Tel 00005359

UNIVERSITE MONTPELLIER II SCIENCES ET TECHNIQUES DU LANGUEDOC THESE Pour obtenir le grade de
DOCTEUR DE LUNIVERSITE MONTPELLIER II

Discipline : Micro-lectronique Formation Doctorale : Systmes Automatiques et Micro-lectronique cole doctorale : Information, Structures, Systmes prsente et soutenue publiquement
tel-00005359, version 1 - 16 Mar 2004
par Flavien DELAUCHE
le 23 mai 2003
Titre :
OPTIMISATION STATISTIQUE DU RENDEMENT PARAMETRIQUE DE MICROSYSTEMES (MEMS)
JURY
M. Michel ROBERT, Professeur, Universit Montpellier II M. Christian DUFAZA, Professeur, Universit Aix-Marseille I M. Skandar BASROUR, Professeur, Universit Joseph Fourier, Grenoble M. Yann HU, Professeur, Universit Aix-Marseille III M. Bachar AFFOUR, Docteur, MEMSCAP Crolles , Prsident , Directeur de thse , Rapporteur , Rapporteur , Examinateur
tel-00005359, version 1 - 16 Mar 2004
REMERCIEMENTS
Je tiens en premier lieu remercier Michel Habib, directeur du LIRMM (CNRS), mon laboratoire dattache, ainsi que Jean-Michel Karam, PDG de MEMSCAP, lentreprise daccueil dans laquelle sest droule la plus grande partie de ma thse CIFRE, pour avoir rendu possible cette thse, cheval entre la recherche et lindustrie dune technologie mergeante. Merci bien sr mes tuteurs, le professeur Christian Dufaza (Universit Aix-Marseille I) et Bachar Affour (MEMSCAP), qui ont pu rester disponibles malgr les difficults encadrer une thse loin du laboratoire d'attache et au sein dune start-up voluant dans un milieu trs
tel-00005359, version 1 - 16 Mar 2004
concurrentiel et instable durant ces 3 annes. Je remercie aussi les autres membres du jury : les professeurs Skandar Basrour et Yann Hu pour avoir pris le temps dexaminer ce rapport, et le professeur Michel Robert pour avoir accept la prsidence de ce jury. Je remercie enfin chaleureusement lensemble des ingnieurs de MEMSCAP avec lesquels jai travaill durant cette thse, quils soient des groupes CAO, RF ou optique : loptimisation est par chance un domaine trs fdrateur. Je tiens remercier particulirement Marie-Pierre Brutails qui ma aid structurer limplmentation informatique de lalgorithme dvelopp dans le cadre de cette thse.
tel-00005359, version 1 - 16 Mar 2004
TABLE DES MATIERES
REMERCIEMENTS TABLE DES MATIERES LISTE DES FIGURES LISTE DES TABLEAUX INTRODUCTION GENERALE
3 5 9 13 17 23
23
23 23 24 25 26 26 26 26 27 27 27 28 29 29 29 30
1. MICROSYSTEMES ET RENDEMENT
1.1 Les microsystmes
Technologies MEMS a) Le micro-usinage en volume b) Le micro-usinage en surface c) Sources et consquences des dfauts de fabrication Caractrisation et Fiabilit a) Caractrisation b) Analyse de dfaillance Encapsulation Applications et spcificits technologiques a) Fluidique b) Mcanique c) Optique d) Applications Radio-Frquence (RF) Logiciels de CAO a) Outils disponibles b) Demande des concepteurs MEMS
tel-00005359, version 1 - 16 Mar 2004
1.1.1
1.1.2
1.1.3 1.1.4
1.1.5
1.2
1.2.1
Le rendement
Notions de rendement a) Dfauts catastrophiques et paramtriques b) Amlioration en amont de la fabrication c) Amlioration en ligne Rendement et CAO microlectronique a) Optimisation nominale b) Optimisation du rendement Rendement et industrie
30
30 31 31 32 33 33 33 35
1.2.2
1.2.3
Rfrences
37
2. OPTIMISATION STATISTIQUE DU RENDEMENT PARAMETRIQUE

2.1
2.1.1
43
43
43
Rendement : dfinitions
Les performances cibles
2.1.2
a) Courbes cibles b) Limites et gabarits c) Fonctions mathmatiques Le flot doptimisation
44 44 44 45
2.2
2.2.1 2.2.2 2.2.3 2.2.4
Diffrentes sortes de paramtres

Paramtres de dessin Paramtres technologiques Paramtres mixtes Paramtres et espaces vectoriels
45
45 46 46 47
2.3
2.3.1 2.3.2
Estimation du rendement
Mthodes dterministes Echantillonnage statistique a) Les lois de probabilit b) Interprtation de l'analyse de Monte-Carlo c) Variantes de l'analyse de Monte-Carlo Mthodes gomtriques a) Approximation polydrique (simplicial approximation) b) Approximation ellipsodale c) Exploration orthogonale d) Exploration radiale e) Intgrale de surface Mthode des Pires Cas
49
49 50 50 51 53 55 55 56 56 56 57 58
tel-00005359, version 1 - 16 Mar 2004
2.3.3
2.3.4
2.4
2.4.1
Optimisation du rendement
Mesures du rendement et de la qualit a) Indice de capabilit b) Fonction Perte de Taguchi c) Autres fonctions cot Mthodes d'optimisation du rendement a) Algorithmes d'optimisation nominale b) Algorithmes d'optimisation statistique c) Mthodes d'optimisation gomtriques Plans d'expriences a) Notion de qualit b) Notions sur les plans d'expriences
59
59 59 61 63 63 64 65 67 69 69 69
2.4.2
2.4.3
Rfrences
81
3. NOUVELLE STRATEGIE
3.1
3.1.1 3.1.2
87
87
87 88 88 89 90 91 92
Justification
Optimisation en deux temps Nature statistique du problme a) Circuits discrets et circuit intgrs b) Cas des circuits discrets c) Cas des circuits intgrs Utilisation des plans multiples de Taguchi a) Calcul de la "moyenne"
3.1.3
b) Calcul de la dispersion
93
3.2 3.3 3.4

3.4.1 3.4.2
Spcifications et performances Estimation du rendement Rduction de la variabilit d'une performance

Rduction pralable du nombre de facteurs Algorithme de rduction de la variabilit a) Pas d'incrmentation b) Diminuer le nombre de facteurs c) Facteurs non fixs d) Critres d'arrt e) Organigramme
94 94 94
95 95 96 97 99 99 99
3.5
3.5.1 3.5.2
Ajustement de la rponse moyenne du systme

Optimisation multi-objectifs : anticiper les problmes venir Choix de la fonction erreur Algorithme de lajustement de la valeur moyenne dune performance a) Pas d'incrmentation b) Diminuer le nombre de facteurs c) Critres d'arrt Les diffrences entre les deux tapes Organigramme de lajustement de la valeur moyenne de la rponse
100
101 102 104 104 104 104 105 105
tel-00005359, version 1 - 16 Mar 2004
3.5.3
3.5.4 3.5.5
3.6 3.7
Choix des plans dexpriences Optimisation de plusieurs performances simultanment
106 107
4. IMPLEMENTATION DE L'ALGORITHME, APPLICATIONS ET RESULTATS

4.1
4.1.1
111
111
111 111 112 112 113 114 114 116 117
Modlisation des MEMS

Difficults de modlisation et de conception a) Simulations multi-domaines b) Importance de lusure c) Problmes pour une technologie donne d) Le device mismatch Modles Spice Modles comportementaux Modles FEM Choix de nos modles
4.1.2 4.1.3 4.1.4 4.1.5
4.2
4.2.1 4.2.2
Considration de linformatique
Environnement Structure implmente a) Choix des classes b) Les paramtres mixtes : un point sensible c) Gestion des fichiers d) Appel de programmes extrieurs
117
117 118 118 119 120 120
4.3
Interface du logiciel
120
4.4
4.4.1
Exemple : Filtre passe bande RLC

Saisie du problme a) Topologie du circuit b) Choix des paramtres et de leurs caractristiques c) Choix des paramtres de l'algorithme d) Choix des spcifications Suivi du processus d'optimisation Rsultats a) Interprtation des chiffres b) Interprtation des courbes c) Conclusion
122
122 122 123 124 124 125 127 127 128 130
4.4.2 4.4.3
4.5
4.5.1
Exemple : Microrsonateur MEMS

Saisie du problme a) Topologie du MEMS b) Choix des paramtres et de leurs caractristiques c) Choix des spcifications Suivi du processus d'optimisation Rsultats
131
132 133 134 135 136 137
tel-00005359, version 1 - 16 Mar 2004
4.5.2 4.5.3
4.6 4.7
Exemple : Inductance MEMS Variante : Optimiseur nominal
138 141 143
Rfrences
CONCLUSIONS ET PERSPECTIVES ANNEXES

I. II. III. IV. V. Classes utilises Fichiers utiliss Les filtres peignes lectrostatiques Ressources Publications
148 153
153 155 157 159 160
LISTE DES FIGURES
Figure 1-1 : Micro-usinage en volume Figure 1-2 : Capteur magntique ralis par micro-usinage en volume [LATO99] Figure 1-3 : Micro-usinage en surface Figure 1-4 : Technologie LIGA Figure 1-5 : Principe de la micropompe Figure 1-6 : Acclromtre ralis en usinage de surface Figure 1-7 : La technologie DLP de Texas Instrument Figure 1-8 : Des masques au modle comportemental Figure 1-9 : Phnomne de stiction entre un engrenage et une crmaillre Figure 1-10 : Loptimisation nominale : ajuster les performances dun systme Figure 1-11 : Amlioration du rendement et de la robustesse Figure 1-12 : Faible dispersion d'un procd de fabrication Figure 2-1 : Analyse AC d'un MEMS et sa courbe cible associe Figure 2-2 : Analyse AC d'un MEMS et limites associes Figure 2-3 : Flot doptimisation des performances dun MEMS Figure 2-4 : Structure peignes lectrostatiques Figure 2-5 : La largeur dune piste est un paramtre mixte Figure 2-6 : Reprsentation des variables, donnes de loptimisation Figure 2-7 : Rgion de Tolrance (Rt) Figure 2-8 : Rgion dAcceptabilit (Ra) Figure 2-9 : Recouvrement de Ra et Rt pour un MEMS dans les spcifications Figure 2-10 : Les diffrents types de mthodes destimation du rendement Figure 2-11 : Lintgrale dune gaussienne sur lintervalle lintgrale sur [+ , ] simulations considr Figure 2-13 : Echantillonnage stratifi et mthode de rgionalisation d'acceptabilit Ra Figure 2-15 : Recherche de Ra par approximation polydrique Figure 2-16 : Approximation de Ra par un ellipsode et par des fragments d'ellipsodes Figure 2-17 : Estimation du rendement par exploration orthogonale -
23 24 24 25 27 28 28 30 31 33 35 36 44 44 45 46 46 47 48 48 48 49
tel-00005359, version 1 - 16 Mar 2004
reprsente 95,4% de 51
Figure 2-12 : Abaque du rendement rel en fonction du rendement estim et du nombre de 53 54 55 55 56 56
Figure 2-14 : Mthodes d'estimation du rendement bases sur la recherche de la rgion
Figure 2-18 : Estimation du rendement par exploration radiale Figure 2-19 : Estimation du rendement par la mthode de l'intgrale de surface Figure 2-20 : Sommet correspondant au pire cas dans un espace trois dimensions Figure 2-21 : Indice de capabilit d'une performance Figure 2-22 : Indice de capabilit Cp =1 et Cp =2 Figure 2-24 : Fonction Perte dans le cas o l'optimum est un minimum ou un maximum Figure 2-25 : Mthodes doptimisation du rendement Figure 2-26 : Optimisation du rendement par l'algorithme du centre de gravit Figure 2-27 : Optimisation du rendement par l'chantillonnage paramtrique Figure 2-28 : Ralisation d'une coupe pour un point violant les spcifications Figure 2-29 : Centrage d'un circuit par la mthode de l'exploration radiale Figure 2-30 : Hypersphre inscrite dans le polydre dfinissant Ra Figure 2-31 : Utilisation de facteurs centrs pour construire un polynme Figure 2-32 : Plans d'expriences usuels Figure 2-33 : Corrlation entre facteurs de bruit Figure 3-1 : Organigramme de l'algorithme d'optimisation du rendement performances Figure 3-3 : Effet des termes quadratiques sur la rduction de la variance Figure 3-4 : Simulations AC d'un passe-bas en prsence de bruit Figure 3-5 : Calcul de l'erreur sur une simulation Figure 3-6 : Dplacer la rgion de tolrance pour minimiser la dispersion Figure 3-7 : Pas d'incrmentation Figure 3-8 : Dtermination d'un pas minimum Figure 3-9 : Oscillations autour d'un minimum Figure 3-10 : Valeur limite atteinte pour un facteur de dessin Figure 3-11 : Organigramme de la rduction de la variabilit Figure 3-12 : L'erreur est proportionnelle l'amplitude de la rponse Figure 3-13 : Combinaison de contraintes pour une optimisation des performances Figure 3-14 : Organigramme de lajustement de la valeur moyenne dune performance Figure 4-1 : La forme d'une simple poutre est fonction de la technologie utilise Figure 4-2 : La partie non protge de la poutre de droite subit une sur-gravure Figure 4-3 : Dispersion des paramtres technologiques Figure 4-4 : Choix de la valeur d'un facteur de bruit Figure 4-5 : Une plaque : composant lmentaire orient
57 57 58 59 60 62 64 65 66 67 68 68 73 74 77 87 88 90 92 92 96 96 97 98 99 100 102 102 106 112 113 113 114 115
Figure 2-23 : Deux fonctions Perte de mme valeur moyenne dans le cas d'un chantillon 62
tel-00005359, version 1 - 16 Mar 2004
Figure 3-2 : Une technologie jeune est pnalisante pour obtenir une faible dispersion des
Figure 4-6 : Netlist et modle comportant des paramtres de bruit intgrs et discrets Figure 4-7 : La rcriture de la netlist doit tre simple et rapide Figure 4-8 : Diagramme de classes des donnes de base Figure 4-9 : Les classes sont ranges par fonction Figure 4-10 : Interface de slection des paramtres manipuls lors de l'optimisation Figure 4-11 : Circuit RLC optimiser Figure 4-12 : Fichier de suivi de l'volution des valeurs d'un facteur de dessin rendement initial Figure 4-14 : Courbes des analyses de Monte-Carlo lors du processus d'optimisation Figure 4-15 : Visualisation de l'volution de chaque paire ( Figure 4-16 : Ncessit d'une tape post-process pour librer les structures Figure 4-17 : Filtre MEMS ralis avec une technologie AMS, test au CIME Figure 4-18 : Elaboration d'une structure MEMS avec MemsMaster Figure 4-19 : Paramtres de dessin et de bruit du MEMS Figure 4-20 : Optimisation du rendement avec une analyse temporelle Figure 4-21 : Paramtres gomtriques dune inductance MEMS Figure 4-22 : Principaux phnomnes physiques lis une inductance Figure 4-23 : Description d'une technologie MEMS pour une inductance Figure 0-1 : Resonnant Gate Transistor Figure 0-2 : Principe des structures de Nguyen rsonnant verticalement Figure 0-3 : Structure rsonante peignes lectrostatique latraux [NGUY98] Figure 0-4 : Variantes de filtres MEMS
116 118 119 119 121 123 126 128 129 130 131 132 133 135 137 138 138 140 157 157 158 158
Figure 4-13 : Trac des spcifications et de l'analyse de Monte-Carlo pour l'estimation du
tel-00005359, version 1 - 16 Mar 2004
tel-00005359, version 1 - 16 Mar 2004
LISTE DES TABLEAUX
Tableau 2-1 : Valeur de l'intgrale en fonction de lintervalle considr Tableau 2-2 : Erreur sur le rendement estim Tableau 2-3 : Valeurs conseilles de l'indice de capabilit Cp Tableau 2-4 : Valeurs conseilles de l'indice de capabilit Cpk Tableau 2-5 : Principaux cas et rapports signal/bruit associs (Taguchi) Tableau 2-6 : Valeurs plausibles pour les facteurs : niveaux Tableau 2-7 : Matrice dun plan d'exprience pour 2 facteurs 2 niveaux Tableau 2-8 : Plan produit de Taguchi Tableau 3-1 : Plan produit : cas o la cible est un vecteur Tableau 3-2 : Choix des plans d'expriences en fonction du nombre de facteurs
51 53 60 61 63 71 71 79 93 107
tel-00005359, version 1 - 16 Mar 2004
tel-00005359, version 1 - 16 Mar 2004
tel-00005359, version 1 - 16 Mar 2004
INTRODUCTION GENERALE
tel-00005359, version 1 - 16 Mar 2004
Introduction gnrale
INTRODUCTION GENERALE
Le travail effectu durant cette thse et expos dans ce document porte sur lamlioration du rendement de fabrication de microsystmes, que lon notera par la suite MEMS (Micro Electro Mechanical Systems). Il a consist en la mise au point dun algorithme d'optimisation du rendement des MEMS puis son implmentation et son valuation. Ce travail a t men en collaboration avec le laboratoire dInformatique de Robotique et de Microlectronique de Montpellier (LIRMM) et la socit MEMSCAP, base Bernin, dans la rgion grenobloise. Les microtechnologies sont un ensemble de techniques de fabrication permettant de
tel-00005359, version 1 - 16 Mar 2004
raliser des structures de lordre du micromtre. Cest typiquement le cas des MEMS qui sont touchs par lengouement des industriels pour la miniaturisation. Les MEMS ont la particularit de pouvoir intgrer sur un mme substrat des parties aussi diffrentes que des capteurs, des actionneurs, ou une partie microlectronique de commande et de traitement de linformation. Cest la cohabitation sur une surface trs rduite de ces diffrentes technologies ddies divers domaines de la physique (lectronique, mcanique, optique, lectro et magntostatique, chimie) qui rend les MEMS si attractifs et si complexes raliser. Le principal avantage est la rduction de l'encombrement et de la masse du dispositif, ce qui est trs important pour de nombreuses applications mdicales ou spatiales. Lutilisation de technologies proches de la microlectronique permet de plus denvisager une production de masse moindre frais. Concernant les capteurs, la rduction des parasites habituellement dus la connectique est trs importante. En ce qui concerne les actionneurs, le fait que les puces puissent agir physiquement sur leur environnement avec une grande prcision annonce lre des micromachines. La premire publication concernant un MEMS oprationnel date de 1967 [NATH67] (page 40), 10 ans aprs linvention du circuit intgr base de transistors, et fait globalement appel aux mmes techniques de fabrication. Cependant, lintrt pour les MEMS sera plus long venir et concernera initialement les capteurs au dbut des annes 80. Les produits MEMS les plus populaires sont aujourdhui les ttes dimprimante jet dencre [HP-net] (page 38) et les acclromtres [AD-net] (page 37) qui commandent louverture des airbags des voitures. Des applications plus complexes comme les projecteurs numriques [TI-net] (page 40), o les bobines sont remplaces par des supports
17
Introduction gnrale
numriques, prennent le relais avec des retombes non ngligeables. On le voit bien, les MEMS sont maintenant assez matures pour les applications industrielles. Plus que jamais, la concurrence entre les entreprises se joue au niveau international. Les cycles de vie des produits se raccourcissent de manire parfois spectaculaire, notamment pour les produits intgrant des technologies de pointe. Pour que ces derniers soient rentabiliss avant dtre dpasss, il convient de rduire au maximum le temps coul entre leur conception et leur mise sur le march. Cest pourquoi il est primordial de dvelopper un environnement de CAO (Conception Assiste par Ordinateur) ddi aux MEMS. Les problmes de modlisation et de simulation lors dinteractions entre divers domaines de la physique diffrencient notamment les MEMS de la microlectronique classique. De plus, la jeunesse et la complexit des technologies MEMS rendent leur utilisation dlicate et les rendements incertains.
tel-00005359, version 1 - 16 Mar 2004
Cest sur cette thmatique du rendement que se penche ce manuscrit, et plus particulirement sur son amlioration en phase de conception des structures MEMS. Il sagit de fournir au concepteur un outil permettant doptimiser les paramtres gomtriques des MEMS en vue de minimiser limpact des lgres variations alatoires que pourrait avoir la technologie employe sur les performances du MEMS [SANC00] (page 40). Cet outil constitue donc un pont entre le monde des concepteurs et celui des technologues. Il sagit ici de gagner les quelques pourcents qui feront la diffrence avec un concurrent. A titre de comparaison, Cadence, fournisseur doutils de CAO pour la microlectronique, ne propose un tel outil que depuis juillet 2002. Mme si le concept est bien plus ancien, il na jamais perc en microlectronique auparavant. MEMSCAP a t fonde en 1997 et dispose depuis 2002 de ses propres locaux et dune fonderie : cest un environnement bien adapt pour un tel travail, les technologues, les concepteurs de MEMS et les programmateurs doutils de CAO tant tous disponibles au sein de lentreprise. Le faible succs des logiciels doptimisation statistique pour les microtechnologies est du deux causes principales. Tout d'abord, la caractrisation statistique de la technologie employe est primordiale, mais ces donnes tant confidentielles, il faut un haut niveau de confiance entre le fondeur et le concepteur du circuit pour que ce dernier puisse sen servir. Ensuite, les concepteurs ont une certaine rticence simmiscer dans le monde des statistiques; la facilit dutilisation sera donc lun des critres cls de l' valuation du programme. Le LIRMM sintresse aux MEMS depuis 1995, notamment leur conception, leur test, la caractrisation de processus technologiques, ainsi donc qu la CAO. La
18
Flavien Delauche Optimisation statistique
Introduction gnrale
microlectronique et les MEMS sont intimement lis, il est donc normal pour un laboratoire tel que le LIRMM de s'impliquer dans ce domaine en pleine expansion. Le travail sest droul en quatre tapes : Etat de lart des technologies MEMS et des bases du rendement en microtechnologies. Loptimisation statistique : nonc du problme, aperu des mthodes employes et proposition dune nouvelle approche. Implmentation de cet algorithme en langage Java. Evaluation de lalgorithme sur des structures tests et analyse des rsultats. Le premier chapitre reprend les techniques de fabrication des MEMS ainsi que les
tel-00005359, version 1 - 16 Mar 2004
principaux types dapplications. Puis nous traitons des diffrentes approches employes pour amliorer le rendement. Un tat de lart de la CAO pour les MEMS et quelques notions sur le rendement en microlectronique permettent de bien positionner le problme. Le second chapitre donne une dfinition plus prcise de ce qu'est le rendement dans le cadre de notre travail et apporte des prcisions sur la nature des paramtres manipuls lors de son tude. Nous traitons ensuite le problme de l'estimation du rendement et passons en revue les principales mthodes d'optimisation statistique. Nous rappelons aussi les bases mathmatiques des plans d'expriences que l'on retrouve trs souvent dans des contextes d'optimisation du rendement. Le troisime chapitre est consacr la mise au point d'une approche originale permettant l'optimisation statistique du rendement paramtrique des MEMS. Utilisant des plans d'expriences, l'algorithme que nous prsentons agit en deux temps : il rduit d'abord la variabilit des performances, puis minimise les diffrences entre les performances et les spcifications donnes. Le quatrime chapitre de ce manuscrit relate l'implmentation en langage Java de cet algorithme et son utilisation. Nous abordons aussi les problmes de simulation et de modlisation des MEMS et justifions les choix raliss lors de llaboration du programme. Deux exemples sont dvelopps pour exprimenter l'optimisation : un circuit discret RLC et un MEMS, pour lesquels les rsultats obtenus sont analyss. Finalement, la conclusion gnrale fait la synthse de ces trois annes de thse, et revient sur les rsultats obtenus.
du rendement paramtrique de microsystmes (MEMS)
19
tel-00005359, version 1 - 16 Mar 2004
tel-00005359, version 1 - 16 Mar 2004
Chapitre 1
MICROSYSTEMES ET RENDEMENT
tel-00005359, version 1 - 16 Mar 2004
Chapitre 1 : Microsystmes et rendement
1. MICROSYSTEMES ET RENDEMENT
Dans ce chapitre, nous donnons les bases des technologies MEMS. Nous pouvons ainsi avoir un aperu de leur complexit ainsi que de leurs imperfections qui sont la source de pertes de rendement ultrieures. Ce rendement sera lui aussi dfini, et nous prsenterons les outils de CAO qui lui sont ddis.
1.1 LES MICROSYSTEMES

