Soutenance mémoire
TECHNOLOGIES MEMS
Il existe deux familles de technologies MEMS qui se démarquent : le micro-usinage en volume et en surface.
a) Le micro-usinage en volume :Le bulk micromachining permet d’obtenir les formes recherchées pour un MEMS en travaillant le substrat brut [MADO02]. Cela peut se faire de différentes manières (gravures sèches ou humides, etc.). Dans le cas d’une gravure anisotropique, fréquemment utilisée, la vitesse de gravure varie suivant l’orientation des plans attaqués et la sélectivité de la solution de gravure (KOH, TMAH, EDP…). Ces caractéristiques donnent sa forme finale à la topologie du substrat [Figure 1-1]. La gravure sèche est compatible avec les technologies que l’on trouve en microélectronique. Il est alors possible que les parties suspendues renferment des lignes de différents conducteurs [Figure 1-2].
b) Le micro-usinage en surface :Le surface micromachining repose sur la présence de deux types de matériaux au dessus du substrat : structurels et sacrificiels. Ces derniers sont dissous à la fin du procédé de fabrication, libérant les couches structurelles. Les couches sacrificielles sont souvent des oxydes ou des résines, et les couches structurelles du polysilicium, des métaux ou des isolants non oxydés, tels que le nitrure de silicium [Figure 1-3]. Certaines de ces technologies sont aujourd’hui assez connues : MUMPs [MUMP] de Cronos (aujourd’hui Memscap), SUMMIT de Sandia [SAND-net], iMEMS d’Analog Devices [AD-net], ou encore celle de Texas Instrument pour réaliser des micromiroirs [TI-net]. La technologie LIGA [Figure 1-4] est considérée à part; elle permet de réaliser des structures de plusieurs centaines de micromètres d’épaisseur, ainsi que des micro-outils ou des moules en métal. Ces derniers permettent de dupliquer une forme à l’envie sur des matériaux plastiques. On a parfois recours à une étape supplémentaire en fin de fabrication : le wafer bonding, qui permet de lier deux systèmes conçus sur deux wafers différents en les positionnant face à face et en les liant.
c) Sources et conséquences des défauts de fabrication
c.1 défauts catastrophiques :L’un des principaux défauts de fabrication des technologies MEMS est le collage (stiction). Il apparaît lors des dernières étapes de l’usinage en surface lorsque les couches sacrificielles sont dissoutes, ou encore quand le MEMS opère dans un environnement humide. Les couches structurelles ont alors tendance à se coller au substrat ou aux éléments voisins. Les raisons de ce comportement sont diverses : la force de capillarité du liquide de rinçage, les forces électrostatiques qui s’appliquent en surface des éléments, la force de Van der Waals… Nous verrons par la suite que ce type de défauts catastrophiques (plus de mouvement possible) réduit le rendement dit fonctionnel. Nous ne chercherons pas à le minimiser dans notre approche CAO. Certaines précautions peuvent réduire ces problèmes : minimiser la force de capillarité du liquide de rinçage, réduire les surfaces de contact entre les structures et le substrat, espacer les structures entre elles quand cela est possible…
c.2 défauts paramétriques :Ces défauts de fabrication n’empêchent pas le MEMS de fonctionner mais dégradent ses performances et le rendement dit paramétrique. Ils sont entre autre à l’origine de l’aspect statistique des dispersions des paramètres technologiques. Par exemple, la difficulté de contrôler les gravures ou la dispersion dans les résines photosensibles. Cela entraîne une incertitude quant à la valeur réelle des dimensions géométriques des structures, et donc de leur comportement mécanique. De même, si les étapes de fabrication sont aisément reproductibles, le module d’Young d’un matériau ne sera jamais vraiment deux fois le même, il existe donc aussi une dispersion au niveau des caractéristiques des matériaux. Leur connaissance permet d’envisager une conception qui tendrait à minimiser leur impact sur les performances du MEMS; c’est l’objet des travaux de cette thèse.
Demande des concepteurs MEMS
La plupart des outils nécessaires aux concepteurs MEMS existent, mais pas sous le même environnement. Il y a donc une forte demande pour faciliter les transferts et traitements de fichiers par le biais de passerelles entre ces outils. A la base de ces derniers, on trouve les simulateurs de technologie (gravures, etc.) : les technologies MEMS étant encore principalement du ressort de la R&D, la topologie de certaines structures peut être complexe à prévoir, d’où la nécessité de telles simulations permettant de prendre en compte différents types de gravures et de dépôts. Il y a aussi bien sûr les librairies de composants de base ou plus complexes, ainsi que des outils permettant, à partir de la description (masques) d’un MEMS et de sa technologie, de générer la forme correspondante en 3D, afin de réaliser une analyse en éléments finis. Suite à cette analyse, un outil de réduction pourra en tirer un modèle comportemental, facile à insérer dans une netlist et rapide à simuler [Figure 1-8] [MOUL02] [LORE99]. Le concepteur a ainsi la possibilité de créer sa propre librairie de composants avec les modèles comportementaux associés, et non de se contenter des éléments rigides d’une librairie restreinte. Et enfin, on retrouve une demande pour des outils d’optimisation nominale et d’optimisation du rendement, très importants du fait de la complexité des technologies MEMS et donc de leurs dispersions.
