Ordonnancement sur machines parallèles appliqué à la fabrication de semi-conducteurs

161 Pages·2017·1.27 MB·French

by  Abdoul Bitar

2015 EMSE 0808
NNT :

THÈSE
présentée par
Abdoul BITAR

pour obtenir le grade de
Docteur de l’École Nationale Supérieure des Mines de Saint
-Étienne
Spécialité : Génie Industriel
ORDONNANCEMENT SUR MACHINES PARALLÈLES APPLIQUÉ À
LA FABRICATION DE SEMI CONDUCTEURS : ATELIERS DE
-
PHOTOLITHOGRAPHIE

soutenue à Gardanne, le 11/12/2015

Membres du jury

Président : Jacques CARLIER Professeur des Universités, Université de
Technologie de Compiègne
Rapporteurs : Safia KEDAD-SIDHOUM Maître de Conférences, Université Pierre et
Marie Curie, Paris VI
Ameur SOUKHAL Professeur des Universités, Université de
Tours
Examinateur(s) : Jacques CARLIER Professeur des Universités, Université de
Technologie de Compiègne
Lyes BENYOUCEF Professeur des Universités, Université Aix-
Marseille
Jacques PINATON Ingénieur, STMicroelectronics, Rousset
Directeur(s) de thèse : Stéphane DAUZERE-PERES Professeur, EMSE, Gardanne
Claude YUGMA Chargé de Recherche, EMSE, Gardanne

