BE Semiconductor Industries (BESI) ist einer der weltweit führenden Anbieter von Halbleiter-Montagesystemen. In ihren „Die Bondern“ werden Chips mit einer Präzision von wenigen Mikrometern und einer Geschwindigkeit von mehreren tausend Einheiten pro Stunde platziert – eine technische Meisterleistung, die höchste Anforderungen an die Qualitätskontrolle stellt.
Als Informatikstudent der Universität Zürich erhielt ich die Gelegenheit, im R&D-Team von BESI die Integration von Machine Learning in diesen hochkomplexen Fertigungsprozess zu leiten. Die Aufgabe: Die Entwicklung eines ML-Systems zur automatisierten Erkennung fehlerhafter Speicherchips mittels Computer Vision.
Die besondere Komplexität des Projekts lag in der Verbindung von Deep Learning – „An Introduction to Convolutional Neural Networks“ – mit den strengen Anforderungen der Halbleiterproduktion. Das von mir entwickelte Framework musste nicht nur präzise arbeiten, sondern sich auch nahtlos in bestehende Produktionsprozesse integrieren. Die implementierte CNN-Architektur erreichte eine Erkennungsgenauigkeit von 99% – und das bei Produktionsgeschwindigkeiten, die menschliche Kontrolle unmöglich machen. Weitere wissenschaftliche Hintergründe finden Sie in Machine learning and deep learning.
Mein akademischer Hintergrund in Machine Learning erwies sich als entscheidender Vorteil. Die methodische Herangehensweise an Probleme, die ich an der Universität gelernt hatte, half mir, systematisch von der theoretischen Konzeption bis zur praktischen Implementierung vorzugehen. Die Entwicklung umfasste nicht nur das technische System selbst, sondern auch Tools zur Parametrisierung und Visualisierung, wie TensorBoard, die es dem Produktionsteam ermöglichten, das System effektiv zu nutzen.
Eine zentrale Herausforderung war es, das entwickelte System nachhaltig im Unternehmen zu verankern. Durch regelmässige Workshops und detaillierte Dokumentation gelang es mir, das Team nicht nur in der Anwendung zu schulen, sondern auch ein tiefes Verständnis für die zugrundeliegenden ML-Konzepte zu vermitteln. Die von mir entwickelten interaktiven Trainingsmaterialien wurden zur Grundlage für weitere ML-Projekte bei BESI.
Das Projekt bei BESI prägte massgeblich mein Verständnis davon, wie Innovation in der Industrie funktioniert. Die Erfahrung, ein komplexes ML-System von der Konzeption bis zur Produktionsreife zu entwickeln, zeigte mir die Bedeutung der Verbindung von wissenschaftlicher Präzision und praktischer Anwendbarkeit. Diese Erkenntnisse bilden bis heute die Grundlage meiner Arbeit an der Schnittstelle von Forschung und industrieller Anwendung.
Die entwickelte Lösung wird bei BESI weiterhin eingesetzt und diente als Ausgangspunkt für weitere KI-Projekte in der Qualitätskontrolle. Für mich persönlich wurde diese frühe Erfahrung in der Leitung eines industriellen ML-Projekts zum Fundament meiner weiteren Karriere in der KI-Entwicklung.
Die Hauptaufgabe bestand in der Entwicklung eines ML-Systems zur automatisierten Erkennung fehlerhafter Speicherchips mittels Computer Vision in der Halbleiterproduktion. Das System musste eine Erkennungsgenauigkeit von 99% bei hohen Produktionsgeschwindigkeiten erreichen und sich nahtlos in bestehende Prozesse integrieren.
Das Projekt verband Deep Learning und CNN-Architektur mit industriellen Anforderungen der Halbleiterproduktion. Es wurden moderne Frameworks wie TensorFlow eingesetzt und Tools zur Parametrisierung und Visualisierung wie TensorBoard implementiert, um dem Produktionsteam die effektive Nutzung zu ermöglichen.
Der Wissenstransfer wurde durch regelmässige Workshops, detaillierte Dokumentation und interaktive Trainingsmaterialien gewährleistet. Diese Materialien vermittelten nicht nur die Anwendung des Systems, sondern auch ein tiefes Verständnis der zugrundeliegenden ML-Konzepte und dienten als Grundlage für weitere ML-Projekte bei BESI.
Das System musste Chips mit einer Präzision von wenigen Mikrometern bei einer Geschwindigkeit von mehreren tausend Einheiten pro Stunde kontrollieren. Die implementierte CNN-Architektur erreichte dabei eine Erkennungsgenauigkeit von 99% unter realen Produktionsbedingungen.
Die Integration erfolgte durch eine systematische Herangehensweise von der theoretischen Konzeption bis zur praktischen Implementierung. Es wurden spezielle Tools zur Parametrisierung und Visualisierung entwickelt, die es dem Produktionsteam ermöglichten, das System effektiv in den bestehenden Produktionsprozess einzubinden.
Das entwickelte System wird bei BESI weiterhin eingesetzt und diente als Ausgangspunkt für weitere KI-Projekte in der Qualitätskontrolle. Es etablierte neue Standards für die Integration von ML in industrielle Prozesse und trug zur Modernisierung der Qualitätskontrolle in der Halbleiterproduktion bei.
Der akademische Hintergrund in Machine Learning war entscheidend für den systematischen Ansatz von der theoretischen Konzeption bis zur praktischen Implementierung. Die wissenschaftliche Methodik ermöglichte es, komplexe ML-Konzepte erfolgreich in industrielle Anwendungen zu überführen.
Die Hauptherausforderungen lagen in der Verbindung von Deep Learning mit strengen industriellen Anforderungen, der Gewährleistung hoher Präzision bei hohen Geschwindigkeiten, der nachhaltigen Verankerung im Unternehmen durch Wissensvermittlung und der nahtlosen Integration in bestehende Produktionsprozesse.
.
Copyright 2025 - Joel P. Barmettler