Nous donnons un aperu des technologies MEMS les plus classiques, ainsi que de leur principaux dfauts, la base du rendement mdiocre des prototypes MEMS. Puis nous
tel-00005359, version 1 - 16 Mar 2004
verrons que la fiabilit est pour les MEMS un domaine o il y a normment faire, de mme que pour l'encapsulation. Enfin, nous donnerons en exemple quelques applications qui ont fait leurs preuves.
1.1.1 TECHNOLOGIES MEMS

Il existe deux familles de technologies MEMS qui se dmarquent : le micro-usinage en volume et en surface. a) Le micro-usinage en volume Le bulk micromachining permet d'obtenir les formes recherches pour un MEMS en travaillant le substrat brut [MADO02]. Cela peut se faire de diffrentes manires (gravures sches ou humides, etc.). Dans le cas d'une gravure anisotropique, frquemment utilise, la vitesse de gravure varie suivant l'orientation des plans attaqus et la slectivit de la solution de gravure (KOH, TMAH, EDP). Ces caractristiques donnent sa forme finale la topologie du substrat [Figure 1-1].
Substrat en Si
Dpt de la couche structurelle
Gravure de la couche structurelle
Gravure anisotrope du silicium
Figure 1-1 : Micro-usinage en volume
23
La gravure sche est compatible avec les technologies que l'on trouve en microlectronique. Il est alors possible que les parties suspendues renferment des lignes de diffrents conducteurs [Figure 1-2].
tel-00005359, version 1 - 16 Mar 2004
Figure 1-2 : Capteur magntique ralis par micro-usinage en volume [LATO99] b) Le micro-usinage en surface Le surface micromachining repose sur la prsence de deux types de matriaux au dessus du substrat : structurels et sacrificiels. Ces derniers sont dissous la fin du procd de fabrication, librant les couches structurelles. Les couches sacrificielles sont souvent des oxydes ou des rsines, et les couches structurelles du polysilicium, des mtaux ou des isolants non oxyds, tels que le nitrure de silicium [Figure 1-3].
Substrat en Si passiv
Dpt de loxyde sacrificiel
Lithographie de loxyde sacrificiel
Dpt du niveau structurel
Lithographie du Gravure de loxyde niveau structurel sacrificiel et libration du niveau structurel
Figure 1-3 : Micro-usinage en surface 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 raliser des micromiroirs [TI-net]. La technologie LIGA [Figure 1-4] est considre part; elle permet de raliser des structures de plusieurs centaines de micromtres d'paisseur, ainsi que des micro-outils ou des moules en mtal. Ces derniers permettent de dupliquer une forme l'envie sur des matriaux plastiques.
24
exposition rayons X
gravure
dveloppement
fabrication d'un outil
outil
moule
Figure 1-4 : Technologie LIGA On a parfois recours une tape supplmentaire en fin de fabrication : le wafer bonding, qui permet de lier deux systmes conus sur deux wafers diffrents en les positionnant face face et en les liant. c) Sources et consquences des dfauts de fabrication c.1 dfauts catastrophiques L'un des principaux dfauts de fabrication des technologies MEMS est le collage (stiction). Il apparat lors des dernires tapes de l'usinage en surface lorsque les couches sacrificielles sont dissoutes, ou encore quand le MEMS opre dans un environnement humide. Les couches structurelles ont alors tendance se coller au substrat ou aux lments voisins. Les raisons de ce comportement sont diverses : la force de capillarit du liquide de rinage, les forces lectrostatiques qui s'appliquent en surface des lments, la force de Van der Waals Nous verrons par la suite que ce type de dfauts catastrophiques (plus de mouvement possible) rduit le rendement dit fonctionnel. Nous ne chercherons pas le minimiser dans notre approche CAO. Certaines prcautions peuvent rduire ces problmes : minimiser la force de capillarit du liquide de rinage, rduire les surfaces de contact entre les structures et le substrat, espacer les structures entre elles quand cela est possible c.2 dfauts paramtriques Ces dfauts de fabrication n'empchent pas le MEMS de fonctionner mais dgradent ses performances et le rendement dit paramtrique. Ils sont entre autre l'origine de l'aspect statistique des dispersions des paramtres technologiques. Par exemple, la difficult de contrler les gravures ou la dispersion dans les rsines photosensibles. Cela entrane une incertitude quant la valeur relle des dimensions gomtriques des structures, et donc de leur comportement mcanique. De mme, si les tapes de fabrication sont aisment reproductibles, le module d'Young d'un matriau ne sera jamais vraiment deux fois le mme, il existe donc aussi une dispersion au niveau des caractristiques des matriaux. Leur
tel-00005359, version 1 - 16 Mar 2004
25
connaissance permet d'envisager une conception qui tendrait minimiser leur impact sur les performances du MEMS; c'est l'objet des travaux de cette thse.
1.1.2 CARACTERISATION ET FIABILITE

La caractrisation des matriaux et composants permet de mettre en relief les paramtres critiques pour les performances et fournit les donnes statistiques associes aux paramtres technologiques qui permettront un meilleur dimensionnement des structures MEMS. L'analyse de dfaillance, quant elle, permet de valider le concept des structures mcaniques en mettant en vidence les mcanismes de dfaillance. Un travail est ensuite envisageable sur la gomtrie des structures et/ou sur les matriaux [DEAL97]. a) Caractrisation Pour permettre un bon comportement des MEMS sur le long terme, une bonne
tel-00005359, version 1 - 16 Mar 2004
connaissance des caractristiques mcaniques des couches minces est ncessaire. On utilise donc des structures de test pour dfinir leurs proprits : les parametric monitors (PM). Les PM sont des structures gnralement trs simples (poutres, ressorts) qui permettent une caractrisation des proprits lectriques ou mcaniques des matriaux. b) Analyse de dfaillance Les structures de test pour mettre en vidence les mcanismes de dfaillance portent d'autres noms : TCV (Technology Characterization Vehicle) ou SED (Standard Evaluation Devices). Les premires sont gnralement des composants de librairie qui servent mettre en vidence un mcanisme de dfaillance particulier attribu une tape prcise du procd de fabrication. Ils permettent notamment d'estimer l'esprance de vie des composants. Un SED est une version moins complexe de ces composants qui est utilise pour raliser des mesures de caractristiques sur diffrents wafers et lots [MUKH99] [GUPT97] [CHAN99]. En comparaison avec la microlectronique, les mcanismes de dfaillance ne sont ni bien compris, ni faciles contrler dans le cadre d'un vieillissement acclr [MCCL99]. Les principaux sont les suivants : les fractures mcaniques [JONE99], les collages [MAST99], l'usure, la dlamination, les problmes dus l'environnement (vibrations, chocs, humidit, radiations, particules, temprature, dcharges lectrostatiques), le stress (thermique et rsiduel), les capacits parasites, les frottements sur les parties mobiles (damping).
1.1.3 ENCAPSULATION
L'encapsulation (packaging) est aussi importante pour les MEMS que pour les circuits intgrs. Il s'agit d'tablir les interconnexions entre le MEMS et d'autres circuits, ainsi que de
26
maintenir un environnement de fonctionnement adquat. Aux contraintes existantes dj pour les circuits intgrs lectroniques, il faut rajouter les contraintes propres des parties mcaniques. Par exemple, on fera encore plus attention aux moyens d'vacuer la chaleur dgage par la partie lectrique et les frottements mcaniques. Le botier sert la fois de support mcanique, de protection contre l'environnement, et de support de connexions avec le monde extrieur. Sa mise au point est cruciale pour un MEMS.
1.1.4 APPLICATIONS ET SPECIFICITES TECHNOLOGIQUES

Il existe normment de prototypes de MEMS, MOEMS (Micro Opto Electro Mechanical System), BIOMEMS; peu ont cependant franchi la phase d'industrialisation. Nous donnons en exemple quelques applications MEMS qui dmontrent pourtant le fort potentiel des microtechnologies. C'est la vue de telles donnes que l'intrt pour le rendement des MEMS prend sa juste valeur, alors mme que l'on considre toujours qu'il s'agit d'une technologie mergeante. Paralllement, le nombre de confrences et de journaux ddis aux MEMS crot et leur nombre montre l'intrt que les laboratoires leur accordent dsormais. Les principales ressources dans ce domaine sont cites en annexe [p. 159]. a) Fluidique Les ttes jet d'encre fonctionnent avec des technologies MEMS depuis les annes 80 [PELE98]. L'optimisation des micropompes [Figure 1-5] permet de raliser des caractres toujours plus fins et nets. Mais ces pompes trouvent aussi une application dans le mdical, o elles peuvent par exemple tre utilises pour l'injection sous-cutane d'insuline faible dose [GADE01]. La technique d'usinage en volume est ici souvent utilise associe au wafer bonding.
matriau PZT ou actionneur thermique Clapet anti-retour
tel-00005359, version 1 - 16 Mar 2004
entre
sortie
Figure 1-5 : Principe de la micropompe b) Mcanique Les capteurs de pression existent sur le march depuis longtemps. Une diffrence de pression entrane la dformation d'une membrane qui peut tre mesure. On en dduit la pression extrieure au MEMS. Les acclromtres [ZHAN98] sont une application plus
27
rcente dont le succs est aussi trs important, notamment dans le domaine de l'automobile, o ils sont utiliss pour commander l'ouverture des airbags en cas de choc et supplantent tous les autres systmes. Analog Devices utilise l'usinage en surface pour son ADXL [Figure 1-6] [AD-net].
Figure 1-6 : Acclromtre ralis en usinage de surface
tel-00005359, version 1 - 16 Mar 2004
c) Optique L'application mise en avant pour les MOEMS est la DLP de Texas Instruments (Digital Light Processing) [TI-net]. Son ambition est tout simplement de remplacer les crans conventionnels de tlvision ou d'ordinateur par un ensemble de micromiroirs, associs chacun un pixel [Figure 1-7]. Leur intrt est le faible encombrement du moniteur et une rsolution de qualit numrique. Ce systme est dj utilis dans des salles de cinma par ce que l'on appelle des projecteurs numriques. Les films ne sont plus sur bandes, mais sur des supports d'informations numriques. Ce nouveau march est, comme celui de l'automobile, des plus prometteur.
Figure 1-7 : La technologie DLP de Texas Instrument
28
d) Applications Radio-Frquence (RF) Le march des tlcommunications motive les entreprises impliques dans les MEMS car il est souvent rentable court terme, mais il ne connat pas encore de succs industriel impliquant un MEMS. Les dveloppements dans ce domaine concernent notamment les capacits, les inductances, les transformateurs, les filtres [HECT99] [NGUY98] et les microrelais [LAFO01] [KRUG99]. Ces systmes ne comportent pas forcment de parties mcaniques, mais le terme de microsystmes s'largit de plus en plus et englobe aujourd'hui l'ensemble des systmes raliss partir de microtechnologies.
1.1.5 LOGICIELS DE CAO

