificación formal y modelado físico para ofrecer retroalimentación en tiempo real y mejoras de rendimiento en el proceso.
Arquitectura del sistema: AFIVE se organiza en capas funcionales para ingestión y normalización de datos multimodales, descomposición semántica y extracción de características, un pipeline de evaluación multi capa y un bucle meta de autoevaluación con ajuste de pesos y una interfaz humana AI basada en aprendizaje por refuerzo bayesiano. Las fuentes principales de datos son microscopía óptica de alta resolución para morfología superficial, espectroscopía Raman para composición química y dispersión acústica para homogeneidad y densidad interna. La normalización incluye escalado Z y ecualización de histograma para garantizar robustez entre lotes.
Procesado y extracción de características: Redes transformer con capacidad de parsing en grafos descomponen las señales multimodales en componentes semánticos. Las imágenes ópticas se segmentan en regiones y atributos como tamaño de grano y rugosidad; los espectros Raman se analizan por picos característicos que representan variaciones polímero y contaminantes; los datos acústicos revelan formación de vacíos y heterogeneidades internas. Estas características alimentan modelos supervisados y no supervisados para detección de anomalías y clasificación de defectos.
Pipeline de evaluación: La evaluación incluye cinco submódulos principales: motor de consistencia lógica que usa verificación formal para validar defectos respecto a especificaciones materiales; sandbox de verificación de fórmulas y código que simula comportamiento bajo condiciones de litografía mediante modelado por elementos finitos; análisis de novedad frente a una base histórica mediante métricas de centralidad en grafos; predicción de impacto en rendimiento y yield mediante modelos lineales generalizados; y una puntuación de reproducibilidad que estima la factibilidad de replicar defectos en condiciones controladas.
Autorevisión y HyperScore: El sistema incorpora un bucle meta que corrige de forma recursiva la certeza de las evaluaciones. HyperScore es una función que amplifica y estabiliza la puntuación cruda de evaluación teniendo en cuenta incertidumbre y parámetros optimizados por Bayesian optimization. En lenguaje accesible HyperScore pondera la confianza del sistema de forma que puntuaciones altas con baja incertidumbre reciben un impulso estabilizado, y puntuaciones con mayor incertidumbre se atenúan para promover revisión humana o pruebas adicionales.
Bucle humano AI y aprendizaje bayesiano: Ingenieros de control de calidad revisan las clasificaciones y proporcionan retroalimentación que se incorpora mediante un modelo de aprendizaje por refuerzo bayesiano. Este enfoque permite ajustar dinámicamente pesos y umbrales, mejorar la robustez frente a datos nuevos y reducir el coste de etiquetado mediante técnicas de active learning. La integración humana garantiza trazabilidad y explicación en decisiones críticas.
Diseño experimental y resultados: Se empleó un dataset anotado de 10 000 muestras con inspección experta como verdad terreno. Métricas evaluadas incluyen precisión, recall, F1 y AUC ROC. AFIVE obtuvo F1 igual a 0.92 y mostró una mejora media de 35 por ciento en F1 frente a la inspección manual, además de aumentos importantes en detección temprana de defectos que permiten intervenir en proceso reduciendo desperdicio y mejorando yield. El análisis de regresión sobre parámetros de sensores y hiperparámetros permitió identificar combinaciones óptimas para maximizar detección.
Escalabilidad y hoja de ruta: A corto plazo se propone un piloto en una instalación de Fujifilm, a medio plazo integración con sistemas MES y despliegue en múltiples plantas, y a largo plazo ofrecer el servicio en la nube para terceros. El diseño permite evaluación concurrente de decenas de miles de películas mediante arquitecturas distribuídas y edge computing para feedback en tiempo real y mantenimiento predictivo.
Aplicación práctica y servicios Q2BSTUDIO: En Q2BSTUDIO, compañía especializada en desarrollo de software y aplicaciones a medida, inteligencia artificial y ciberseguridad, podemos ayudar a adaptar e implementar soluciones como AFIVE para la industria. Ofrecemos desarrollo de software a medida y aplicaciones corporativas que integran sensores, modelos de IA y paneles de control. Si desea potenciar capacidades de inteligencia artificial en su empresa visite nuestro servicio de inteligencia artificial en Soluciones de inteligencia artificial para empresas. Para despliegues en infraestructura gestionada y escalable trabajamos con servicios cloud aws y azure y ofrecemos integración segura y optimizada; conozca nuestras propuestas en Servicios cloud AWS y Azure.
Valor añadido y palabras clave: La propuesta combina aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi como elementos para mejorar la trazabilidad, la analítica y la toma de decisiones. Podemos incorporar paneles Power BI para visualización avanzada de KPI de calidad y pipelines de data ops para gobernanza y seguridad. Nuestros servicios incluyen desarrollo de agentes IA que automatizan respuestas y acciones frente a alertas, y soluciones de ciber-seguridad para proteger datos sensibles de producción.
Conclusión: La fusión multimodal, la verificación formal y la autoevaluación recursiva permiten un salto cualitativo en control de calidad de películas fotosensibles, traducible en mayor yield, menor desperdicio y procesos más eficientes. Q2BSTUDIO puede colaborar en la adaptación, implementación y mantenimiento de estas soluciones, integrando software a medida, inteligencia artificial y servicios cloud para ofrecer una solución completa y segura adaptada a las necesidades de la industria microelectrónica.