Invité: Renaud ROUSSEL Ingénieur, STMicroelectronics, Crolles
Spécialités doctorales : Responsables :
SCIENCES ET GENIE DES MATERIAUX K. Wolski Directeur de recherche
MECANIQUE ET INGENIERIE S. Drapier, professeur
GENIE DES PROCEDES F. Gruy, Maître de recherche
SCIENCES DE LA TERRE B. Guy, Directeur de recherche
SCIENCES ET GENIE DE L’ENVIRONNEMENT D. Graillot, Directeur de recherche
MATHEMATIQUES APPLIQUEES O. Roustant, Maître-assistant
INFORMATIQUE O. Boissier, Professeur
IMAGE, VISION, SIGNAL JC. Pinoli, Professeur
GENIE INDUSTRIEL A. Dolgui, Professeur
MICROELECTRONIQUE S. Dauzere Peres, Professeur
EMSE : Enseignants-chercheurs et chercheurs autorisés à diriger des thèses de doctorat (titulaires d’un doctorat d’État ou d’une HDR)
ABSI Nabil CR CMP
AVRIL Stéphane PR2 Mécanique et ingénierie CIS
BATTON-HUBERT Mireille PR2 Sciences et génie de l'environnement FAYOL
BERGER DOUCE Sandrine PR2 FAYOL
BERNACHE-ASSOLLANT Didier PR0 Génie des Procédés CIS
BIGOT Jean Pierre MR(DR2) Génie des Procédés SPIN
BILAL Essaid DR Sciences de la Terre SPIN
BOISSIER Olivier PR1 Informatique FAYOL
BORBELY Andras MR(DR2) Sciences et génie des matériaux SMS
BOUCHER Xavier PR2 Génie Industriel FAYOL
BRODHAG Christian DR Sciences et génie de l'environnement FAYOL
BURLAT Patrick PR2 Génie Industriel FAYOL
COURNIL Michel PR0 Génie des Procédés DIR
DARRIEULAT Michel IGM Sciences et génie des matériaux SMS
DAUZERE-PERES Stéphane PR1 Génie Industriel CMP
DEBAYLE Johan CR Image Vision Signal CIS
DELAFOSSE David PR1 Sciences et génie des matériaux SMS
DESRAYAUD Christophe PR2 Mécanique et ingénierie SMS
DOLGUI Alexandre PR0 Génie Industriel FAYOL
DRAPIER Sylvain PR1 Mécanique et ingénierie SMS
FEILLET Dominique PR2 Génie Industriel CMP
FRACZKIEWICZ Anna DR Sciences et génie des matériaux SMS
GARCIA Daniel MR(DR2) Génie des Procédés SPIN
GERINGER Jean MA(MDC) Sciences et génie des matériaux CIS
GOEURIOT Dominique DR Sciences et génie des matériaux SMS
GRAILLOT Didier DR Sciences et génie de l'environnement SPIN
GROSSEAU Philippe DR Génie des Procédés SPIN
GRUY Frédéric PR1 Génie des Procédés SPIN
GUY Bernard DR Sciences de la Terre SPIN
HAN Woo-Suck CR Mécanique et ingénierie SMS
HERRI Jean Michel PR1 Génie des Procédés SPIN
KERMOUCHE Guillaume PR2 Mécanique et Ingénierie SMS
KLOCKER Helmut DR Sciences et génie des matériaux SMS
LAFOREST Valérie MR(DR2) Sciences et génie de l'environnement FAYOL
LERICHE Rodolphe CR Mécanique et ingénierie FAYOL
LI Jean-Michel CMP
MALLIARAS Georges PR1 Microélectronique CMP
MOLIMARD Jérôme PR2 Mécanique et ingénierie CIS
MONTHEILLET Frank DR SMS
MOUTTE Jacques CR SPIN
NIKOLOVSKI Jean-Pierre CMP
PIJOLAT Christophe PR0 Génie des Procédés SPIN
PIJOLAT Michèle PR1 Génie des Procédés SPIN
PINOLI Jean Charles PR0 Image Vision Signal CIS
POURCHEZ Jérémy CR Génie des Procédés CIS
ROBISSON Bruno CMP
ROUSSY Agnès MA(MDC) CMP
ROUSTANT Olivier MA(MDC) FAYOL
ROUX Christian PR CIS
STOLARZ Jacques CR Sciences et génie des matériaux SMS
TRIA Assia Microélectronique CMP
VALDIVIESO François MA(MDC) Sciences et génie des matériaux SMS
VIRICELLE Jean Paul MR(DR2) Génie des Procédés SPIN
WOLSKI Krzystof DR Sciences et génie des matériaux SMS
XIE Xiaolan PR1 Génie industriel CIS
YUGMA Gallian CR CMP
ENISE : Enseignants-chercheurs et chercheurs autorisés à diriger des thèses de doctorat (titulaires d’un doctorat d’État ou d’une HDR)
BERGHEAU Jean-Michel PU Mécanique et Ingénierie ENISE
BERTRAND Philippe MCF Génie des procédés ENISE
DUBUJET Philippe PU Mécanique et Ingénierie ENISE
FEULVARCH Eric MCF Mécanique et Ingénierie ENISE
FORTUNIER Roland PR Sciences et Génie des matériaux ENISE
GUSSAROV Andrey Enseignant contractuel Génie des procédés ENISE
HAMDI Hédi MCF Mécanique et Ingénierie ENISE
LYONNET Patrick PU Mécanique et Ingénierie ENISE
3 RECH Joël PU Mécanique et Ingénierie ENISE
1
0 SMUROV Igor PU Mécanique et Ingénierie ENISE
2
2/ TOSCANO Rosario PU Mécanique et Ingénierie ENISE
1
/ ZAHOUANI Hassan PU Mécanique et Ingénierie ENISE
3
0
ur : PPRR 01 PPrrooffeesssseeuurr 1clèares scela essxec eptionnelle IMngC.F IMngaéîtnriee udre conférences SSPMISN SScciieenncceess ddeess PMroactéersisauusx Ientd duesstr Sietlrsu ectt uNreastu rels
