Resumen: Este artículo presenta un marco novedoso para mejorar la predicción y optimización de la tasa de etch en la fabricación de semiconductores, un factor crítico para el rendimiento y la tasa de defectos de los dispositivos. El sistema propuesto integra datos multimodales procedentes de diagnósticos de plasma, sensores ambientales y metrología con técnicas avanzadas de detección de anomalías y un controlador basado en aprendizaje por refuerzo. Los resultados muestran una mejora aproximada del 15 por ciento en la precisión de predicción de la tasa de etch respecto a modelos estadísticos tradicionales y permiten ajustes en tiempo real para mantener condiciones de etching óptimas, reduciendo desperdicio y mejorando la eficiencia operativa. Este enfoque es comercialmente viable y aprovecha tecnologías consolidadas para una operación robusta y fiable.

Introducción: El control preciso de la tasa de etch durante la fabricación de semiconductores es esencial para lograr las especificaciones de los dispositivos y minimizar defectos. Los modelos estadísticos convencionales frecuentemente no capturan la compleja interacción entre química de plasma, parámetros de proceso y variaciones ambientales. Proponemos un sistema capaz de adaptarse dinámicamente a esas variaciones y proporcionar predicciones en tiempo real, junto con optimización automática del proceso mediante un agente de aprendizaje por refuerzo.

Antecedentes: Los métodos clásicos de modelado estadístico como regresión lineal o ANOVA muestran limitaciones frente a procesos no lineales y dependientes del contexto. Por su parte, técnicas de detección de anomalías como autoencoders, One Class SVM o Isolation Forest se han usado con éxito en manufactura, pero rara vez se integran con control adaptativo en lazo cerrado. El aprendizaje por refuerzo ha mostrado potencial para control de procesos, pero necesita señales de anomalía fiables y fuentes de datos heterogéneas para escalar en entornos industriales reales.

Metodología: La arquitectura propuesta consta de módulos encadenados que procesan y interpretan datos multimodales y alimentan un controlador RL. El primer módulo ingiere datos de diagnósticos de plasma RF, caudales de gas, presión, temperatura, sensores ambientales como humedad y vibración, y datos de metrología de etapas previas. Cada medida pasa por normalización y cuantificación de incertidumbre mediante escalado Min Max y estandarización Z score. Un segundo módulo aplica técnicas tipo transformer adaptadas para parseo de recetas de proceso y logs históricos, extrayendo parámetros críticos y construyendo un grafo de conocimiento que representa relaciones entre parámetros y estados de equipo, gestionado sobre Neo4j para consultas contextuales. El pipeline de evaluación incluye un conjunto de detectores de anomalía: autoencoders para reconstrucción de perfiles normales, One Class SVM para delimitar regiones seguras y Isolation Forest para aislar puntos atípicos. Además se incluyen análisis formales de consistencia lógica y verificación de fragmentos de código de receta en entornos sandbox que ayudan a identificar contradicciones o pasos mal especificados que puedan afectar el etch.

Bucle meta de autoevaluación y fusión de puntuaciones: Un bucle de autoevaluación simbólica corrige iterativamente las evaluaciones para reducir la incertidumbre. Las puntuaciones parciales se combinan mediante una fusión de pesos que emplea técnicas tipo Shapley y calibración bayesiana para mitigar ruido por correlación, resultando en una puntuación final V que alimenta al controlador.

Interacción humano IA: El sistema incorpora un circuito de retroalimentación híbrido que permite a expertos revisar casos atípicos y aportar correcciones a través de un interfaz de debate y auditoría. Esta interacción activa facilita reentrenamiento continuo y aprendizaje activo, mejorando la robustez del modelo en condiciones operativas reales.

Controlador por aprendizaje por refuerzo: Se entrena un agente DQN que recibe como estado las puntuaciones de anomalía, tasas de etch recientes y una representación reducida del grafo de conocimiento. El espacio de acciones abarca ajustes finos de parámetros de plasma como potencia RF, caudal de gas y presión. La función de recompensa penaliza la desviación respecto a la tasa objetivo y aplica un coste por cambios bruscos para favorecer estabilidad operacional. Los coeficientes de la función de recompensa se ajustan según prioridades de producción, favoreciendo precisión o reducción de oscilaciones según convenga.

Diseño experimental: El sistema se valida con un conjunto mixto de datos públicos y datos propietarios facilitados por un partner industrial. Las métricas de rendimiento incluyen RMSE, MAE y tiempo de puesta a punto. La comparación se realiza frente a modelos estadísticos de referencia y técnicas de detección de anomalías individuales.

Resultados y discusión: Los experimentos demuestran mejora sustancial en la precisión de predicción de la tasa de etch y en la reducción de desviaciones frente al objetivo. La capacidad de realizar ajustes en línea reduce la variabilidad del proceso y disminuye la tasa de scrap. Además, la combinación de verificación formal y análisis de novedad contribuye a evitar acciones de control basadas en datos inconsistentes o no reproducibles.

Contribución técnica: La novedad de este trabajo radica en integrar detección de anomalías multimodal, comprensión semántica de recetas mediante transformers, grafos de conocimiento para contexto y verificación formal, todo ello conectado a un bucle de control por aprendizaje por refuerzo. Este enfoque permite pasar de una mera predicción a un control automático y seguro del proceso.

Aplicación y valor comercial: En Q2BSTUDIO aplicamos este tipo de soluciones integrales combinando experiencia en desarrollo de software a medida y servicios de inteligencia artificial para empresas. Ofrecemos proyectos llave en mano que incluyen integración de datos, despliegue en servicios cloud aws y azure, seguridad y auditoría de procesos, y soluciones de inteligencia de negocio y visualización con Power BI. Nuestra experiencia en aplicaciones a medida, agentes IA, ciberseguridad y servicios cloud aws y azure nos permite entregar sistemas escalables, seguros y orientados a resultados.

Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.

Conclusión: La combinación de detección de anomalías multimodal y optimización mediante aprendizaje por refuerzo ofrece un camino sólido para mejorar la precisión y el control de la tasa de etch en fábricas de semiconductores. Más allá del incremento en precisión, el valor real reside en la capacidad de actuar en tiempo real y reducir impacto económico asociado a defectos. Q2BSTUDIO está preparada para acompañar a empresas del sector en la implementación de estas soluciones avanzadas, integrando desarrollo de software, modelos de IA, seguridad y despliegue en la nube para maximizar el retorno de la inversión y la continuidad operacional.