Les MEMS appartiennent diffrents domaines : microlectronique, mcanique, lectrostatique Les outils de CAO utiliss lors de leur conception sont donc assez varis,
tel-00005359, version 1 - 16 Mar 2004
mais pas toujours bien adapts. a) Outils disponibles Les entreprises proposant des outils de CAO ddis aux MEMS sont peu nombreuses: Memscap [MEMS-net] et Intellisense [INTE-net] qui disposent aussi d'une fonderie, Coventor [COVE-net] et CFDRC [CFDR-net]. Aucun outil d'optimisation statistique du rendement paramtrique ne figure dans leurs offres. Concernant la partie microlectronique, elle est gnralement analogique et conue dans les environnements des socits Cadence ou Mentor Graphics. Concernant la partie purement mcanique, Ansys [ANSY-net] et Abaqus [ABAQ-net] sont utiliss lorsque l'on veut avoir recours aux lments finis. Pour des applications RF, Agilent [AGIL-net] est souvent l'environnement de conception et Ansoft [ANSO-net] fournit des outils (HFSS) pour les simulations lectromagntiques. Les concepteurs travaillant avec les MOEMS (Micro Opto Electro Mechanical Systems) utilisent habituellement CodeV [CODE-net] pour de gros systmes (rsolution de l'ordre d'une quinzaine de micromtres) assez simples en optique libre (faisceaux parallles un axe et sans guides d'ondes). Pour des MOEMS, des logiciels utilisant les mthodes BPM (Beam Propagation Method, intressant de 10 100 intressant de 1 10 cessaires, mais rendent les temps de simulation extrmement longs. Rsofts [RSOF-net], Optiwave [OPTI-net] et Alcatel Optronics [ALCA-net] fournissent de tels logiciels. Les solvers multi-physiques (co-simulation) sont donc critiques pour esprer un jour traiter ces diffrents aspects simultanment, mais de gros investissements sont ncessaires pour les dvelopper, ils sont donc peu nombreux et trs lourds utiliser [WACH99] [NAGL98].
29
b) Demande des concepteurs MEMS La plupart des outils ncessaires aux concepteurs MEMS existent, mais pas sous le mme 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 tant encore principalement du ressort de la R&D, la topologie de certaines structures peut tre complexe prvoir, d'o la ncessit de telles simulations permettant de prendre en compte diffrents types de gravures et de dpts. Il y a aussi bien sr les librairies de composants de base ou plus complexes, ainsi que des outils permettant, partir de la description (masques) d'un MEMS et de sa technologie, de gnrer la forme correspondante en 3D, afin de raliser une analyse en lments finis. Suite cette analyse, un outil de rduction pourra en tirer un modle comportemental, facile insrer dans une netlist et rapide simuler [Figure 1-8] [MOUL02] [LORE99]. Le concepteur a ainsi la possibilit de crer sa propre librairie de composants avec les modles comportementaux associs, et non de se contenter des lments rigides d'une librairie restreinte. Et enfin, on retrouve une demande pour des outils d'optimisation nominale et d'optimisation du rendement, trs importants du fait de la complexit des technologies MEMS et donc de leurs dispersions.
ADMS
Verilog-A
tel-00005359, version 1 - 16 Mar 2004
masque
structure 3D
modle lments finis
quations rduites
modle comportemental
Figure 1-8 : Des masques au modle comportemental
1.2 LE RENDEMENT 1.2.1 NOTIONS DE RENDEMENT

Le rendement peut tre valu diffrents stades de la fabrication dun produit. Il peut tre estim au niveau du projet : les rsultats sont-ils la hauteur de l'investissement ? Au niveau de la fabrication, ce sera le nombre dlments fonctionnant parmi ceux fabriqus (rendement de fabrication). On peut donc dfinir un nouveau rendement pour chaque grande tape de la vie dun produit, se basant sur diffrents critres. On sintresse ici lamlioration du rendement dit "paramtrique". Il s'agit de minimiser l'impact prvisible des
30
fluctuations de la technologie sur les performances du MEMS en jouant sur les dimensions des masques. On pourrait nommer ce dernier "rendement de conception", puisqu'il se situe en amont de la fabrication. a) Dfauts catastrophiques et paramtriques Pour une technologie bien tablie, les principaux dfauts faisant chuter le rendement de fabrication sont catastrophiques [Figure 1-9] ou paramtriques [JIAN99]. Dans le premier cas, le MEMS ne fonctionnera pas du tout : stiction, poussires [GUED90] ou cassures l'empcheront de bouger correctement. Ces dfauts sont associs au rendement dit fonctionnel.
tel-00005359, version 1 - 16 Mar 2004
Figure 1-9 : Phnomne de stiction entre un engrenage et une crmaillre Dans le second cas, le MEMS fonctionnera, mais en dehors des spcifications : la drive des paramtres technologiques rels par rapport aux valeurs utilises lors des simulations en phase de conception en est la cause. On parle ici de rendement paramtrique. b) Amlioration en amont de la fabrication Le rendement paramtrique est donc un sous ensemble du rendement de fabrication, et on s'attache l'optimiser ds la phase de conception des masques. Il ncessite une bonne connaissance de la technologie : connatre les dispersions des paramtres technologiques, ainsi que les ventuelles corrlations existant entre eux, d'o l'aspect statistique de l'optimisation du rendement paramtrique. On peut par la suite s'intresser l'optimisation de composants de base mais aussi des notions plus complexes telles que le placement-routage en vue d'amliorer le rendement [KORE00]. La Matrise Statistique des Procds (MSP ou Statistical Process Control) permet le suivi de lvolution de la valeur moyenne et de lcart type des paramtres technologiques
31
qui sont retranscrits sur des "cartes de contrle". Cela permet de suivre les dviations ventuelles de la technologie, mais aussi dobtenir les donnes statistiques qui seront utilises ultrieurement lors de loptimisation paramtrique du rendement pour les MEMS en cours de conception [MICR99], ou pour retoucher les masques existant. c) Amlioration en ligne Si lon dispose des capteurs et des mthodes de mesure adquats, on peut utiliser la MSP en "temps rel" et modifier certains paramtres de commande pour limiter les drives de la technologie. L'APC (Advanced Process Control) est le terme qui recouvre l'ensemble des mthodes de la boucle : mesures traitement des donnes modification ventuelle des variables de commande de l'quipement de fabrication. Dans le secteur de la microlectronique, le nombre de paramtres prendre en considration a acclr l'automatisation du processus et le passage de la MSP l'APC. L'informatique permet de
tel-00005359, version 1 - 16 Mar 2004
considrer les cartes de contrle dans leur ensemble malgr leur nombre, et de raliser des analyses multivariables. On peut ainsi mettre en vidence des corrlations entre paramtres et mieux interprter l'ensemble des mesures. Un autre terme anglais, run by run control, est aussi utilis pour ce type de mthodes [GOOD97] [MOYN95]. On peut aller encore plus loin dans cette voie : la Matrise Globale des Processus (MGP ou Global Process Control) [MICH00]. La simple tude des cartes de contrle ne permet pas toujours d'tablir de relation de cause effet entre les variations des paramtres mesurs et l'ventuelle survenue d'une anomalie sur l'un d'entre eux. On dfinit donc des indicateurs o l'on tient compte de diffrents paramtres. Ces derniers sont mme de dceler une anomalie non visible sur une seule carte de contrle. Chaque nouveau type d'anomalie dtecte voit ainsi sa signature enregistre. Lorsqu'en cours de fabrication, la signature d'une anomalie est reconnue, on peut dcider d'agir sur les commandes avant de sortir des spcifications, d'arrter compltement la chane ou de continuer la production, chaque anomalie n'ayant pas la mme importance ni le mme impact en terme de cot. La qualit des matriels, des quipements et de la salle blanche est prpondrante pour rduire le nombre de dfauts catastrophiques et l'importance des dfauts paramtriques, mais se focaliser sur ces facteurs est la fois trs onreux et insuffisant. On comprend aisment que le problme du rendement paramtrique doit tre pris en considration le plus tt possible pour limiter les interventions en cours de production, qui sont beaucoup plus complexes et onreuses.
32
1.2.2 RENDEMENT ET CAO MICROELECTRONIQUE

Depuis les dbuts de la CAO pour les MEMS, on s'attache reproduire le flot de conception tel qu'il existe en microlectronique analogique classique. Une phase doptimisation nominale est souvent ncessaire en prlude la phase doptimisation du rendement, dite statistique. La monte en puissance des microprocesseurs permet l'utilisation, autrefois impossible, d'algorithmes requrant de nombreuses simulations [KELT01]. a) Optimisation nominale La plupart des logiciels de conception comporte au moins un algorithme doptimisation nominale [BLAN99] (Agilent Technologies en propose onze !). Le concepteur devra avoir des connaissances en optimisation pour choisir lalgorithme en fonction de son problme. Loptimisation statistique tant trs fine et gourmande en nombre de simulations, il est important davoir de bonnes conditions initiales, cest dire que les valeurs initiales des paramtres du circuit assurent dj des performances intressantes (par exemple une frquence de rsonance) [Figure 1-10].
gabarit hors spcifications spcifications respectes gabarit
tel-00005359, version 1 - 16 Mar 2004
f
9 kHz 11 kHz 9 kHz 11 kHz
Figure 1-10 : Loptimisation nominale : ajuster les performances dun systme Gnralement, les concepteurs de circuits savent quels sont les paramtres critiques sur lesquels jouer. Mais quand ils ont affaire un nouveau type de circuit comportant de nombreuses valeurs optimiser, loptimisation nominale peut tre intressante, et cest le cas pour les MEMS. Les algorithmes sont trs nombreux et varis dans ce domaine [GILB97] [POLA97] [GILL81] : mthodes de type Newton ou quasi-Newton, gradient conjugu, descente de gradient, mthode des rgions de confiance, mthode des points intrieurs, algorithmes gntiques [KIRK99] b) Optimisation du rendement Lintrt pour les outils de DFM (Design For Manufacturability) va grandissant [FINK99]. La socit Cadence propose un module doptimisation statistique du rendement paramtrique depuis juillet 2002 (Circuit Surfer) [CIRC-net] [GUAR00] [CHEW98]. Le module
33
de Mentor Graphics (Aspire) est plus ancien [ASPI-net] [DEAL97]; lorigine, ASPIRE tait un projet de ST-Microelectronics, pris en charge par Anacad. Mais lutilisation en tait trop lourde et il nest plus dvelopp depuis 1996 car trs peu vendu. Cela met laccent sur limportance de la facilit dutilisation dun produit : mme si celui-ci est critique, son utilisation ne dpendra que du bon vouloir des concepteurs. Il est donc important de le rendre attractif : par son interface videmment, mais aussi dans la mesure du possible en proposant une saisie du problme qui limite les connaissances requises en mathmatique, en optimisation ou en statistique, du concepteur. Dans le cadre des circuits discrets ou intgrs, on peut chercher rduire directement les tolrances, mais cela concerne le technologue et non le concepteur de MEMS. La finalit de ces outils est non seulement damliorer le rendement mais aussi d'aller plus loin en amliorant la robustesse des produits, cest pourquoi on parle parfois daller au-
tel-00005359, version 1 - 16 Mar 2004
del dun rendement de 100%. Suite l'optimisation nominale, les spcifications semblent respectes. Mais si l'on considre l'incertitude qu'il existe sur les paramtres technologiques, une analyse de Monte-Carlo peut rvler rapidement que de nombreux MEMS sont hors spcifications et font chuter le rendement [Figure 1-11] ("SB et SH" sont utiliss pour "spcifications basses et hautes"). L'optimisation statistique nous permettra d'amliorer ce rendement et si possible d'augmenter la robustesse des MEMS en minimisant la variabilit des performances intressantes et en loignant leurs valeurs moyennes des valeurs limites [MUCH02]. Cela permet de rduire l'importance des dfauts paramtriques qui surviennent parfois dans une chane de fabrication sans que la source en soit aisment dcelable. Si les MEMS sont conus de manire robuste, il sera peut tre possible de traiter le problme sans arrter la production et donc sans perte financire. Cela permet aussi d'esprer un fonctionnement normal malgr des variations des variables environnementales (temprature, tension d'alimentation) plus importantes que spcifies.
34
Nb de MEMS
Perte de rendement
100% de rendement
dessin centr
tel-00005359, version 1 - 16 Mar 2004
bonne robustesse
B
performance
Figure 1-11 : Amlioration du rendement et de la robustesse
1.2.3 RENDEMENT ET INDUSTRIE

La qualit et le rendement sont trs lis au sein d'une entreprise [COME00]. Les mthodes parfois employes dans des algorithmes trouvent leur pendant dans le domaine du management. On parle souvent de l'approche de Taguchi [PILL01] ou de la mthode des identifier, en un minimum d'expriences (ou simulations), les paramtres critiques d'un processus de fabrication ou de tout autre processus (organisation hirarchique d'un service), et de l'optimiser [UNAL91]. La comptitivit et le fort rendement de l'industrie japonaise dans les annes 60 et 70, en regard l'industrie occidentale, est due l'utilisation de telles mthodes, favorisant l'amlioration des produits ou processus en se basant sur l'exprience des personnels impliqus autant que sur des essais en production o le processus est considr comme une boite noire dont on dsire amliorer le fonctionnement moindre cot. L'approche occidentale a longtemps t moins empirique, et beaucoup plus d'efforts taient consacrs en premier plan la comprhension des phnomnes pour amliorer le rendement. Mais pour faire face la prise de parts de march de plus en plus importante de l'industrie japonaise au cours des annes 70, les Etats Unis ont du revoir leur approche de la Qualit. Pendant les annes 80, ils se convertissent l'approche japonaise; dans les annes 90, c'est l' Europe qui suit le mme chemin.
35
La mthode des 6 est aussi un outil utilis dans une approche Qualit Totale, dont le but est la matrise des dispersions [Figure 1-12] afin d'accrotre les performances financires. Elle a t dfinie en 1985 par Motorola, et de plus en plus de grandes entreprises s'y rallient (General Electric, Nokia, Sony, Polaroid, Toshiba, Ford Motor) [LURE]. Elle consiste essentiellement rduire suffisamment les tolrances des procds de fabrication pour que toutes les pices fabriques soient dans les spcifications.
Nb de MEMS
tel-00005359, version 1 - 16 Mar 2004
procd
Figure 1-12 : Faible dispersion d'un procd de fabrication On estime que le cot de la non-qualit (produits hors spcifications) atteint 15 30% du chiffre d'affaire des entreprises. L'atteinte du 6 permettrait de rduire ce cot moins de 10%.
Nous avons vu dans ce chapitre que les microsystmes requirent une technologie complexe mais que certaines applications en sont dj au stade industriel. Les outils de CAO, et notamment ceux d'optimisation du rendement, sont absolument ncessaires au bon dveloppement de cette nouvelle branche du march des semiconducteurs, tout comme ce fut le cas pour les circuits intgrs.
36
REFERENCES
[ABAQ-net] [AD-net] [AGIL-net] [ALCA-net] [ANSO-net] [ANSY-net] [ASPI-net]
http://www.aceng.com/ http://www.analog.com/technology/mems/ http://eesof.tm.agilent.com/docs/adsdoc2002C/optstat/index.html http://www.alcatel.com/telecom/optronics/include/index.html http://www.ansoft.com/products/hf/hfss/ http://www.ansys.com/ansys/mems/ http://www.mentor.com/ams/dfm.html#aspire J.P.Blanc et al., "Automatic evaluation of sensors geometrical parameters", Part of the symposium on Design, Test, and microfabrication of MEMS and MOEMS, March 1999, Paris, SPIE Vol. 3680, pp 94-102. http://www.cfdrc.com/datab/Applications/MEMS/mems.html Edward Keat Leem Chan, "Characterization and modeling of electrostatically actuated polysilicon micromechanical devices", Th. : Elec. : Stanford University : 1999 : 195 p. Marko Chew, Sharad Saxena, Thomas F. Cobourn, P.K. Mozumder, Andrzej J. Strojwas, "A new methodology for concurrent technology development and cell library optimization", 12th International Conference on VLSI Design "VLSI for the Information Appliance" IEEE, Janvier 1999, Goa, India 1998. http://www.pdf.com/services_tech.phtml et http://www.cadence.com/company/pr/031301_PDF.html http://www.opticalres.com/cv/cvprodds.html A.R. Comeau, "Mixed-signal yield improvement, the human factor", journal : 12me dition de Semiconductor Fabtech, Juillet 2000, 303 p. Disponible sur http://www.fabtech.org/journals/edition.12/section2.shtml. http://www.coventor.com/ M. De Almeida et al., "A statistical method for the analysis of CMOS process fluctuations on dynamic performance", Proceedings IEEE 1997, International Conference on Microelectronic Test Structures, Vol. 10, Monterey, U.S.A.. S. Finkbeiner et al., "Simulation of nonideal behaviour in integrated piezoresistive silicon pressure sensor", Part of the symposium on Design, Test, and microfabrication of MEMS and MOEMS, March 1999, Paris, SPIE Vol. 3680, pp 188-199.
tel-00005359, version 1 - 16 Mar 2004
[BLAN99] [CFDR-net] [CHAN99]
[CHEW98]
[CIRC-net] [CODE-net] [COME00] [COVE-net] [DEAL97]
[FINK99]
37
[GADE01]
Mohamed Gad-El-Hak, "The Mems Handbook", septembre 2001, CRC Press, 928 p. J.C. Gilbert, J.F. Bonnans, C. Lemarchal et C.A. Sagastizbal, "Optimisation Numrique: Aspects Thoriques et Pratiques'', Ed. Springer, 1997. P.E. Gill, W. Murray and M.H. Wright, "Practical Optimization", Academic Press, Londres, 1981. Brian Goodlin, "Run by Run control of endpoint uniformity in a plasma etching process", Th. proposal : Elec. : Massachusetts Institute of Technology : 1997 : 24 p. C. Guardini et al., "An asymptotically constant, linearly bounded methodology for the statistical simulation of analog circuits including component mismatch effects", DAC 2000, Los Angeles, California. David Guedj, "Validation d'un modle de rendement. Application l'optimisation du dessin de circuits intgrs", Th. : Elec. : Universit de Paris Sud, Centre d'Orsay : 1990 : 228 p. Raj K. Gupta, "Electrostatic pull-in test structure design for in-situ mechanical property measurement of microelectromechanical systems (MEMS)", Th. : Elec. : Massachusetts Institute of Technology : 1997 : 68 p. Hctor J. De Los Santos, "Introduction to electromechanical microwave systems", Artech House, 1999, 215 p. http://www.hp.com/oeminkjet/evaluate/index.htm http://www.intellisense.com/home.asp T. Jiang, C. Kellon and R.D. Blanton, "Inductive Fault Analysis of a Microresonator", Technical Proceedings of the 1999 International Conference on Modeling and Simulation of Microsystems, San Juan, Puerto Rico, pp. 498 501 P.T. Jones, G.C. Johnson, R.T. Howe, "Statistical characterization of fracture of brittle MEMS Material", SPIE Vol. 3880, September 1999, Santa Clara, California, Part of the SPIE Conference on MEMS Reliability for Critical and Space Applications, pp 20-29. W.D. Kelton, "Some modest proposals for simulation software: design and analysis of experiments", Proceedings of the 34th Annual Simulation Symposium (part of the Advanced Simulation Technologies Conference), Seattle, 2001, 6 p. G.A. Kirkos et al. "MEMS optimization incorporating genetic algorithms", Part of the symposium on Design, Test, and microfabrication of MEMS and MOEMS, March 1999, Paris, SPIE Vol. 3680, pp 84-93.
[GILB97]
[GILL81]
[GOOD97]
[GUAR00]
tel-00005359, version 1 - 16 Mar 2004
[GUED90]
[GUPT97]
[HECT99] [HP-net] [INTE-net]
[JIAN99]
[JONE99]
[KELT01]
[KIRK99]
38
[KORE00]
I. Koren, "Should yield be a Design objective ?", First International Symposium on Quality of Electronic Design, IEEE, March 2000, San Jose, California, pp. 115-120. Ezekiel John Joseph Kruglick, "Microrelay design, performance, and systems", Th. : Elec. : University of California, Berkeley : 1999 : 219 p. Xavier Lafontan, "Application des micro-technologies aux composants de commutation lectrique : tudes et performances de micro-relais", Th. : Elec. : Universit de Montpellier II : 2001 : 203 p. Laurent Latorre, "Evaluation des techniques microlectroniques contribuant la ralisation de microsystmes : application la mesure du champ magntique", Th. : Elec. : Universit Montpellier II : 1999 : 138 p. G. Lorenz, R. Neul and S. Dickmann, "Modeling of electrostatic MEMS components", Technical Proceedings of the 1999 International Conference on Modeling and Simulation of Microsystems, San Juan, pp.128-131. Sminaire LURE (Laboratoire pour lUtilisation du Rayonnement Electromagntique), "Le dploiement de la politique qualit groupe", disponible sur : http://www.lure.u-psud.fr/Seminaires/documents/Framatome/lure6.pdf Marc J. Madou, "Fundamentals of Microfabrication: The Science of Miniaturization", 2nd dition (avril 2002) CRC Press, 608 p. C.H. Mastrangelo, "Suppression of stiction in MEMS," invited paper, 1999 Spring MRS Meeting, Boston. F.P. McCluskey, M. Pecht, "Rapid reliability assessment using CADMAP-II", proceedings of Modeling and Simulation of Micosystems 1999, San Juan, USA, disponible sur http://www.cr.org. http://www.memscap.com Daniel Lafaye de Micheaux, "Prolonger la MSP par la matrise globale d processus", revue "Qualit Rfrences", juillet 2000, pp. 47-55. F. Bergeret, Y. Chandon, "Improving Yield in IC manufacturing by statistical analysis of a large database", revue "Micro", mars 1999, pp. 59-75. D. Moulinier, P. Nachtergaele, M-P. Brutails, S. Bergeon, S. Maza, Ch. Hui Bon Hoa, "Efficient MEMS design methodology integrating finite elements based macro models into a nodal approach MEMS component design tool", Proceedings of Design, Test, Integration and Packaging of MEMS/MOEMS : DTIP 2002, Cannes, 9 p. Wiliam P. Moyne, " Run by Run control: interfaces, implementation, and integration", MS Th. : Elec. : Massachusetts Institute of Technology : 1995 : 87 p.
[KRUG99]
[LAFO01]
[LATO99]
[LORE99]
tel-00005359, version 1 - 16 Mar 2004
[LURE]
[MADO02] [MAST99]
[MCCL99] [MEMS-net] [MICH00] [MICR99]
[MOUL02]
[MOYN95]
39
[MUCH02]
J. Muchow et al., "Influence of process variation on the functionality of a high pressure sensor", Design, Test, and microfabrication of MEMS/MOEMS 2002, Proceedings of SPIE Vol. 4755, pp 143-148. N. Deb, S. V. Iyer, T. Mukherjee and R.D.S. Blanton, "MEMS Resonator Synthesis for Testability'', Symposium on Design, Test, and Microfabrication of MEMS/MOEMS 1999, Paris, pp. 58-69. MUMPsTM Design Handbook, version 7.0, disponible sur http://www.memsrus.com. O. Nagler, M. Trost, B. Hillerich and F. Kozlowski, "Efficient design and optimization of MEMS by integrating commercial simulation tools", Sensors and Actuators A: Physical, Volume 66, Issues 1-3, 1 April 1998, pp. 15-20. H. Nathanson et al.,"The Resonant Gate Transistor", Mar. 1967, Transactions on Electron Devices, vol. ED-14 No. 3, IEEE, pp. 117-133. C.T.-C.Nguyen, "Micromachining technologies for miniaturized communication devices", SPIE conference on Micromachined Devices and Components IV, 1998, Santa Clara U.S.A., pp. 24-38. http://www.optiwave.com/ Philippe Pelegri, "Microsystmes et micropompes", rapport de stage-DESS ralis au CNES-Toulouse en 1998. Maurice Pillet, "Les plans d'expriences par la mthode Taguchi", 3e tirage 2001, Paris : Ed. d'Organisation, 330 p. E. Polak, "Optimization : Algorithms and Consistent Approximations", Springer, New York, 1997 VI, 779 p. http://www.rsoftinc.com/products.htm Susan M. Sanchez, "Robust design: seeking the best of all possible worlds", Proceedings of the 2000 Winter Simulation Conference, ed. J.A. Joines et al., pp. 69-76. http://www.mdl.sandia.gov/ http://www.dlp.com R. Unal, E. B. Dean, "Design for cost and quality: the robust design approach", Journal of Parametrics, Vol. XI, No. 1, aot 1991. Gerhard Wachutka, "The art of modeling coupled field effects in microdevices and microsystems", proceedings of Modeling and Simulation of Micosystems 1999, San Juan, U.S.A., disponible sur http://www.cr.org. Gang Zhang, "Design and simulation of a CMOS-MEMS accelerometer", MS Th. : Elec. : Tsinghua University : 1998 : 39 p.
[MUKH99]
[MUMP]
[NAGL98]
[NATH67]
tel-00005359, version 1 - 16 Mar 2004
[NGUY98] [OPTI-net] [PELE98] [PILL01] [POLA97] [RSOF-net] [SANC00] [SAND-net] [TI-net] [UNAL91]
[WACH99]
[ZHAN98]
40
tel-00005359, version 1 - 16 Mar 2004
Chapitre 2 OPTIMISATION STATISTIQUE DU RENDEMENT PARAMETRIQUE
tel-00005359, version 1 - 16 Mar 2004
Chapitre 2 : Optimisation statistique du rendement paramtrique
2. OPTIMISATION STATISTIQUE DU RENDEMENT PARAMETRIQUE
Ce chapitre entre dans le vif du sujet : aprs avoir repositionn les donnes du problme (performances, paramtres impliqus, flot doptimisation), nous faisons un tat de lart des mthodes classiques destimation et doptimisation du rendement. Nous donnons notamment des notions lmentaires pour manipuler bon escient des plans d'expriences simples.
2.1 RENDEMENT : DEFINITIONS