o PR 2 Professeur 2ème classe MR (DR2) Maître de recherche FAYOL Institut Henri Fayol
à j PU Professeur des Universités CR Chargé de recherche CMP Centre de Microélectronique de Provence
e MA (MDC) Maître assistant EC Enseignant-chercheur CIS Centre Ingénierie et Santé
Mis DR Directeur de recherche IGM Ingénieur général des mines
ii
Table des matières
Introduction générale i
1 Contexte industriel et scientifique 1
1.1 Contexte industriel . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Définition du problème . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Critères . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 État de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Problèmes avec machines parallèles . . . . . . . . . . . . . . 9
1.3.2 Problèmes avec temps de setup . . . . . . . . . . . . . . . . 11
1.3.3 Problèmes avec ressources auxiliaires . . . . . . . . . . . . . 12
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Analyse de complexité 15
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Minimisation de la somme pondérée des dates de fin . . . . . . . . . 17
2.3 Maximisation du nombre de plaquettes . . . . . . . . . . . . . . . . 19
2.4 Minimiser le nombre de transferts . . . . . . . . . . . . . . . . . . . 21
2.4.1 Représentation des solutions . . . . . . . . . . . . . . . . . . 21
2.4.2 Simplification du problème . . . . . . . . . . . . . . . . . . . 22
2.4.3 Réduction polynomiale . . . . . . . . . . . . . . . . . . . . . 26
2.4.4 Complexité du problème . . . . . . . . . . . . . . . . . . . . 29
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3 Résolution exacte monocritère 31
3.1 Rappel de la problématique . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Somme pondérée des dates de fin et plaquettes . . . . . . . . . . . . 32
3.2.1 Programme Linéaire en Nombres Entiers pour maximiser le
nombre de plaquettes . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Programme Linéaire en Nombres Entiers pour minimiser la
somme des dates de fin . . . . . . . . . . . . . . . . . . . . . 38
3.2.3 Généralisation des Programmes Linéaires en Nombres Entiers 40
3.2.4 Renforcement des Programmes Linéaires en Nombres Entiers 42
3.2.5 Inégalités valides . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.6 Heuristique primale . . . . . . . . . . . . . . . . . . . . . . . 44
iii
iv TABLE DES MATIÈRES
3.3 Nombre de transferts . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 Résultats expérimentaux . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4.1 Formulations à variables indexées par le temps . . . . . . . . 49
3.4.2 Formulation Set Cover . . . . . . . . . . . . . . . . . . . . . 52
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Résolution approchée monocritère 55
4.1 Algorithme mémétique . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1.2 Codage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.1.3 Schéma général . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.1.4 Évaluation des individus . . . . . . . . . . . . . . . . . . . . 64
4.1.5 Initialisation des individus . . . . . . . . . . . . . . . . . . . 65
4.1.6 Sélection et croisement . . . . . . . . . . . . . . . . . . . . . 66
4.1.7 Recherche locale et voisinages . . . . . . . . . . . . . . . . . 68
4.1.8 Propriétés de l’algorithme mémétique . . . . . . . . . . . . . 73
4.1.9 Résultats numériques . . . . . . . . . . . . . . . . . . . . . . 75
4.2 Améliorations de l’algorithme mémétique . . . . . . . . . . . . . . . 79
4.3 Minimiser le nombre de transferts de ressources . . . . . . . . . . . 83
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5 Résolution du problème multicritère 89
5.1 État de l’art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.1.1 Relations d’ordre . . . . . . . . . . . . . . . . . . . . . . . . 90
5.1.2 Fonctions d’agrégation . . . . . . . . . . . . . . . . . . . . . 92
5.1.3 Ordonnancement multicritère . . . . . . . . . . . . . . . . . 95
5.2 Méthode exacte avec fonction d’agrégation . . . . . . . . . . . . . . 96
5.2.1 Formalisation du problème . . . . . . . . . . . . . . . . . . . 97