RENDEMENT ET INDUSTRIE
La qualité et le rendement sont très liés au sein d’une entreprise [COME00]. Les méthodes parfois employées dans des algorithmes trouvent leur pendant dans le domaine du management. On parle souvent de l’approche de Taguchi [PILL01] ou de la méthode des à identifier, en un minimum d’expériences (ou simulations), les paramètres critiques d’un processus de fabrication ou de tout autre processus (organisation hiérarchique d’un service…), et de l’optimiser [UNAL91]. La compétitivité et le fort rendement de l’industrie japonaise dans les années 60 et 70, en regard à l’industrie occidentale, est due à l’utilisation de telles méthodes, favorisant l’amélioration des produits ou processus en se basant sur l’expérience des personnels impliqués autant que sur des essais en production où le processus est considéré comme une boite noire dont on désire améliorer le fonctionnement à moindre coût. L’approche occidentale a longtemps été moins empirique, et beaucoup plus d’efforts étaient consacrés en premier plan à la compréhension des phénomènes pour améliorer le rendement. Mais pour faire face à la prise de parts de marché de plus en plus importante de l’industrie japonaise au cours des années 70, les Etats Unis ont du revoir leur approche de la Qualité. Pendant les années 80, ils se convertissent à l’approche japonaise; dans les années 90, c’est l’ Europe qui suit le même chemin
LE FLOT D’OPTIMISATION
L’optimisation du rendement s’inscrit dans un flot global [Figure 2-3] qui regroupe différentes techniques. Suivant la qualité du circuit initial, les plus rudimentaires ne seront pas utilisées. Si le concepteur a affaire à un circuit auquel il n’est pas familier, il peut avoir recours à une analyse de sensibilité. Cette dernière lui donnera une information quant à la criticité des paramètres. Les paramètres sensibles étant identifiés, une analyse paramétrique permettra d’approcher des valeurs optimales. Si le nombre de paramètres est élevé, on peut souhaiter utiliser une optimisation nominale qui automatise cette démarche. Enfin, ce n’est qu’en dernier lieu, une fois que les conditions initiales sont bonnes, que l’on fait appel à l’optimisation statistique.
Approximation polyédrique (simplicial approximation)
Pour utiliser cette méthode [KERAa98] [ZEBB96] [BRAH84], il faut disposer d’un point appartenant à Ra. Partant de ce point et pour chaque paramètre les uns après les autres, nous allons suivre une ligne parallèle à leur axe où des estimations de la performance seront faites à intervalle régulier pour identifier les limites de Ra [Figure 2-15]. Une première approximation de Ra (Ra’) assez grossière est ainsi obtenue. Pour l’améliorer, nous considérons le côté le plus important du polyèdre ainsi formé et nous suivons sa médiatrice vers l’extérieur du polyèdre jusqu’à ce que l’on trouve la limite de Ra, définissant ainsi un nouveau polyèdre (Ra »). On continue ainsi et on estime que Ra’ approche suffisamment bien Ra lorsque la surface du polyèdre n’évolue plus de manière sensible. Il suffit ensuite de générer aléatoirement N combinaisons de paramètres. Si N’ d’entre elles correspondent à un point de l’espace Ra’ que l’on vient de définir (on en connaît ses bornes), le rendement est alors N’/N.