Tous les paramtres technologiques sont sujets des fluctuations. Pour cette raison,
tel-00005359, version 1 - 16 Mar 2004
on leur confre un aspect statistique (valeur moyenne et dispersion dans le cas dune reprsentation gaussienne). Il faut viter que ces variations inopines puissent faire sortir un MEMS des spcifications qui lui sont imposes. Ces fautes sont lies au rendement dit paramtrique :
rendement paramtrique =
nombre de MEMS fonctionnant dans les spcifications nombre de MEMS fonctionnant fabriqus
alors que les dfauts catastrophiques entranent une chute du rendement fonctionnel :
rendement fonctionnel =
nombre de MEMS fonctionnant nombre de MEMS fabriqus
Par la suite, nous parlerons simplement de "rendement" pour rendement paramtrique. Par ailleurs, nous utiliserons souvent le terme rponse dans le sens de performance du MEMS, et nous parlerons indiffremment de rduction de la dispersion, de l'cart type, de la variabilit ou de la variance, implicitement en rfrence une performance.
2.1.1 LES PERFORMANCES CIBLEES

Elles peuvent se prsenter sous diffrentes formes : courbes cibles (targets), limites maximum ou minimum ("spcifications"), gabarit formant une enveloppe, fonction mathmatique Dans tous les cas, pour faciliter le processus d'optimisation, il est important de rduire ces contraintes au strict minimum. Dans le cas des limites, cela revient par exemple en limiter le nombre ou les fixer le plus largement possible dans un premier temps.
43
a) Courbes cibles Il s'agit d'indiquer l'allure idale que devrait suivre la courbe retraant la rponse d'un MEMS, par exemple lors d'une analyse AC [Figure 2-1]. La cible peut tre dfinie par morceaux.
cible : Gain simulation cible
tel-00005359, version 1 - 16 Mar 2004
f
Figure 2-1 : Analyse AC d'un MEMS et sa courbe cible associe b) Limites et gabarits Comme nous avons pu dterminer un but vers lequel tendre, nous pouvons dterminer des zones dangereuses viter : les limitations suprieures et infrieures [Figure 2-2]. Lorsque les deux types de limite sont considrs pour un mme point de la rponse du systme, ils dlimitent un gabarit.
Gain simulation limites gabarit
f
Figure 2-2 : Analyse AC d'un MEMS et limites associes c) Fonctions mathmatiques Dans les cas prcdents, nous considrions des vecteurs. Mais nous pouvons aussi considrer des scalaires tels qu'une frquence de rsonance, un dplacement maximal, une bande passante, etc. On traite le vecteur (rsultat de l'analyse dsire) pour en extraire l'information scalaire qui nous intresse. Pour cela, on utilise des fonctions mathmatiques de type min(), max() ou 20*log(), mais on peut en imaginer de plus complexes.
44
2.1.2 LE FLOT DOPTIMISATION

L'optimisation du rendement s'inscrit dans un flot global [Figure 2-3] qui regroupe diffrentes techniques. Suivant la qualit du circuit initial, les plus rudimentaires ne seront pas utilises. Si le concepteur a affaire un circuit auquel il n'est pas familier, il peut avoir recours une analyse de sensibilit. Cette dernire lui donnera une information quant la criticit des paramtres. Les paramtres sensibles tant identifis, une analyse paramtrique permettra d'approcher des valeurs optimales. Si le nombre de paramtres est lev, on peut souhaiter utiliser une optimisation nominale qui automatise cette dmarche. Enfin, ce n'est qu'en dernier lieu, une fois que les conditions initiales sont bonnes, que l'on fait appel l'optimisation statistique.
Dessin initial
tel-00005359, version 1 - 16 Mar 2004
1 Analyse de sensibilit Analyse 2 Analyse paramtrique 3 Optimisation nominale Optimisation 4 Optimisation statistique
Figure 2-3 : Flot doptimisation des performances dun MEMS
2.2 DIFFERENTES SORTES DE PARAMETRES

Les paramtres de conception prsents dans les netlists se regroupent en 3 types : les paramtres de dessin, les paramtres technologiques et enfin les paramtres mixtes, qui possdent les deux aspects.
2.2.1 PARAMETRES DE DESSIN

Prenons l'exemple d'un MEMS classique : une structure compose de 2 peignes lectrostatiques et d'une masse, supporte par des poutres faisant office de ressorts [Figure 2-4]. Cette structure est souvent utilise comme filtre ou rsonateur. Concernant la partie mcanique, la frquence de rsonance propre est notamment fonction de ses dimensions gomtriques. La partie lectrostatique, elle, sert actionner la structure et capter l'amplitude de son dplacement.
45
Figure 2-4 : Structure peignes lectrostatiques Les paramtres de dessin (ou "de conception") sont ceux sur lesquels le concepteur peut jouer pendant la phase d'optimisation : le nombre de doigts des peignes, le nombre de spires des ressorts, les dimensions gomtriques
2.2.2 PARAMETRES TECHNOLOGIQUES
tel-00005359, version 1 - 16 Mar 2004
Ils sont parfois appels paramtres de bruit, et on leur attache un aspect statistique. C'est le cas par exemple du module d'Young, qui intervient dans l'estimation des dplacements de toutes les parties mcaniques des MEMS, notamment dans le calcul des constantes de raideur des ressorts. La rsistivit, la densit des matriaux, l'paisseur des diffrentes couches de la technologie sont autant de paramtres sur lequel le concepteur ne peut intervenir. En revanche, pour une optimisation statistique, il est ncessaire que le fondeur puisse fournir leur dispersion. Cela peut tre problmatique, car il s'agit de donnes trs sensibles pour ce dernier.
2.2.3 PARAMETRES MIXTES

Les paramtres les plus nombreux sont mixtes. Ce sont des paramtres de dessin, mais qui possdent un aspect statistique qui en fait aussi des paramtres de bruit [Figure 2-5]. Il s 'agit tout simplement de toutes les dimensions gomtriques d'une structure qui peuvent apparatre sous forme de paramtres dans la netlist : largeur d'une piste, longueur d'une poutre
dessin bruit
dessin
bruit
Figure 2-5 : La largeur dune piste est un paramtre mixte
46
L'ensemble des paramtres tant dfinis, on peut normaliser la notation que l'on utilisera par la suite. Le concepteur dsire manipuler k paramtres de dessin au cours de l'optimisation, nots xi et reprsents par le vecteur x = [x1 , x 2 ,..., x k ] . De mme il existe un
vecteur correspondant aux variables alatoires attribues chaque paramtre de bruit
= 1 , 2 ,..., j
, ainsi qu'un vecteur reprsentant les performances obtenues aprs
simulation du microsystme : y = [y1 , y 2 ,..., y l ] . P reprsente le vecteur des paramtres

T
modifis dans la netlist, on a donc P = P ( x, ) . Le schma global est reprsent sur la Figure 2-6.
Facteurs de bruit (extrieur et intrieur)
= 1 , 2 ,..., j
tel-00005359, version 1 - 16 Mar 2004
Entres
Systme
Rponses
P = P ( x, )
x = [x1 , x 2 ,..., x k ]
y = [y1 , y 2 ,..., y l ]
Facteurs de dessin
Figure 2-6 : Reprsentation des variables, donnes de loptimisation Certains paramtres "extrieurs" considrs comme des variables environnementales (bruit extrieur) tels que la tension dalimentation peuvent tre traits comme des paramtres mixtes, et la temprature comme un paramtre technologique [POTT01].
2.2.4 PARAMETRES ET ESPACES VECTORIELS

Le problme pos par l'optimisation statistique est souvent considr d'un point de vue vectoriel. Soit un espace vectoriel dont la base est l'ensemble des paramtres considrs pour l'estimation ou l'optimisation du rendement. On nomme Rgion de Tolrance (Rt) la zone de cet espace forme par l'ensemble des valeurs que pourraient prendre ces paramtres compte tenu de leur dispersion [Figure 2-7].
47
P1
Rt
P2
Figure 2-7 : Rgion de Tolrance (Rt) Une deuxime zone de cet espace est remarquable : la Rgion d'Acceptabilit (Ra). Cette dernire est a priori initialement inconnue : c'est la zone o les paramtres ont des valeurs qui permettent au microsystme de respecter les spcifications imposes [Figure 2-8].
tel-00005359, version 1 - 16 Mar 2004
P1
Rt Ra
P2
Figure 2-8 : Rgion dAcceptabilit (Ra) Optimiser le rendement revient finalement jouer uniquement sur les paramtres de dessin pour dplacer Rt et tendre vers un point o le recouvrement de Rt par Ra est plus important, voire total [Figure 2-9], ce qui signifie que tous les points de la rgion de tolrance sont de bonnes solutions pour respecter les spcifications.
S1 G simulations S2 P
Rt M1
Ra M2
P2
Figure 2-9 : Recouvrement de Ra et Rt pour un MEMS dans les spcifications Par contre, dans un processus destimation, on cherche seulement dterminer lampleur de ce recouvrement. Lorsque ce dernier est partiel et que les dispersions des paramtres de bruit ne sont pas uniformes, le pourcentage de la surface recouverte nest
48
pas directement limage du rendement : il faut dcouper cette surface et pondrer ses composantes en faisant intervenir des coefficients pour les paramtres dont les distributions ne sont pas uniformes.
2.3 ESTIMATION DU RENDEMENT

Les mthodes d'estimation du rendement sont trs nombreuses, et chacune peut comporter plusieurs variantes. Elles peuvent tre classes suivant de nombreux critres. L'estimation du rendement revient raliser une analyse statistique d'un MEMS. Gnralement, une variante de l'analyse de Monte-Carlo est utilise en adquation avec la mthode choisie. Nous classons les mthodes destimation du rendement en 3 branches principales [Figure 2-10]. Estimation du rendement
tel-00005359, version 1 - 16 Mar 2004
Mthodes dterministes
Mthodes d'chantillonnages
chantillonnage statistique : analyses de Monte-Carlo
mthodes bases sur la recherche de Ra
Figure 2-10 : Les diffrents types de mthodes destimation du rendement
2.3.1 METHODES DETERMINISTES

L'approche dterministe utilise des mthodes gnralement rapides pour estimer les variations dans les fonctions dcrivant une performance (fonctions de performances) [ZEBB96]. Ses inconvnients dans notre cas sont de taille : le nombre de paramtres doit tre faible et Ra doit tre connexe et sans "trous noirs" (volumes cerns par Ra mais ne lui appartenant pas). Dans la littrature, on considre que cinq ou six paramtres reste un nombre acceptable. Au-del, le nombre de simulations ncessaires semble tre prohibitif, il n'est toutefois pas donn dans les publications. Mais nous dsirons pouvoir traiter un grand nombre de paramtres, et ne faire aucune hypothse sur la rgion d'acceptabilit Ra. Nous nous carterons donc de cette voie. Notons tout de mme que la mthode la plus cite dans la littrature est la mthode des moments [ZEBB96] [BRAH84]. Elle est base sur les formules de transmission des moments, qui dcoulent d'un dveloppement en srie de Taylor de la fonction de performance.
49
2.3.2 ECHANTILLONNAGE STATISTIQUE

La mthode de Monte-Carlo a fait l'objet de multiples publications, mais sa dfinition reste imprcise dans la littrature car le mme mot est utilis pour diffrentes variantes et implmentations dans diffrents domaines (mathmatiques, physique, informatique). En informatique, elle comprend tout ce qui a trait l'utilisation de squences pseudo-alatoires, utilises pour rsoudre les problmes numriques qualifis de dterministes tels que calcul d'intgrales, rsolution de systmes, d'quations diffrentielles ou d'optimisation. Il existe bien sr des mthodes numriques dterministes ddies ces problmes, mais leur complexit est fonction du nombre de paramtres. Une mthode de Monte-Carlo s'appliquera un problme sans contraintes sur le nombre de paramtres concerns par l'optimisation, ni mme sur leur distribution ou sur Ra. Ce sont ses grands avantages sur les autres mthodes, nous les verrons par la suite. La perte se trouve dans la prcision de la solution, mais peut tre rduite en augmentant le nombre de simulations tolr, donc le temps de rsolution du problme. Monte-Carlo se retrouve dans presque toutes les mthodes d'estimation ou d'optimisation du rendement : soit c'est la base de l'algorithme, soit on y a recours dans des routines annexes. a) Les lois de probabilit Les paramtres de bruit sont susceptibles de suivre diffrentes lois de probabilit : la loi de poisson, la loi normale (de forme gaussienne), etc. Dans notre tude, nous nous limiterons ce cas le plus gnral. De mme, nous considrons que les performances des MEMS suivent aussi une telle loi. La densit de probabilit de la loi normale est
tel-00005359, version 1 - 16 Mar 2004
f ( x) =
1 2
1 x 2
(qu. 2-1)
o est la valeur moyenne de la distribution et
son cart type (ou "dviation standard"). On peut intgrer cette quation pour connatre la probabilit de tomber dans un intervalle donn [Figure 2-11]. L'intgrale d'une densit de probabilit sur un intervalle donne la probabilit que la variable alatoire dont elle dcrit la distribution prenne une valeur de cet intervalle. Sur l'intervalle [ ,+ ], elle est donc gale 1. La fonction de rpartition F(x) est l'intgrale de la densit de probabilit sur [ , x ].
50
x 0 f(x)
Figure 2-11 : Lintgrale dune gaussienne sur lintervalle lintgrale sur [+ , ]
reprsente 95,4% de
Le Tableau 2-1 donne la probabilit que cette variable prenne une valeur de l'intervalle
n . Elle est obtenue par lintgrale de f(x) dans cet intervalle.