5.2.2 Formulation étendue . . . . . . . . . . . . . . . . . . . . . . 101
5.2.3 Calcul des paramètres des formulations . . . . . . . . . . . . 104
5.2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.3 Extension de l’algorithme mémétique . . . . . . . . . . . . . . . . . 107
5.4 Résultats numériques . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.4.1 Génération exacte du front de Pareto . . . . . . . . . . . . . 108
5.4.2 Solutions de compromis par méthode approchée . . . . . . . 110
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6 Mise en œuvre industrielle 117
6.1 Conduite du projet . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6.1.1 Contexte industriel . . . . . . . . . . . . . . . . . . . . . . . 118
TABLE DES MATIÈRES v
6.1.2 Adaptation du programme . . . . . . . . . . . . . . . . . . . 118
6.1.3 Étapes du projet . . . . . . . . . . . . . . . . . . . . . . . . 120
6.2 Accès aux données . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.3 Simulation et validation des résultats . . . . . . . . . . . . . . . . . 122
6.3.1 Comparaison en contexte similaire . . . . . . . . . . . . . . . 122
6.3.2 Simulation de nouveaux scénarios . . . . . . . . . . . . . . . 123
6.3.3 Analyse des résultats . . . . . . . . . . . . . . . . . . . . . . 125
6.4 Mise en œuvre industrielle . . . . . . . . . . . . . . . . . . . . . . . 127
6.5 Conclusion et perspectives . . . . . . . . . . . . . . . . . . . . . . . 129
7 Conclusion générale et perspectives 131
vi TABLE DES MATIÈRES
Liste des tableaux
3.1 Apports de l’heuristique primale . . . . . . . . . . . . . . . . . . . . 50
3.2 Améliorations apportées par les inégalités valides . . . . . . . . . . 51
3.3 Résultats de la formulation à variables indexées par le temps . . . . 52
3.4 Résultats de la formulation Set Cover . . . . . . . . . . . . . . . . . 53
4.1 Algorithme mémétique, impact de la taille de la population pour le
nombre de plaquettes produites . . . . . . . . . . . . . . . . . . . . 77
4.2 Algorithme mémétique, impact de la taille de la population pour la
somme pondérée des dates de fin . . . . . . . . . . . . . . . . . . . 78
4.3 Algorithme mémétique, impact du voisinage pour le nombre de pla-
quettes produites . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.4 Algorithme mémétique, impact du voisinage pour la somme pondé-
rée des dates de fin . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.5 Pourcentage des voisinages interdits .(cid:2). . . . . . . . . . . . . . . . . 80
4.6 Qualité des solutions pour Π2 (min ni=1wiCi) en moins de 120
secondes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.1 Ensemble (partiel) de points de l’espace des critères, généré par
l’extension de l’algorithme mémétique (10 tâches) . . . . . . . . . . 114
5.2 Ensemble (partiel) de points de l’espace des critères, généré par
l’extension de l’algorithme mémétique (50 tâches) . . . . . . . . . . 115
6.1 Résultats sur des données réelles, fournis par le logiciel d’optimisation126
6.2 Résultats du scénario avec conteneurs individuels de masques, four-
nis par le logiciel d’optimisation . . . . . . . . . . . . . . . . . . . . 126
vii
viii LISTE DES TABLEAUX
Table des figures
1 Les différentes étapes de production . . . . . . . . . . . . . . . . . . ii
2 Plaquettes de silicium, aussi appelées wafers, avec circuits intégrés . ii
1.1 Ré-entrance des flux . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 La photolithographie, utilisation des réticules . . . . . . . . . . . . 4
5.1 Génération de solutions Pareto-optimales pour une instance à 8
tâches, 2 machines et 3 masques . . . . . . . . . . . . . . . . . . . . 104
5.2 Instance 1, front de Pareto généré par méthode exacte. . . . . . . . 109
5.3 Instance 2, front de Pareto généré par méthode exacte. . . . . . . . 110
5.4 Instance 3, front de Pareto généré par méthode exacte. . . . . . . . 111
5.5 Instance 4, front de Pareto généré par méthode exacte. . . . . . . . 111
5.6 Instance 1, front de Pareto généré par méthode exacte pour ε = 0 . 112
6.1 Passage des lots dans une machine de photolithographie (Schéma
simplifié) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
ix