|
Table des matières
REMERCIEMENTS
LISTE DES FIGURES
LISTE DES TABLEAUX
INTRODUCTION GENERALE
1. MICROSYSTEMES ET RENDEMENT
1.1 Les microsystèmes
1.1.1 Technologies MEMS
a) Le micro-usinage en volume
b) Le micro-usinage en surface
c) Sources et conséquences des défauts de fabrication
1.1.2 Caractérisation et Fiabilité
a) Caractérisation
b) Analyse de défaillance
1.1.3 Encapsulation
1.1.4 Applications et spécificités technologiques
a) Fluidique
b) Mécanique
c) Optique
d) Applications Radio-Fréquence (RF)
1.1.5 Logiciels de CAO
a) Outils disponibles
b) Demande des concepteurs MEMS
1.2 Le rendement
1.2.1 Notions de rendement
a) Défauts catastrophiques et paramétriques
b) Amélioration en amont de la fabrication
c) Amélioration en ligne
1.2.2 Rendement et CAO microélectronique
a) Optimisation nominale
b) Optimisation du rendement
1.2.3 Rendement et industrie
Références
2. OPTIMISATION STATISTIQUE DU RENDEMENT PARAMETRIQUE
2.1 Rendement : définitions
2.1.1 Les performances ciblées
a) Courbes cibles
b) Limites et gabarits
c) Fonctions mathématiques
2.1.2 Le flot d’optimisation
2.2 Différentes sortes de paramètres
2.2.1 Paramètres de dessin
2.2.2 Paramètres technologiques
2.2.3 Paramètres mixtes
2.2.4 Paramètres et espaces vectoriels
2.3 Estimation du rendement
2.3.1 Méthodes déterministes
2.3.2 Echantillonnage statistique
a) Les lois de probabilité
b) Interprétation de l’analyse de Monte-Carlo
c) Variantes de l’analyse de Monte-Carlo
2.3.3 Méthodes géométriques
a) Approximation polyédrique (simplicial approximation)
b) Approximation ellipsoïdale
c) Exploration orthogonale
d) Exploration radiale
e) Intégrale de surface
2.3.4 Méthode des Pires Cas
2.4 Optimisation du rendement
2.4.1 Mesures du rendement et de la qualité
a) Indice de capabilité
b) Fonction Perte de Taguchi
c) Autres fonctions coût
2.4.2 Méthodes d’optimisation du rendement
a) Algorithmes d’optimisation nominale
b) Algorithmes d’optimisation statistique
c) Méthodes d’optimisation géométriques
2.4.3 Plans d’expériences
a) Notion de qualité
b) Notions sur les plans d’expériences
Références
3. NOUVELLE STRATEGIE
3.1 Justification
3.1.1 Optimisation en deux temps
3.1.2 Nature statistique du problème
a) Circuits discrets et circuit intégrés
b) Cas des circuits discrets
c) Cas des circuits intégrés
3.1.3 Utilisation des plans multiples de Taguchi
a) Calcul de la « moyenne »
b) Calcul de la dispersion
3.2 Spécifications et performances
3.3 Estimation du rendement
3.4 Réduction de la variabilité d’une performance
3.4.1 Réduction préalable du nombre de facteurs
3.4.2 Algorithme de réduction de la variabilité
a) Pas d’incrémentation
b) Diminuer le nombre de facteurs
c) Facteurs non fixés
d) Critères d’arrêt
e) Organigramme
3.5 Ajustement de la réponse moyenne du système
3.5.1 Optimisation multi-objectifs : anticiper les problèmes à venir
3.5.2 Choix de la fonction erreur
3.5.3 Algorithme de l’ajustement de la valeur moyenne d’une performance
a) Pas d’incrémentation
b) Diminuer le nombre de facteurs
c) Critères d’arrêt
3.5.4 Les différences entre les deux étapes
3.5.5 Organigramme de l’ajustement de la valeur moyenne de la réponse
3.6 Choix des plans d’expériences
3.7 Optimisation de plusieurs performances simultanément
4. IMPLEMENTATION DE L’ALGORITHME, APPLICATIONS ET RESULTATS
4.1 Modélisation des MEMS
4.1.1 Difficultés de modélisation et de conception
a) Simulations multi-domaines
b) Importance de l’usure
c) Problèmes pour une technologie donnée
d) Le device mismatch
4.1.2 Modèles Spice
4.1.3 Modèles comportementaux
4.1.4 Modèles FEM
4.1.5 Choix de nos modèles
4.2 Considération de l’informatique
4.2.1 Environnement
4.2.2 Structure implémentée
a) Choix des classes
b) Les paramètres mixtes : un point sensible
c) Gestion des fichiers
d) Appel de programmes extérieurs
4.3 Interface du logiciel
4.4 Exemple : Filtre passe bande RLC
4.4.1 Saisie du problème
a) Topologie du circuit
b) Choix des paramètres et de leurs caractéristiques
c) Choix des paramètres de l’algorithme
d) Choix des spécifications
4.4.2 Suivi du processus d’optimisation
4.4.3 Résultats
a) Interprétation des chiffres
b) Interprétation des courbes
c) Conclusion
4.5 Exemple : Microrésonateur MEMS
4.5.1 Saisie du problème
a) Topologie du MEMS
b) Choix des paramètres et de leurs caractéristiques
c) Choix des spécifications
4.5.2 Suivi du processus d’optimisation
4.5.3 Résultats
4.6 Exemple : Inductance MEMS
4.7 Variante : Optimiseur nominal
Références
CONCLUSIONS ET PERSPECTIVES
ANNEXES
I. Classes utilisées
II. Fichiers utilisés
III. Les filtres à peignes électrostatiques
IV. Ressources
V. Publications
Télécharger le rapport complet