tel-00005359, version 1 - 16 Mar 2004
n valeur de l'intgrale sur -n ] (en %) 0 0 0,5 38 1 69 1,5 87 2 95,5 2,5 98,8 3 99,73
Tableau 2-1 : Valeur de l'intgrale en fonction de lintervalle considr b) Interprtation de l'analyse de Monte-Carlo Certaines mthodes de type Monte-Carlo ont pour but de contrler (rduire) la variance de l'estimateur de Monte-Carlo. Il ne s'agit pas de la variance de la performance du MEMS (que l'on souhaite aussi rduire), mais celle qui retrace l'incertitude du rendement estim en regard du rendement rel. Les plus communes sont les mthodes d'chantillonnage stratifi ou pondr [KERAa98], les carrs latins (LHS) [KERA97]. Mais pour obtenir une rduction de variance intressante vis--vis de l'chantillonnage primitif, il faut faire des hypothses sur certains caractres de la performance vise, ce qui revient considrer que le concepteur ait dj une bonne connaissance de son circuit et des mthodes de type MonteCarlo, puisqu'il doit tre capable de choisir la plus efficace dans son cas. Evidemment, on ne peut demander un concepteur de choisir quelle mthode statistique est la mieux adapte au MEMS qu'il met au point, le domaine ne compte pas encore assez d'experts pour rendre un tel outil intressant. Pour le choix de l'algorithme d'optimisation, comme pour le choix de l'analyse de Monte-Carlo, nous avons donc dcid d'opter pour des mthodes non optimises pour un problme donn, mais trs robustes quelle que soit la situation. C'est donc l'chantillonnage primitif (PMC) que nous avons retenu, o l'estimateur de Monte-Carlo s'crit :
51
Y PMC ( x ) =
1 N
I ( i , x ) et sa variance est y =
i =1
(1 Y ) Y N
(qu. 2-2 )
o I est une
fonction indicatrice telle que: I p ( P ) =
1 si les spcifications sont respectes 0 si les spcifications sont violes
est le et N est le nombre d'chantillons, c'est dire de simulations dans notre cas. Y
rendement estim. Des travaux plus pousss ont t mens pour amliorer ces mthodes d'estimation [KERAa98], mais nous n'avons pu implmenter et tester ces versions faute de temps. La variance de l'estimateur dcrot avec l'augmentation du nombre d'chantillons. Il
, N, la existe des tables couramment utilises avec la mthode de Monte-Carlo qui lient Y
marge d'erreur et le niveau de confiance (en France, on utilise son complment, le "seuil de
tel-00005359, version 1 - 16 Mar 2004
signification"). La marge d'erreur est l'erreur d'estimation que l'on est prt accepter ou contrler, cision, parce que nous ne pouvons pas assurer que tous les chantillons de la population auront la mme erreur. Pour contrler la prcision de lestimation, nous devons aussi contrler son niveau de confiance, c'est dire fixer la probabilit que la marge d'erreur soit effectivement
n y + n y infrieure z%. On dfinit ce niveau de confiance par l'intgrale sur y ,y de la

densit de probabilit de la loi normale (qu. 2-1) en effectuant les changements de variable appropris [DUBO87]. Soit C le niveau de confiance exprim en nombre de dviations standards (pour
et effectuer cette correspondance, on peut se rfrer au Tableau 2-1). Il est alors li N, Y

2 C ) , ou encore = C Y (1 Y ) . Ainsi l'erreur faite sur l'estimation par : N = Y (1 Y N
d'un rendement 80% ralise en 1600 simulations, pour un niveau de confiance de 95,4% (+/-2 dans le Tableau 2-1) est de +/- 2%. Cela signifie quil y a 95,4% de chance de vrifier
(1 ) < Y < y (1 + ) soit 78,4 < Y < 81,6 . lingalit : y

Des abaques [Figure 2-12] sont couramment utilises et peuvent tre implmentes sous forme de tableau [Tableau 2-2] pour fournir lutilisateur dun logiciel toutes les donnes relatives lestimation demande.
52
rendement estim 100 90 80 70 60 50 40 30 20 10

10 20 50 100 200 500 1000 2000 5000
tel-00005359, version 1 - 16 Mar 2004
10
20 30 40
50
60 70 80
90 100 rendement rel
Figure 2-12 : Abaque du rendement rel en fonction du rendement estim et du nombre de simulations considr
Niveau de Confiance : 95% Rendement Rel : 80% Rendement estim (%) +/- % 1 2 3 4 5 6 7 8 9 10 Min 79 78 77 76 75 74 73 72 71 70 Max 81 82 83 84 85 86 87 88 89 90 6146 1536 682 384 245 170 125 96 75 61 N
Tableau 2-2 : Erreur sur le rendement estim c) Variantes de l'analyse de Monte-Carlo Pour rduire la variance de lestimateur de Monte-Carlo sans augmenter le nombre dchantillons, on peut avoir recours des mthodes dchantillonnage diffrentes. Les plus communes sont les mthodes d'chantillonnage stratifi ou pondr.
53
c.1 Echantillonnage stratifi Dans cette approche [KERAb98], nous divisons la rgion de tolrance Rt en strates [Figure 2-13] et le rendement partiel de chacun de ces sous-espaces est valu, on peut alors en dduire le rendement global. La mthode de rgionalisation ressemble cette approche, mais le dcoupage y est rgulier et le nombre de simulations requises augmente beaucoup plus fortement avec le nombre de paramtres que pour l'chantillonnage stratifi. Il existe de nombreuses variantes qui utilisent diffrents dcoupages, notamment en utilisant la mthode des plans d'expriences (voir 2.4.3, hypercubes latins).
P1
Rt
P1
Rt
tel-00005359, version 1 - 16 Mar 2004
P2
P2
Figure 2-13 : Echantillonnage stratifi et mthode de rgionalisation c.2 Echantillonnage pondr (importance sampling) Il s'agit d'une mthode o la variance de l'estimateur n'est pas meilleure que l'estimateur PMC, mais elle peut le devenir si une approximation externe de Ra est connue, il faut donc raliser une tape pralable pour cerner Ra, qui peut s'avrer coteuse. L'chantillonnage stratifi est plus simple mettre en place. c.3 Plans d'expriences Les plans dexpriences [2.4.3] permettent de choisir intelligemment les simulations effectuer pour cerner rapidement linfluence de chaque paramtre du MEMS sur une performance cible. Ils permettent aussi la construction moindre frais d'une reprsentation polynomiale de cette performance, par une mthode appele mthode des surfaces de rponse (Response Surface Method) [SMIT98]. A noter que des variantes de cette mthode permettent des reprsentations diffrentes, base de splines ou de fonction de type radial [PETE01]. Suite la construction d'un polynme, on peut raliser une analyse de MonteCarlo classique sur ce modle mathmatique avec un nombre trs important d'chantillons, le temps de simulation n'tant plus une limite [LOW89]. Mais on peut aussi choisir d'utiliser des plans d'expriences directement comme mthode d'chantillonnage [KERA97], de mme que l'on peut construire un modle en utilisant des expriences alatoires [MILO90].
54
2.3.3 METHODES GEOMETRIQUES

Les tirages alatoires de valeurs de paramtres peuvent tre utiliss de manire "annexe" par des algorithmes dterministes. Bases sur la recherche de Ra, ces approches [Figure 2-14] sont aussi dites gomtriques. Nous devrions donc parler dans ce cas plus d'amlioration que d'optimisation du rendement. Nous donnons les bases pour cerner la logique des principales mthodes. Recherche de Ra
Approximation polydrique
Approximation ellipsodale
Exploration orthogonale
Exploration radiale
Intgrale de surface
tel-00005359, version 1 - 16 Mar 2004
Figure 2-14 : Mthodes d'estimation du rendement bases sur la recherche de la rgion d'acceptabilit Ra a) Approximation polydrique (simplicial approximation) Pour utiliser cette mthode [KERAa98] [ZEBB96] [BRAH84], il faut disposer d'un point appartenant Ra. Partant de ce point et pour chaque paramtre les uns aprs les autres, nous allons suivre une ligne parallle leur axe o des estimations de la performance seront faites intervalle rgulier pour identifier les limites de Ra [Figure 2-15]. Une premire approximation de Ra (Ra') assez grossire est ainsi obtenue. Pour l'amliorer, nous considrons le ct le plus important du polydre ainsi form et nous suivons sa mdiatrice vers l'extrieur du polydre jusqu' ce que l'on trouve la limite de Ra, dfinissant ainsi un nouveau polydre (Ra''). On continue ainsi et on estime que Ra' approche suffisamment bien Ra lorsque la surface du polydre n'volue plus de manire sensible. Il suffit ensuite de gnrer alatoirement N combinaisons de paramtres. Si N' d'entre elles correspondent un point de l'espace Ra' que l'on vient de dfinir (on en connat ses bornes), le rendement est alors N'/N.
P1
Ra' Ra'' Ra
P2
Figure 2-15 : Recherche de Ra par approximation polydrique
55
b) Approximation ellipsodale Avec ce type d'approximation, Ra' ne sera plus un polydre mais aura une forme d'ellipse [Figure 2-16]. L'utilisation d'une approximation ellipsodale par morceau permet ainsi d'utiliser cette mthode malgr une forme ventuellement non convexe de Ra [KERAa98][BRAH84]. Mais nous restons nanmoins limits par le faible nombre de paramtres traitables.
1 1
Ra Ra'
Ra Ra'
tel-00005359, version 1 - 16 Mar 2004
Figure 2-16 : Approximation de Ra par un ellipsode et par des fragments d'ellipsodes c) Exploration orthogonale Cette mthode est aussi appele ODOS (One Dimensional Orthogonal Search). Elle est utile pour les circuits ayant un comportement linaire, auquel cas elle permet l'conomie de nombreuses simulations. Des valeurs sont d'abord tires alatoirement pour un paramtre i, notes
i (j)
[Figure 2-17]. Pour chacun de ces points, on effectue une recherche, en ralisant l'intgrale de la densit de
paralllement aux axes de tous les autres paramtres, pour dterminer Ra. On peut dterminer le rendement en chaque point
i (j)
probabilit des autres paramtres sur l'intervalle o ils correspondent Ra. La moyenne de tous ces rendements correspond au rendement global. La variance de l'estimateur du rendement est rduite du fait de la non utilisation de Monte-Carlo pour le calcul des rendements lmentaires, mais d'une simple intgrale [KERAa98] [STYB95].
Ra
2 (1)
2 (2)
2 (3)
2 (4)
Figure 2-17 : Estimation du rendement par exploration orthogonale d) Exploration radiale La mthode consiste gnrer alatoirement quelques droites dans Rt [Figure 2-18]. Sur chacune de ces droites, des points sont positionns en respectant la densit de 56 Flavien Delauche Optimisation statistique
probabilit des paramtres (recherche de la Rgion d'Acceptabilit). Dans le cas d'une distribution uniforme pour ces paramtres, des rsultats exprimentaux ont permis de
( x) = 1 proposer une formule d'estimation du rendement : Y Rai + + + + si Rai Rt i + Ri = Rt i si non 1

[BRAH84].
Rai Rai
+
2N
( Ri {
N i =1
) n + ( Ri ) n } avec
et
Rai si Rai Rt i , N le nombre de lignes Ri = Rt i si non 1
considres et n la dimension de l'espace des paramtres de bruit [KERAa98] [DUBO87]
Rti
tel-00005359, version 1 - 16 Mar 2004
Rti
Ra
me
ligne
x Rt
Figure 2-18 : Estimation du rendement par exploration radiale e) Intgrale de surface Pour cette mthode, on choisira parmi les n paramtres de bruit un paramtre nous valuerons des rendements locaux le long de lignes parallles l'axe de correspondant un chantillonnage ralis dans le sous-espace de bruit de dimension n-1 (on passe ainsi d'un "volume" une "surface", d'o le nom de la mthode) [Figure 2-19].
n-1 i
2 i i
4 i
point chantillonn
Ra
Figure 2-19 : Estimation du rendement par la mthode de l'intgrale de surface
57
La moyenne de ces rendements est le rendement global. Pour valuer ces rendements locaux, on utilise une "fonction de densit de probabilit cumulative", F ,i () , que l'on utilise uniquement lorsque l'on rencontre une limite de Ra. Cette fonction est ngative lorsqu'en fonction calcules chaque intersection de la ligne et de Ra pour obtenir le rendement associ une ligne. Ainsi, le rendement local de la ligne reprsente sur la Figure 2-19 s'crira : Y n 1 = F ,i ( i ) F ,i ( i ) + F ,i ( i ) F ,i ( i ) [STYB95] [KERAa98].
2 1 4 3
2.3.4 METHODE DES PIRES CAS

La mthode des pires cas est la base de l'analyse statistique des circuits en microlectronique, mais elle ne permet pas une estimation du rendement [ZEBB96] [KERAa98]. Elle permet par contre de dire si, pour la configuration d'un circuit que l'on estime tre la pire en regard d'une performance donne, la rponse du systme sera dans les limites fixes par le concepteur. Si cela est le cas, nous aurons a priori un rendement de 100% vis--vis de cette performance. Dans le cas contraire, on ne peut pas estimer le rendement. Dans les circuits CMOS, on attribue la plus grande part des fluctuations des performances un petit nombre de paramtres (typiquement quatre). Il y en a souvent beaucoup plus prendre en considration dans le cas d'un MEMS. Pour utiliser la mthode des pires cas, il est important de dcorrler ces paramtres, sinon il faut considrer les rsultats obtenus comme trs pessimistes. On fait pour cela une analyse en composantes principales (p. 77). Prenons un exemple avec trois facteurs de bruit dcorrls [Figure 2-20].
tel-00005359, version 1 - 16 Mar 2004
sommet correspondant au pire cas
Figure 2-20 : Sommet correspondant au pire cas dans un espace trois dimensions Pour trouver le pire cas, il faudrait valuer la performance considre chaque sommet de Rt. A n paramtres correspond un hyper-paralllpipde de 2n sommets, rapidement, le nombre de simulations raliser devient prohibitif. En pratique, deux mthodes semblent tre utilises plus souvent : l'arithmtique des intervalles et l'analyse des sommets. Dans ce
58
dernier cas, on ralise une analyse de sensibilit sur chaque paramtre. On ne se proccupe donc pas de la forme de sa dispersion, mais on fait l'hypothse que la performance se comporte comme une fonction monotone vis--vis de chaque facteur et on en dduit le sommet qui correspond au pire cas. Il n'y a pas de faon simple de s'assurer de ce comportement monotone, mais la mthode donne gnralement des rsultats satisfaisants.
2.4 OPTIMISATION DU RENDEMENT

Dans cette section, nous faisons un tat de l'art des fonctions utilises comme quantit optimiser pour amliorer le rendement ainsi que des mthodes utilises encadrant ces fonctions (souvent appeles fonctions cot) [DIRE92]. Nous dtaillerons principalement les mthodes utilisant des plans d'expriences. Leurs particularits nous semblent trs intressantes dans le cas des MEMS.
tel-00005359, version 1 - 16 Mar 2004
2.4.1 MESURES DU RENDEMENT ET DE LA QUALITE

Lorsque le rendement est directement optimis, on utilise le terme "direct" pour qualifier les algorithmes ou mthodes utiliss. Les approches utilisant d'autres objectifs en phase d'optimisation afin d'amliorer le rendement sont qualifies d'indirectes. Nous donnons les fonctions cot les plus couramment utilises et qui permettent d'amliorer le rendement de manire indirecte. a) Indice de capabilit Appel aussi indice d'aptitude, il permet d'valuer le rendement et la robustesse d'un produit. Considrons une performance telle qu'une frquence de rsonance. Nous dsirons que cette dernire soit comprise entre 10 et 11kHz. Si l'on considre un chantillon de plusieurs MEMS, on pourra associer cette performance une valeur moyenne et une dispersion [Figure 2-21]. Nous considrons toujours qu'en premire approximation, les performances comme les paramtres de bruit suivent une distribution de forme gaussienne.
Nb de MEMS
performance S
B
Figure 2-21 : Indice de capabilit d'une performance
59
L'indice de capabilit de cette performance est C p =
SH SB , o H et B sont utiliss pour 6 y
haut et bas, S en rfrence spcification, et y est l'cart type de la performance. Suivant que l'on considre un processus tabli ou nouveau, ou que l'on dsire s'assurer d'une marge de scurit, diffrentes valeurs de Cp obtenir ont t fixes. Ces dernires ne sont pas une obligation, elles ont t tablies aux vues de nombreuses expriences industrielles [Tableau 2-3].
gabarit une seule limite processus existant nouveau processus 1,33 1,50 1,50 1,67 1,25 1,45 1,45 1,60
tel-00005359, version 1 - 16 Mar 2004
paramtre de scurit ou critique processus existant paramtre de scurit ou critique
Tableau 2-3 : Valeurs conseilles de l'indice de capabilit Cp La figure [Figure 2-22] reprsente des performances ayant un indice de capabilit de 1 et de 2. On comprend que plus cet indice est lev, plus la dispersion est rduite. Si un systme a un Cp infrieur 1, on dit qu'il n'est pas capable, cela veut aussi dire que le rendement ne peut pas tre de 100% ; suprieur 2, on dit que le systme est trs performant.
Nb de MEMS
Nb de MEMS
S performance
performance
Figure 2-22 : Indice de capabilit Cp =1 et Cp =2 Toutefois, on ne peut pas se baser uniquement sur ce dernier, car il lui manque une rfrence la valeur moyenne de la performance : une performance peut avoir un bon indice de capabilit tout en tant totalement hors spcifications. Cp permet donc seulement de juger convenables ou pas des performances dj centres, c'est dire dont la valeur moyenne est situe au centre d'un gabarit. Dans le cas contraire, on utilise l'indice de capabilit Cpk, dfini
60
par
la
combinaison
des
deux
indices
C ph =
SH Y 3 y
et
C pb =
Y SB par 3 y
C pk = min{ C ph , C pb }, o Y est la valeur moyenne de la performance. Tout comme pour Cp, il

existe des valeurs de Cpk pour lesquelles on considre que la performance rpond aux attentes, elles sont donnes dans le Tableau 2-4. Une mthode d'estimation et d'optimisation du rendement base sur ces indices illustre leur intrt dans [DEBY98].
Valeur de Cpk 0,8 1,0 1,66 Evaluation pauvre (incapable) juste capable bon excellent (trs performant)
tel-00005359, version 1 - 16 Mar 2004
2,5
Tableau 2-4 : Valeurs conseilles de l'indice de capabilit Cpk La rduction de la variabilit d'une performance est beaucoup plus dure obtenir que l'ajustement de sa valeur moyenne (3.1.2) Nous pouvons dfinir une fonction , grce aux indices Cp et Cpk, qui nous permettra de mettre l'accent sur l'une ou sur l'autre [KERAa98]
S Si S Yi + i [GIEL98]. Elle s'crit pour une performance i : i ( x) = i 6 y 3 y

H B C b H B h
et
H B C S Si Si S i Yi Si C C + i ( x) = , avec S i = i . On remarque que si S i = Y , le 6 y 3 y 2
MEMS est alors centr, et on ne travaille que sur l'indice Cp pour rduire la variabilit. De mme pour =0. Par contre, =1 nous renvoie la formule du Cpk. Donc, plus la rduction de la variabilit aura d'importance dans le problme d'optimisation, plus la valeur de sera proche de 0. Par ailleurs, cette dernire peut voluer au cours de l'optimisation. Ce dernier s'crira : min x min i i ( x), i ( x) .
h b
{ {
}}
Certains logiciels, tel Aspire [ASPI-net], utilisent lindice Cpk pour amliorer le rendement. b) Fonction Perte de Taguchi Il s'agit d'une autre fonction cot minimiser pour amliorer le rendement. Dfinie par G. Taguchi qui l'a nomme fonction Perte [PILL01] ( L = K (Y Y0 ) 2 ou EQL pour Expected Quality Loss). Elle permet elle aussi d'ajuster la valeur moyenne tout en rduisant la
61
variabilit. On peut dmontrer [PILL01] que L =
1 K (Yi Y0 ) 2 = K ( 2 + (Y Y0 ) 2 ) dans n
2
le cas de la recherche d'une cible nominale. Plusieurs solutions peuvent minimiser cette fonction, suivant que l'on met l'accent sur la rduction
nb de MEMS nb de MEMS
ou de (Y Y0 ) 2 [Figure 2-23].
L = K (Y Y0 ) 2
perf
perf
Figure 2-23 : Deux fonctions Perte de mme valeur moyenne dans le cas d'un
tel-00005359, version 1 - 16 Mar 2004
chantillon Mais cette fonction Perte sera diffrente dans le cas de la recherche d'un maximum (par exemple un dplacement) ou d'un minimum (par exemple une dflexion) [Figure 2-24].
P L=KY2 Y
P L=K/Y2 Y
Figure 2-24 : Fonction Perte dans le cas o l'optimum est un minimum ou un maximum Enfin, Taguchi a dfini un rapport signal/bruit que l'on essaie de maximiser, ce qui se traduit par une minimisation de la fonction Perte. L'intrt du rapport est d'utiliser le logarithme qui tend linariser la rponse, un facteur 10 pour utiliser des dcibels, et le signe appropri pour chercher logiquement maximiser le rapport signal/bruit [Tableau 2-5]. Taguchi a propos de nombreuses autres fonctions Perte ddies des cas plus particuliers. Le choix de la fonction cot est critique pour un processus d'optimisation, et s'effectue en fonction de la nature du problme.
62
type de cible nominale
perte par produit
perte moyenne
rapport signal/bruit
L = K (Y Y0 ) 2
L = KY 2
L = K /Y 2
L = K ( 2 + (Y Y0 ) 2 )
L = K ( 2 + Y ) 2 Y
2
10 log ( 2 + (Y Y0 ) 2 )
10 log ( 2 + Y )
2
minimale
maximale
L=
K Y
2
(1 + 3
) 2
1 2 10 log ( 1 + 3 ) 2 2 Y Y
Tableau 2-5 : Principaux cas et rapports signal/bruit associs (Taguchi) Il semble donc que la rduction de la variabilit et l'ajustement de la valeur moyenne
tel-00005359, version 1 - 16 Mar 2004
soient traits au mme niveau. C'est ce qui fait le danger de cette fonction, car en pratique, il est beaucoup plus ais de modifier la valeur moyenne d'une performance que d'en rduire la variabilit. Cette mthode est donc intressante si l'on ralise plusieurs simulations et que l'on dsire choisir, en tudiant leurs rsultats, quelles sont les meilleures valeurs donner aux paramtres de dessin (voir les plans produits du 2.4.3). Mais il est donc craindre, dans le cas d'un algorithme qui commanderait de nouvelles simulations aprs traitement des rsultats des prcdentes, que l'ajustement de la valeur moyenne se fasse beaucoup plus rapidement que la rduction de variabilit, souvent trs faible. c) Autres fonctions cot Pour viter l'effet pervers d'une double optimisation qui se ferait au dtriment de la rduction de la variance, on peut se contenter de minimiser la variance dans un premier temps, puis dans un deuxime temps, d'ajuster la valeur moyenne. Si l'on part d'une bonne solution initiale (cela est encore plus recommand dans le cas de l'optimisation statistique que de l'optimisation nominale), on peut prendre garde, lors de la rduction de variance, ne pas utiliser les paramtres de dessin qui nous loigneraient trop de la valeur moyenne initiale. On peut toutefois y revenir pendant la deuxime tape en vitant d'utiliser les facteurs qui ont une grande influence sur la variance, pour ne pas perdre le gain prcdent. Cette approche ncessite donc la dfinition de fonctions cot diffrentes de celle de Taguchi o l'erreur et la variabilit de la rponse ne sont pas traites simultanment.
2.4.2 METHODES D'OPTIMISATION DU RENDEMENT

On peut les classer comme on l'a fait pour les mthodes d'estimation du rendement [Figure 2-25]. Les approches de type gomtrique (recherche de Ra) sont le plus souvent
63
indirectes. Dans la littrature, il y a peu de mthode d'optimisation du rendement qui soit dterministe sans avoir recours une forme d'chantillonnage [SCHW99]. Optimisation du rendement
chantillonnage statistique : analyses de Monte-Carlo
mthodes bases sur la recherche de Ra
algorithmes d'optimisation statistique
algorithmes d'optimisation nominale
Figure 2-25 : Mthodes doptimisation du rendement a) Algorithmes d'optimisation nominale
tel-00005359, version 1 - 16 Mar 2004
Les algorithmes que l'on peut rencontrer dans le cadre de l'optimisation nominale sont utilisables pour l'optimisation statistique. La fonction optimiser la plus basique est alors le rendement. Le problme est que l'estimation de cette fonction chaque nouvelle itration de l'algorithme demande des dizaines de milliers de simulations. On peut essayer d'amliorer l'efficacit de l'algorithme en diminuant le nombre de ces simulations, mais cela augmente la variance de l'estimateur de Monte-Carlo. Le bruit statistique ainsi gnr dgrade l'efficacit de l'algorithme qui peut ne plus converger mme si une solution "simple" existe. Une autre solution est d'utiliser des plans d'expriences (2.4.3) pour construire peu de frais (nombre minimum de simulations) un polynme modlisant la performance cible. Mais si le nombre de paramtres est important, la construction d'un tel modle peut s'avrer trs onreuse et donc finalement peu intressante. On peut toutefois retrouver certains de ces algorithmes dans la littrature sur l'optimisation statistique [MA01] [PAN93] [SCHE01]. Les mthodes utilisant le gradient du rendement sont nombreuses. On peut le traiter suite une analyse de Monte-Carlo, ainsi qu'ventuellement les drives secondes par rapport aux paramtres et leurs tolrances. On en dduit les valeurs appropries des paramtres pour la prochaine itration. L'utilisation de l'chantillonnage paramtrique (2.4.2) permet ici de faire l'conomie de nombreuses simulations. Les algorithmes les plus frquemment cits dans le cadre de notre tude sont : l'approche du simplex, l'utilisation des sensibilits marginales [DUBO87] [BRAH84], l'approximation stochastique [KERAa98] [STYB95], le recuit simul [ZEBB96], l'exploration axiale L'approche de l'intgrale de surface [p. 57] peut aussi tre utilise. Elle permet de dfinir le gradient du rendement et de travailler dessus. Mais on retrouve donc ici les
64
problmes noncs lors de l'utilisation d'algorithmes initialement prvus pour l'optimisation nominale : le nombre de simulations est prohibitif et ncessite l'emploi d'une fonction de performance, qui peut elle mme tre dlicate gnrer. b) Algorithmes d'optimisation statistique Nous donnons ici un aperu des principaux algorithmes, mais ils sont souvent associs des approches diffrentes qui donnent autant de variantes en pratique [STYB90]. b.1 Centre de gravit (barycentre) Il s'agit de la mthode qui semble tre la plus simple et robuste utilise dans ce domaine, elle est d'ailleurs cite par toutes les thses rfrences au chapitre prcdent. Elle est notamment implmente dans Aspire [ASPI-net]. Un chantillonnage est ralis dans Rt [Figure 2-26]. Les points noirs sont hors spcifications et entranent une baisse du
tel-00005359, version 1 - 16 Mar 2004
rendement. Les points blancs sont dans les spcifications : ils appartiennent Rt ET Ra.
P1 P1
Rt
Ga
Gr
P2
P2
Figure 2-26 : Optimisation du rendement par l'algorithme du centre de gravit Soit N=Na+Nr le nombre total de simulations. On calcule le barycentre
Ga = [Ga1 ,..., Ga k ]T des Na points acceptables avec Gai =
1 Na j Pi pour i=1,,k. De Na j =1 1 Nr j Pi . Le point p m+1 Nr j =1
mme, le barycentre des Nr points rejets est donn par Gri = l'itration m+1 peut s'exprimer en fonction du point
p m tabli l'itration m par
p m +1 = p m + (Ga m Gr m ) .
est appel "facteur de progression". C'est une variable
assimilable un pas qui peut tre dynamique. C'est une valeur qui oscille gnralement entre 0,5 et 1,5. On peut aussi imaginer des variantes telles que : -rendement), p m +1 = p m + (Ga m p m ) , p m +1 = Ga m Encore une fois, le nombre de simulations ncessaires diminue normment l'efficacit de cet algorithme au cours des itrations. Pour tenter d'y remdier, on peut l'utiliser avec la du rendement paramtrique de microsystmes (MEMS) 65
mthode des points communs. Lorsque Rt varie peu d'une itration l'autre, on peut conserver bon nombre de rsultats de l'analyse de Monte-Carlo prcdente : tous ceux qui appartiennent la fois Rt m et Rt m +1 . L'analyse de Monte-Carlo de l'itration p m +1 s'en trouvera allge d'autant. Il faudra bien sr prendre garde redfinir les bornes dans lesquelles les paramtres peuvent varier au cours de l'analyse. Malheureusement, l'utilisation de cette mthode devient complexe lorsque les distributions des paramtres ne sont pas uniformes, ce qui est gnralement le cas. b.2 Echantillonnage paramtrique Cette mthode, base sur l'chantillonnage pondr [p 54], a t dveloppe initialement pour les circuits discrets. On dfinit une Rgion d'Exploration Re dans l'espace des paramtres, dont on estime qu'elle englobe Rt initiale et une bonne partie de Ra
tel-00005359, version 1 - 16 Mar 2004
[KERAa98] [STYB95].
ddp d'chantillonnage P1 Re Rt1 Rt2 Rt3 ddp des dispersions
Ra
P2
Figure 2-27 : Optimisation du rendement par l'chantillonnage paramtrique On ralise un grand nombre de simulations, par exemple 1000, en chantillonnant l'ensemble des paramtres et en suivant une loi de distribution normale. Les rsultats de cette analyse de Monte-Carlo sont rangs dans une base de donnes. On peut de la sorte distinguer une partie importante de Ra, calculer le gradient du rendement pour diffrentes Rt et en dduire des valeurs pour les paramtres susceptibles d'amliorer le rendement. Cette mthode donne de meilleurs rsultats lorsque les densits de probabilits (ddp) utilises lors de l'chantillonnage dans la rgion d'exploration sont proches des ddp associes chaque paramtre. Mais au cours des itrations, Rt qui volue peut se retrouver sur le bord de Re, il peut tre alors intressant de redfinir Re centre sur Rt (Rt3 dans l'exemple). On peut utiliser la mthode des points communs pour conomiser des simulations lors de cette tape.
66
b.3 Mthode des coupes Cette mthode consiste effectuer un chantillonnage de Rt, centre en P [Figure 2-28].
P1
Rt Ra Rt
coupe
P2
Figure 2-28 : Ralisation d'une coupe pour un point violant les spcifications
tel-00005359, version 1 - 16 Mar 2004
Si l'un des points chantillonn n'appartient pas Ra, on arrte l'analyse de Monte-Carlo et on dclare que la zone (de mme dimension que Rt) autour de ce point est inintressante. On ralise ainsi une coupe. Lors de la prochaine itration, un nouveau point P devra tre choisi. Ce dernier ne devra pas appartenir l'union des coupes ralises auparavant, car le rendement ne pourrait y tre de 100%. Le choix du nouveau point P peut se faire en partie l'aide de l'algorithme du centre de gravit, ou autre. Telle quelle, cette mthode ne fonctionnera que s'il existe un point pour lequel le rendement est de 100%, ce qui n'est a priori pas vident [ZEBB96]. c) Mthodes d'optimisation gomtriques Les mthodes gomtriques les plus courantes sont bases sur des mthodes gomtriques d'estimation du rendement que nous avons vues au chapitre prcdent. c.1 Exploration radiale On reprend ici la mthode d'exploration radiale dveloppe pour l'estimation du rendement [p. 56]. Dans cette approche gomtrique, les limites de Ra taient recherches et localises par les vecteur Ra+ et Ra- pour diffrentes lignes [Figure 2-29].
67
Ra
1
x Rt
Figure 2-29 : Centrage d'un circuit par la mthode de l'exploration radiale La somme des vecteurs Ra + + Ra donne la direction dans laquelle dplacer Rt pour augmenter le recouvrement avec Ra, et donc le rendement. Il faut pondrer l'amplitude de ce dplacement en fonction du nombre de lignes lui ayant apport une contribution notable. Cette mthode est heuristique, mais donne de bons rsultats, notamment pour les circuits linaires. Encore une fois, la mthode des points communs peut tre utilise. c.2 Approximation polydrique Cette mthode est aussi base sur une mthode d'estimation du rendement [p. 55]. Le principe est de trouver le centre de l'hypersphre inscrite dans le polydre dfinissant Ra. Le nombre de simulations augmentant exponentiellement avec le nombre de paramtres, cette mthode se limite aux cas n'en traitant pas plus de cinq.
1
tel-00005359, version 1 - 16 Mar 2004
Ra
Figure 2-30 : Hypersphre inscrite dans le polydre dfinissant Ra La mthode de distance pire cas [SCHW99], dveloppe pour des circuits discrets, consiste maximiser le rayon de l'hypersphre.
Nous avons pass en revue diffrentes approches utilises dans le cadre de l'optimisation du rendement paramtrique. La majorit d'entre elles, dveloppes initialement pour les circuits discrets, ont pu tre tendues aux circuit intgrs et donc aux MEMS. La plupart des mthodes rencontres dans la littrature sont aussi condamnes ne pouvoir traiter que les cas o peu de paramtres sont considrs dans le processus d'optimisation.
68
Cela peut voluer avec les amliorations qui leur sont apportes au fil du temps, mais aussi avec l'augmentation de la puissance des ordinateurs et de l'efficacit des simulateurs.
2.4.3 PLANS D'EXPERIENCES

Un plan d'exprience (Design Of Experiments ou DOE) est une stratgie optimale permettant de prdire avec le maximum de prcision une rponse partir d'un nombre minimal d'essais et en utilisant un modle postul [OZIL97]. Les rsultats de ces simulations peuvent tre exploits de diffrentes manires pour en extraire des informations sur les influences des paramtres du problme. Parmi elles, la mthode des surfaces de rponses permet de construire un polynme modlisant une performance cible du MEMS. Ce polynme peut tre utilis dans le cadre de lestimation ou de loptimisation du rendement. Un des avantages de la mthode est qu'il n'y a pas d'hypothse faite sur la forme de la rgion d'Acceptabilit, des distributions des paramtres ou des performances. a) Notion de qualit Les plans d'expriences apparaissent en 1925 avec les travaux de Fisher. Les premires applications ont t pour l'agriculture : on comprend ici l'importance de rduire le nombre d'expriences (simulations) pour connatre l'influence de diffrents paramtres. Le Docteur G. Taguchi, dans les annes 70, a su rendre les plans d'expriences plus lisibles et exploitables pour l'industrie, o l'on peut les retrouver aujourd'hui tous les niveaux. Les plans d'expriences sont un outil faisant partie de l'arsenal utilis pour la matrise de la qualit. Cette dernire est devenue critique pour la comptitivit des entreprises l'heure de la mondialisation. Elle peut s'appliquer tous les secteurs, tous les processus identifis et les produits d'une entreprise. Dans le cadre de la production, il est important de s'occuper de qualit ds la phase de conception du produit, c'est ce niveau que l'on obtient le plus gros retour sur investissement : il est bien moins cher de rvaluer les dimensions d'un MEMS pour le rendre plus robuste que de se trouver face des clients mcontents des performances du produit. Le remplacement et d'ventuelles indemnits sont facilement estimables, mais l'impact sur l'image de marque est tout aussi important bien que moins facile valuer. b) Notions sur les plans d'expriences On se sert la plupart du temps des plans d'expriences pour construire un polynme qui modlise la performance cible d'un systme [DEAL97]. Ses termes seront les paramtres ou (xi) du problme, et ses coefficients reflteront leur importance spcifique sur la performance cible. On choisira le plan en fonction du polynme qui correspond le mieux
tel-00005359, version 1 - 16 Mar 2004
69
au processus que l'on souhaite modliser. On peut aussi exploiter un plan pour dfinir seulement des tendances sans se proccuper de la construction d'un polynme [DEVA94]. Dans cette discipline, les paramtres sont nomms "facteurs" de dessin ou de bruit. b.1 Diffrents modles Modle linaire sans interactions :
y ( x) = b0 + ai xi , ce modle ncessite n+1 simulations pour tre dfini. Il est souvent

i =1
utilis pour faire du "factor screening", c'est dire identifier par une approche de type analyse de sensibilit les facteurs non critiques pour ventuellement les liminer du processus d'optimisation qu'ils alourdissent inutilement. L'efficacit de cette mthode et de certaines de ses variantes est discute dans [TROC00], [MOOR00] et [NAZZ00].
tel-00005359, version 1 - 16 Mar 2004
Modle linaire avec toutes les interactions :
y ( x) = b0 + ai xi + cij xi x j + hijk xi x j xk + ... + pijk ...n xi x j xk ...xn , ce modle ncessite

i =1
au moins 2 simulations pour tre dfini. Bien sr, si l'on estime que l'un des termes n'est pas intressant, on ne le fera pas apparatre dans le polynme et l'on s'conomisera ainsi une simulation. C'est gnralement le cas des interactions d'ordre suprieur 2 qui ont trs rarement un rle significatif jouer d'un point de vue physique. Modle linaire avec interactions d'ordre 1 (modle factoriel) :
y ( x) = b0 + ai xi + cij xi x j ,
i =1
(qu. 2-3)
ce
modle
ncessite
au
moins
n + 1 + n(n 1) / 2 simulations pour fixer ses coefficients. On dmontrera plus loin que c'est le
mieux adapt dans le cadre d'optimisation du rendement pour les MEMS. Il est utilis notamment lorsque l'on cherche la direction d'un optimum. Modle du second degr :
y ( x) = b0 + ai xi + cij xi x j + eii xi , c'est le modle factoriel auquel on a ajout les

2 i =1
termes quadratiques, il ncessite donc au moins 2n + 1 + n(n 1) / 2 simulations pour tre compltement dfini. Il est utilis lorsque l'on veut localiser l'optimum : dans ce cas, on fait l'hypothse qu'il se trouve dans le domaine de validit du polynme.
70
b.2 Exemple Les plans d'expriences se prsentent sous forme de matrices. Prenons lexemple dun plan 2 facteurs X1 et X2 auxquels on associe 2 niveaux [Tableau 2-6]. On estime qu'un modle factoriel modlisera bien la rponse de notre systme, par exemple la dflexion l'extrmit d'une poutre : y ( x) = b0 + a1 x1 + a 2 x2 + c12 x1 x2 . On peut voir sur le Tableau 2-7 lallure possible dun plan permettant de dfinir ce modle. Il possde 4 coefficients et ncessite donc au moins 4 expriences (simulations) pour tre construit.
Largeur d'une poutre (X1) Longueur de la poutre (X2) Niveau bas (- ou 1) Niveau haut (+ ou 2)
tel-00005359, version 1 - 16 Mar 2004
Tableau 2-6 : Valeurs plausibles pour les facteurs : niveaux Le modle choisi ne sera valable que dans l'intervalle fix par les niveaux haut et bas pour chaque facteur. L'cart entre les 2 niveaux est important : trop faible, l'effet attribu ce facteur ne sera pas significatif. Trop important, un modle simple (factoriel) risque de ne pas tre fiable pour cet intervalle.
X1 simulation n1 simulation n2 simulation n3 simulation n4 + + X2 + + X1*X2 + + Y Y1=2 Y2=4 Y3=1 Y4=5
Tableau 2-7 : Matrice dun plan d'exprience pour 2 facteurs 2 niveaux Chaque ligne de ce plan correspond une simulation raliser pour laquelle les valeurs des facteurs nous sont imposes, la dernire colonne tant ddie aux rsultats des expriences (ou simulations). On associe une colonne chaque paramtre. Ici, la troisime colonne correspond une interaction : c'est le produit des colonnes 1 et 2 qui nous aidera calculer le coefficient c12 associ l'interaction. Pour calculer les coefficients, appels aussi "effets moyens", on fait la moyenne des rponses de tous les essais raliss un niveau donn. Pour l'effet de A au niveau i : EAi = Moyenne des rponses lorsque A est au niveau i Moyenne gnrale
71
Ce plan 2 niveaux et 2 facteurs est un plan factoriel complet : les 22 combinaisons possibles sont tudies. Dans le cas de facteurs 2 niveaux, on vrifie EX++ EX-=0. Les calculs donnent :
M=
Y1 + Y2 + Y3 + Y4 2 + 4 + 1 + 5 = =3 4 4 Y3 + Y4 1+ 5 M = 2.5 = 0,5 2 2 Y2 + Y4 4+5 M = 2.5 = 2 2 2
EX1 + = EX2+ =
Lorsque X1 est au niveau bas (-), l'effet de X2 sur la dflexion est : Y2-Y1=4-2=2 Lorsque X1 est au niveau haut (+), l'effet de X2 sur la dflexion est : Y4-Y3=5-1=4
tel-00005359, version 1 - 16 Mar 2004
Comme l'effet de X1 sur Y est fonction de X2, on en dduit qu'il existe une interaction entre ces 2 facteurs. L'effet de l'interaction entre X1 et X2 quand ils sont aux niveaux i et j s'crit : I X1iX2j = (Moyenne des rponses lorsque X1 au niveau i et X2 au niveau j) M Ex1i Ex2j Dans ce type de plan, on calcule un type d'interaction, les 3 autres en dcoulent avec
I x1 + x2 + = I x1 x2 = I x1 x2 + = I x1 + x2
soit dans notre cas :
I x1 + x 2 + =
Y4 M Ex1 + Ex 2 + = 5 3 (0,5) 2 = 0,5 1
Nous avons dfini tous les termes ncessaires pour la construction d'un modle matriciel de la rponse Y(X1,X2) du MEMS qui s'crira donc :
Y = M + E x1 1 0
E x1 +
][x ]+ [E
1
x2
E x2 +
][x ]+ [x ] I
T 2 1
I x1 x2
x1 + x2
I x1 x2 + [x 2 ] I x1 + x2 +
T
o [xi ] = au niveau bas, [xi ] = au niveau haut, et L'application numrique donne :
0 1
[x1 ]
la transpose de [x1 ].
72
0,5 0,5 T Y = 3 + [0,5 0,5][x1 ]+ [ 2 2][x 2 ]+ [x1 ] [x 2 ]. On peut vrifier avec la 0,5 0,5
simulation n1 :
1 1 1 0,5 0,5 Y1 = 3 + [0,5 0,5] + [ 2 2] + 0 0 0 0,5 0,5

T
1 0 = 3 + 0,5 2 + 0,5 = 2
Mais ce qui est intressant, c'est d'estimer Y pour n'importe quelle valeur des facteurs dans l'intervalle de validit des niveaux sans pour cela avoir raliser une nouvelle exprience. On va pour cela transformer le modle matriciel en polynme. Dans notre cas, on l'obtient immdiatement avec : Y = M + E x1 + x1 + E x2 + x2 + I x1 + x2 + x1 x2
' ' ' '
ou xi est un
'
facteur centr qui vaut 1 lorsque xi est maximum et 1 lorsque xi est au minimum [Figure 2-31].
tel-00005359, version 1 - 16 Mar 2004
effet= E x1 +
. x1 '
-1 niveau bas
X1' (X1)
X1'
1 niveau haut d2
d1
Figure 2-31 : Utilisation de facteurs centrs pour construire un polynme
Le thorme de Thals donne :
E x1 + .x1 ' d1
' '
E x1 + .1 d2
' '
donc x1 =
'
d1 = d2
x1
x1 + x1+ 2 x1+ x1 2
et le
polynme s'crit alors Y = 3 0,5 x1 + 2 x 2 + 0,5 x1 x 2 . On peut vrifier avec Y2 o X1 est au minimum et X2 au maximum : Y2 = 3 0,5 (1) + 2 (1) + 0,5 (1)(1) = 5 . Pour vrifier la bonne tenue du modle, on ralise souvent une exprience supplmentaire en prenant des valeurs moyennes pour les facteurs et en comparant ensuite avec les rsultats fournis par le polynme avec les mmes valeurs. b.3 Diffrents plans d'expriences On choisit un polynme et un plan d'exprience en fonction du problme rsoudre. Le plan prcdent pris en exemple est une table orthogonale de Taguchi, mais il en existe de nombreux autres [Figure 2-32] [GE99] [OZIL97].
73
Modle linaire sans interactions
Plan Simplex Plans de Plackett et Burman (Matrices d'Hadamard) Plan factoriel fractionnaire
Modle linaire avec interactions
Tables orthogonales de Taguchi 2 niveaux Plan factoriel complet 2 niveaux Plan factoriel complet 3 niveaux Tables orthogonales de Taguchi 3 niveaux Plan composite centr (sphre ou cube)
Modle quadratique
Plan de Box-Behnken Plans de Box-Drapper
tel-00005359, version 1 - 16 Mar 2004
Plans de Deuler Plans de Hoke Plan hybride
Figure 2-32 : Plans d'expriences usuels Dans le cas prcdent, nous ne considrions que 2 facteurs 2 niveaux. Un problme comportant 15 facteurs ncessiterait 215 =32768 expriences, ce qui est prohibitif, surtout si on projette d'utiliser un plan de manire itrative. Ces plans, dits complets, permettent de dfinir, outre les effets principaux de chaque facteur, toutes les interactions possibles entre 2 ou plusieurs facteurs, d'o le nombre important d'expriences requises (autant dexpriences que dinconnues). Or, les interactions du troisime ordre (X1X2X3) ou plus sont gnralement physiquement ngligeables. De plus, toutes les interactions d'ordre 2 (X2X3) ne figurent pas forcment dans le modle choisi pour la rponse cible. Il en rsulte que raliser un plan complet est excessif : un plan optimal dfinirait autant d'expriences que d'inconnues dans le modle. Pour cela, on utilise les plans factoriels fractionnaires, dont l'ide est d'utiliser les fractions utiles de plans complets. b.4 Matrices d'Hadamard Les matrices d'Hadamard sont des matrices X vrifiant :
T
X . X = (k + 1) I k +1 avec k
nombre de facteurs, I matrice unit. Il s'agit donc de matrices carres vrifiant

T
H n .H n = nI n , dont les lments valent +/-1 et qui n'existent que pour n=1,2 ou n multiple
de 4. On peut les construire rapidement par la mthode suivante :
74
Hn H 2n = H n
Hn partir de H 1 = ( 1) , utilise pour 2n-1 facteurs, n entier. On calcule donc H n
facilement H2, H4, H8, H16, H32, H64 L'inconvnient de cette mthode est vident : pour un cas 33 facteurs par exemple, il faudrait utiliser H64, ce qui revient raliser 30 expriences superflues. Cette mthode n'est donc adapte que pour un nombre de facteurs lgrement infrieur 2n-1. On peut utiliser la mthode de Placket et Burman pour construire des matrices d'Hadamard pour 4n-1 facteurs, ce qui limite normment le nombre d'expriences inutiles. Placket et Burman [PLAC46] fournissent la 1re ligne de la matrice construire, les autres sont dduites de celle-l par permutation circulaire, la dernire ligne ne contient que des -. Par exemple, pour construire H8 (k=7 facteurs), la premire ligne est +++-+--, la
tel-00005359, version 1 - 16 Mar 2004
+ matrice est donc : H 8 = +
+ +
+ + + + + + + +
+ + +
+ + +
+ + +
+ +
Mais ces "1res lignes" ne sont pas donnes dans la littrature pour des matrices d'un ordre lev. Il n'existe pas de mthodes permettant de construire une matrice d'Hadamard d'un ordre quelconque : ces dernires sont parfois rfrences aprs avoir t proposes et que leurs caractristiques aient t vrifies. b.5 Notion de rsolution Les facteurs (P1) sont dits actions d'ordre 1. Les interactions du second ordre (P1P2), actions d'ordre 2, etc. On a vu que lors d'un plan complet, les coefficients du polynme modlisant la rponse taient dfinissables pour toutes les actions possibles. Ce n'est pas le cas dans les plans fractionnaires, o l'estimation de ces coefficients peut tre fausse par l'existence d'une interaction que l'on aurait dcid de ngliger au niveau de la modlisation. Dans les plans de rsolution III, on risque de confondre les effets d'une action d'ordre I avec ceux d'une action d'ordre II. On dit dans ce cas que ces actions sont aliases. On dfinit ainsi plusieurs rsolutions : rsolution III : les actions d'ordre I et II ont un risque d'alias (par exemple, P1 et P2P3 ). rsolution IV : les actions d'ordre I et III, ou II et II, ont un risque d'alias (par exemple, P1 et P2P3P4 ou P1P2 et P3P4).
75
rsolution V : les actions d'ordre I et IV ou II et III ont un risque d'alias (par exemple, P1 et P2P3P4P5 ou P1P2 et P3P4P5). Les matrices d'Hadamard sont souvent utilises avec une rsolution III pour faire une analyse de sensibilit assez grossire et rduire le nombre de facteurs traiter par la suite avec un plan de rsolution suprieur. b.6 Proprits statistiques L'orthogonalit est vrifie quand la matrice variance-covariance (TX.X)-1 est diagonale. Les matrices d'Hadamard, les plans complets 2 niveaux et les plans fractionnaires 2 niveaux respectent l'orthogonalit. Plus simplement : pour un niveau fix de tout facteur du plan, chaque autre facteur apparat un nombre gal de fois chacun de ses niveaux possibles. On comprend ainsi intuitivement comment il est possible de dfinir l'effet d'un
tel-00005359, version 1 - 16 Mar 2004
facteur dans une srie d'expriences o tous les facteurs bougent en mme temps : on "annule" l'effet des autres facteurs en choisissant les expriences dont on traite les rsultats. L'isovariance assure que la variance de la rponse (Y) est constante distance fixe du centre du domaine, c'est le cas des matrices d'Hadamard, des plans complets 2 niveaux et des plans fractionnaires 2 niveaux [OZIL97]. La prcision uniforme assure la mme prcision de Y estime sur le domaine de validit du modle. Il existe enfin les critres alphabtiques (A, D, E, G, I) portant minimiser la variance des coefficients du modle. Dans [CRARb01], [GIAN98] et [CRARa01], des MEMS sont optimiss l'aide de plans I et D-optimaux. b.7 Tables orthogonales de Taguchi Il s'agit tout simplement de plans factoriels fractionnaires, respectant donc l'orthogonalit. L'intrt de ces tables standard est leur facilit d'utilisation. Le Dr. Taguchi leur a associ diffrents outils permettant de choisir rapidement quel plan est le mieux adapt un problme donn (graphe des effets permettant la prise en compte de la difficult de modifier certains facteurs, triangle des interactions permettant de dfinir les alias) [PILL01]. Bien sur, en regardant de plus prs parmi les nombreux plans existants, on pourrait peut tre en trouver de mieux adapts, mais les oprateurs du monde industriel o les concepteurs de MEMS ne possdent a priori pas les connaissances statistiques pour choisir un plan de manire adquate. Cela explique le succs des tables de Taguchi dans l'industrie.
76
Les tables orthogonales de Taguchi sont notes Li ( j k ) o i est le nombre d'expriences raliser, j le nombre de niveaux par facteur, k le nombre de facteurs. On peut remarquer que L4 (2 3 ) , L8 (2 7 ) , L12 (211 ) , L16 (215 ) sont les matrices d'Hadamard H4, H8, H12 et H16. En effet, les permutations de lignes (expriences) ou de colonnes (facteurs) ne changent pas les proprits statistiques des plans. Dans ces cas, c'est toujours le modle linaire y ( x) = b0 +
a x
i =1
i i
qui est implicite, ces plans tant de rsolution III, les actions du
second ordre ou plus sont ngliges. b.8 Analyse en Composantes Principales Pour que le calcul des effets ne soit pas biais, il faut que les facteurs soient
tel-00005359, version 1 - 16 Mar 2004
dcorrls. Or dans le cas des MEMS, certains paramtres de bruit (qui sont des "facteurs" pour les plans d'expriences) sont bien sr corrls, puisqu'il s'agit d'une technologie de type "intgre". Par exemple, l'incertitude associe la hauteur d'une poutre en polysilicium (X1) peut tre lie l'incertitude associe l'paisseur de la couche d'oxyde prcdente (X2). Comme on peut le voir sur la figure [Figure 2-33], si la corrlation entre certains paramtres est forte, certaines combinaisons de valeurs nont pas de sens, puisquelles napparatront probablement jamais. Au lieu donc de considrer changement de base vers
{x1 , x 2 }
nous allons effectuer un
{p1 , p 2 } qui
sont des vecteurs orthonorms. Travailler sur ces
vecteurs non corrls ne biaisera pas les rsultats en analyse de Monte Carlo ou dans les plans dexpriences. En ralisant ce changement de base, on obtient un nouvel espace de dimension identique.
X2 P2
99% des structures coefficient de corrlation : -0,7
P1
occurrences physiquement improbables
X1
Figure 2-33 : Corrlation entre facteurs de bruit
77
Le
changement
de
base
effectu
conserve
la
dimension
du
problme :
c1 a11 c2 = c a k k1

a1n x1 x 2 . a kn x k

Cette mthode s'appelle Analyse en Composantes Principales (ACP). Elle permet donc de s'assurer de la non corrlation de ces paramtres : il faut pour cela possder les mesures ralises en parallle sur lensemble de ces paramtres. Utiliser les plans dexpriences sans ACP conduit une estimation pessimiste du rendement et une amlioration moins importante de ce dernier. Souvent, l'ACP est suivie par une Analyse en Facteurs Communs (AFC) [CHEN93].
tel-00005359, version 1 - 16 Mar 2004
Cette mthode permet de mettre en vidence des facteurs sous-jacents influenant les variables originales. Son principal intrt est la rduction de la dimension du nouvel espace ainsi obtenu. Les nouveaux facteurs sont dfinis par Pi = a i1 F1 + a i 2 F2 + ... + a ik Fk + ei , o Pi est une des variables originales, Fj est le jime facteur hypothtique, de valeur moyenne nulle et d'cart type unitaire. Les facteurs F sont dcorrls entre eux, et aij est appel facteur de charge. ei est l'erreur faite sur la iime variable, d'cart type tre nglig sans grande influence sur la variance facteurs initiaux. b.9 Plans produits de Taguchi Les plans produits sont obtenus en utilisant 2 tables orthogonales de Taguchi : lune consacre aux facteurs de dessin (xi
j, i.
Un facteur F dont le facteur de
charge serait faible (par comparaison aux autres) dans les expressions de chaque Pi pourrait
i
des Pi. On obtient ainsi une rduction
du nombre de facteurs, tout en pouvant estimer la perte d'information sur la variance des
plan
bruit) [Tableau 2-8]. On utilise des tables 2 niveaux, car si nous ne sommes pas intresss par les effets quadratiques mais par les interactions entre facteurs de bruit et de dessin (voir p. 88), c'est une configuration trs pertinente : ces dernires sont implicitement prises en compte lors de lutilisation de plans produits [PILL01].
78
Exp. nj
1
1 -
2 + +
3 + +
4 + + Y
Exp. ni 1 2 3 4
x1 + +
x2 + +
x3 + + Y11 Y21 Y31 Y41 Y12 Y22 Y32 Y42 Y13 Y23 Y33 Y43 Y14 Y24 Y34 Y44
Y1 Y2 Y3 Y4
1 x1 2 x1 3 x1 + 4 x1 + x1 x1 +
tel-00005359, version 1 - 16 Mar 2004
Yx1Yx1+
Tableau 2-8 : Plan produit de Taguchi On reconnat dans ce tableau les 2 matrices des plans d'expriences. Chaque exprience du plan bruit sera rpte pour chaque exprience du plan principal. Nous aurons ainsi 4.4=16 simulations raliser (Yij). Comme on l'a vu pour le calcul des effets principaux (p. 71), on va s'intresser aux rsultats des simulations pour chaque niveau des facteurs xi. Leur traitement sera diffrent selon que la performance est un scalaire (une frquence de rsonance par exemple) ou un vecteur (points d'une simulation AC par exemple). Dans le cas classique d'un scalaire, pour chaque exprience i du plan principal, on calcule la valeur moyenne Yi de la performance cible :
Yi =
Y
j
ij
jmax
, et sa variance : i =
2
(Y
j
Yij ) 2
. Pour connatre l'influence d'un facteur un
j max 1
niveau donn, on moyennera les rsultats de toutes les expriences o ce facteur est ce niveau : Yxi + =
Yx
i
+
et xi + =
2
2 xi +
i max 2
imax 2
Dans le tableau, le cadre rouge fonc correspond aux simulations considrer pour valuer l'effet du facteur x1 au niveau haut (pointills). Dans le cas d'une performance cible qui serait un vecteur, l'approche est la mme, mais les calculs lgrement diffrents, nous y reviendrons plus tard (p. 91).
79
Dans le monde de l'industrie, les plans produits sont lourds raliser, et ne le sont donc qu'une fois. Il faut ensuite choisir au vu des rsultats quelle solution est la meilleure. Pour chaque combinaison de paramtres, on dispose de la valeur moyenne et de la dispersion des performances . Il faut alors faire un choix, car il est peu probable que soit optimale pour un minimum. Soit la meilleure solution est vidente, soit on peut s'aider des fonctions Pertes de Taguchi par exemple (p. 61) pour les comparer entre elles.
Les diffrents types de paramtres prsents dans un problme d'optimisation statistique ont t dfinis. Nous avons expos les principales mthodes d'estimation et d'optimisation du rendement et diffrentes fonctions visant mesurer la qualit d'un systme, ainsi que leurs avantages et inconvnients. Les mthodes sont nombreuses et peuvent tre dclines l'envie. L'approche que nous avons choisie est donne et justifie dans le chapitre suivant.
tel-00005359, version 1 - 16 Mar 2004
80
REFERENCES
[AGIL-net] [ASPI-net] [BRAH84]
http://eesof.tm.agilent.com/docs/adsdoc2002C/optstat/index.html http://www.mentor.com/ams/dfm.html#aspire Hachmi Braham, "Etudes de mthodologies en vue de l'optimisation statistique des performances des circuits", Th. : Elec. : Universit Paul Sabatier, Toulouse : 1984 : 104p. J. Chen, M.A. Styblinski, "A systematic approach of statistical modeling and its application to CMOS circuits", ISCAS 1993, Chicago, Volume 3, pp 18051808. S.B. Crary et al., "Designing efficient computer experiments for metamodel generation", proceedings of Modeling and Simulation of Micosystems '01, Hilton Head Island, USA, mars 2001, pp. 132-135, disponible sur http://www.cr.org. S.B. Crary, "Statistical design and analysis of computer experiments for the generation of parsimonious metamodels", DTIP 2001, proceedings of SPIE Vol. 4408, 2001, pp. 29-39. Manuel de Almeida, "Etude et dveloppement d'une mthode de simulation pour l'estimation des variations des performances des portes logiques CMOS partir de l'analyse des fluctuations des procds de fabrication", Th. : Elec. : Universit Paris XI, Orsay : 1997 : 183 p. Geert Debyser, Georges Gielen, "Efficient analog circuit synthesis with simultaneous yield an robustness optimizatoin", Proceedings of the 1998 IEEE/ACM international conference on Computer-aided design, 1998, San Jose, California-USA, 4 p. Yann Deval, "Conception de circuits intgrs analogiques Elaboration d'une mthode originale d'optimisation base sur la techniques des plans d'expriences", Universit Bordeaux I : 1994 : 177 p. S.W. Director, P. Feldmann, K. Krishna, "Optimization of parametric yield: a tutorial", IEEE 1992 Custom Integrated Circuit Conference, pp 311-318. Pierre Dubouix, "La conception optimale des circuits en prsence de contraintes statistiques", Th. : Elec. : Universit Paul Sabatier, Toulouse : 1987 : 175p. P. Ge, N. Wang, "DOE study in building surrogate models for complex systems", Proceedings of DETC'00, ASME 2000, Baltimore, U.S.A.
[CHEN93]
tel-00005359, version 1 - 16 Mar 2004
[CRARa01]
[CRARb01]
[DEAL97]
[DEBY98]
[DEVA94]
[DIRE92]
[DUBO87]
[GE99]
81
[GIAN98]
Y.B. Gianchandani, S.B. Crary, "Parametric modeling of a microaccelerometer : comparing I and D-optimal design of experiments for finite-element analysis", IEEE Journal of Microelectromechanical Systems, Vol. 7, No. 2, juin 1998. G. Gielen, G. Debyser, F. Leyn, W. Sansen, "Efficient yield estimation within automated analogue IC design", 1998 Workshop on Statistical Metrology Technical Papers, 0-7803-4338-7/98 IEEE, pp 118-121. Mansour Keramat, "Latin hypercube sampling Monte Carlo estimation of average quality index for integrated circuits", Analog Integrated Circuits and Signal Processing, 1997, Vol. 14, No. , pp. 131-142. Mansour Keramat, "Analyse statistique et optimisation du rendement de fabrication des circuits lectroniques", Th. : Elec. : Universit de Paris Sud, Centre d'Orsay : 1998 : 124 p. Mansour Keramat, "A study of stratified sampling in variance reduction techniques for parametric yield estimation", IEEE Trans. Circuits and Systems-II, Vol. 45 No. 5, mai 1998, 24 p. Lansberry, M.R., Jugulum, Rajesh, Ragsdell, K.M., "Some thoughts on the efficient calculation of the signal-to-noise ratio with application to the wheatstone bridge problem", American Supplier Institute, 1998, pp. 237-254. K.K. Low, S.W. Director, "An efficient methodology for building macromodels of IC fabrication processes", IEEE Transactions on CAD, Vol. 8 No. 12, December 1989, pp 1299-1313. Lin Ma, E.K. Antonsson, "Robust mask-layout synthesis for MEMS", proceedings of Modeling and Simulation of Micosystems 2001, Hilton Head Island, U.S.A., pp. 128-131, disponible sur http://www.cr.org. L. Milor, A. Sangiovanni-Vincentelli, "Computing parametric yield accurately and efficientely", CH2924-9/90/0000/0116, 1990 IEEE, pp 116-119. L.M. Moore, B.K. Ray, "Statistical methods for sensitivity and performance analysis in computer experiments", Proceedings of the 2000 Winter Simulation Conference, ed. J.A. Joines et al., pp. 486-491. D. Nazzal, M. Molaghasemi, L. Malone, "Evaluation of the effectiveness of group screening methods as compared to no group screening", Proceedings of the 2000 Winter Simulation Conference, ed. J.A. Joines et al., pp. 14991504. Patrick Ozil, "Plan d'expriences (DOE), modlisation empirique, mthodologie de la surface de rponse, mthodologie Taguchi", ENS d'Electrochimie et d'Electromtalurgie, INPG, 1997, 161 p. Shao Wei Pan, Yu Hen Hu, "PYFS-A statistical Optimization method for integrated circuit yield enhancement", IEEE Transactions on CAD of IC and Systems, Vol 12. No. 12, February 1993, pp 296-309.
[GIEL98]
[KERA97]
[KERAa98]
tel-00005359, version 1 - 16 Mar 2004
[KERAb98]
[LANS98]
[LOW89]
[MA01]
[MILO90]
[MOOR00]
[NAZZ00]
[OZIL97]
[PAN93]
82
[PETE01]
D. Peters et al., "Enhanced optimization algorithms for the development of microsytems", DTIP 2001, proceedings of SPIE Vol. 4408, 2001, pp. 237345. Maurice Pillet, "Les plans d'expriences par la mthode Taguchi", 3me tirage 2001, Paris : Ed. d'Organisation, 330 p. R.L. Plackett and J.P. Burman, "The design of optimum multifactorial experiments", 1946, Biometrika vol. 33, pp. 305-325. M.D. Pottenger, W.J. Kaiser, "Noise modeling methodology for full-system inertial microsensor codesign", proceedings of Modeling and Simulation of Micosystems 2001, Hilton Head Island, U.S.A., pp. 140-143, disponible sur http://www.cr.org. F. Schenkel et al., "Mismatch analysis and direct yield optimization by specwise linearization and feasibility-guided search", DAC 2001, Las Vegas. Robert Schwencker, "Automatic design centering of analog integrated circuit based on the Generalized Boundary Curve Multiple Robustness Objectives", 1999, rapport technique, Technische Universitt Mnchen. T.H. Smith et al., "Bias and variance in single and multiple response surface modeling", Third International Worshop on Statistical Metrology, IWSM 1998, Honolulu, 4 p. M.A. Stylinski, "Design for circuit quality: yield maximization, minimax, and Taguchi approach", CH2924-9/90/0000/0112, 1990 IEEE, pp 112-115. M.A. Styblinski, J.C. Zhang, "Yield and variability optimization of integrated circuits", Kluwer Academic Publishers, 1995, 234 p. Linda Trocine, L.C. Malone, "Finding important independent variables through screening designs: a comparaison of methods", Proceedings of the 2000 Winter Simulation Conference, ed. J.A. Joines et al., pp. 749-754. Ahmed Zebbache, "Analyse et synthse statistique des circuits lectroniques : mise en uvre du simulateur ouvert SPICE-PAC et de la mthode du recuit simul", Th. : Elec. : Ecole Centrale Paris : 1996 : 105 p.
[PILL01] [PLAC46]
[POTT01]
[SCHE01]
tel-00005359, version 1 - 16 Mar 2004
[SCHW99]
[SMIT98]
[STYB90] [STYB95]
[TROC00]
[ZEBB96]
83
tel-00005359, version 1 - 16 Mar 2004
tel-00005359, version 1 - 16 Mar 2004
Chapitre 3
NOUVELLE STRATEGIE
tel-00005359, version 1 - 16 Mar 2004
Chapitre 3 : Nouvelle stratgie
3. NOUVELLE STRATEGIE
Comme nous lavons vu dans le chapitre 2.4, les mthodes permettant damliorer le rendement sont nombreuses. Nous avons dcid de nous inspirer dune mthode propose dans [STYB95] (page 83), et qui utilise des plans dexpriences en deux temps : dabord pour minimiser la variance de la performance cible, et dans un deuxime temps pour obtenir une rponse moyenne de bonne qualit (centrage du MEMS). Ces diffrents choix sont justifis dans ce chapitre, et l'algorithme global donn par la Figure 3-1.
Saisie des donnes
tel-00005359, version 1 - 16 Mar 2004
Rduction du nombre de facteurs de bruit Estimation du rendement 1 Rduction de la variance Estimation du rendement 2 Ajustage de la valeur moyenne Estimation du rendement 3 Affichage des rsultats
Figure 3-1 : Organigramme de l'algorithme d'optimisation du rendement
3.1 JUSTIFICATION 3.1.1 OPTIMISATION EN DEUX TEMPS

Il nous semble important de sparer les phases de rduction de la variance et de centrage du MEMS. On a vu que trs souvent, la fonction optimise dans le cadre de lamlioration du rendement tait soit la fonction Perte de Taguchi (EQL), soit plus souvent en microlectronique lindice de capabilit (Cpk). Or, si ces fonctions prennent en compte la fois la dispersion et la valeur moyenne de la rponse, elles ne le font pas de manire quitable. En effet, la valeur moyenne d'une rponse est beaucoup plus facile modifier que sa variabilit, il n'est donc pas rare que les processus d'optimisation statistique du rendement paramtrique n'aient qu'un effet trs faible sur la rduction de variance.
87
Un deuxime point est la jeunesse et la complexit des technologies MEMS qui contribuent donner aux paramtres technologiques (pi), et donc aux performances, de fortes dispersions [Figure 3-2].
Performance P4 P3 P2 P1
Figure 3-2 : Une technologie jeune est pnalisante pour obtenir une faible dispersion des performances D'une manire gnrale, les tolrances rencontres dans les circuits discrets sont plus
tel-00005359, version 1 - 16 Mar 2004
faibles que pour les circuits intgrs, o les variations de la technologie ont plus d'impact. Comme elles sont mal contrles, on les compense souvent en imposant des symtries au niveau du circuit, comme pour rduire les problmes dus aux variations de temprature, par exemple en utilisant des rapports de rsistance ou de capacit. Le problme pour les MEMS est que la symtrie d'une structure n'est pas toujours envisageable. Encore une fois, il semble critique de s'intresser de plus prs la rduction de variabilit. Enfin, un dernier avantage de taille : un MEMS robuste (dessin centr, variabilit de la rponse rduite) minimise les risques d'avarie en cas de fonctionnement dans un milieu hostile (chocs, variations de temprature, d'humidit), et augmente logiquement son esprance de vie.
3.1.2 NATURE STATISTIQUE DU PROBLEME

Pour justifier l'utilisation des plans multiples, dont le but est bien sr de rduire le nombre de simulations requises dans le processus d'optimisation, il faut regarder de plus prs la nature statistique des paramtres. a) Circuits discrets et circuit intgrs Les algorithmes utiliss pour rduire la variabilit dune performance dans le cadre de circuits discrets ne se sont pas avrs efficaces lorsqu'ils sont appliqus aux circuits intgrs. Les MEMS rencontreront le mme problme, car lorigine en est la nature statistique des paramtres de bruit, diffrente selon que lon a affaire des assemblages discrets ou des technologies de type "intgres". On a vu (p. 70) que la performance cible d'un systme peut tre modlise par un polynme dons les termes sont les paramtres de dessin (x) et de bruit () du MEMS : 88 Flavien Delauche Optimisation statistique
y ( x, ) = b0 + ai xi + d j j + cij xi j + eii xi + g jj j
2 i =1 j =1 i =1 j =1 i =1 j =1
(qu. 3-1)
On ne va pas au-del des termes quadratiques qui permettront de bien retranscrire une rponse ventuellement non linaire. De mme, on ne se proccupe pas des interactions du troisime ordre ou plus car il est physiquement avr qu'elles ne jouent presque jamais de rle, mme d'importance modre. On s'intresse la rduction de la variabilit de la performance, on exprime donc sa variance :
Var ( y ) = y = E (y E ( y ) ) = E ( y 2 ) {E ( y )} =
2 2 2
Rm
[y(x, ) y (x )]2 f ( )d
avec
y = E {y}= m y (x, ) f ( )d
R
(qu. 3-2),
valeur moyenne de y et f ( ) densit
de probabilit de
tel-00005359, version 1 - 16 Mar 2004
On dsire jouer sur cette variance en modifiant les paramtres de dessin (xi) :
E ( y )} Var ( y ) E ( y 2 ) { y = = 2 m ( y y ) f ( )d R xi xi xi
2
Or, comme
( y y) f ( )d = 0 d'aprs (qu. 3-2), on en dduit que si
y n'est pas une xi
fonction de , on ne pourra pas rduire la variance. Une condition ncessaire la rduction
2 y ( x, ) de variabilit est donc : 0 xi j
(qu. 3-3)
b) Cas des circuits discrets Chaque paramtre de dessin (xi), par exemple une rsistance, est associ son propre paramtre de bruit ( i), qui traduit la tolrance sur cette rsistance :
y ( x, ) = y ( x + ) et donc
y y = xi i
(qu. 3-4)
Des quations (qu. 3-3) et (qu. 3-4), on dduit que pour pouvoir minimiser la variance, il faut vrifier :
2 y( x + ) 2 y ( x, ) 0 pour i=j et 0 pour i j. 2 xi x j xi
On peut donc rduire la variance en jouant sur les paramtres possdant un coefficient important associ leur terme quadratique [Figure 3-3], ainsi que sur les interactions. Mais les coefficients associs ces dernires sont souvent beaucoup plus faibles que ceux des
89
termes quadratiques et les interactions sont aussi plus dures contrler : on ne travaillera donc que sur les termes quadratiques. La dmarche sera donc gnralement la suivante :
La variance est rduite en optimisant les paramtres aux effets non linaires sur la
performance.
La valeur moyenne est ajuste grce aux paramtres aux effets linaires importants et
aux termes quadratiques faibles.
performance fonction de transfert
tel-00005359, version 1 - 16 Mar 2004
P1
Figure 3-3 : Effet des termes quadratiques sur la rduction de la variance c) Cas des circuits intgrs Chaque paramtre de dessin n'est plus associ un paramtre de bruit particulier : l'espace vectoriel des paramtres de dessin n'est plus un sous-espace des paramtres de bruit. Un seul paramtre de bruit peut dgrader plusieurs paramtres de dessin. Par exemple, l'incertitude existant sur la largeur de grille en polysilicium d'une technologie donne est, en premire approximation, la mme pour plusieurs transistors. On ne vrifie donc plus l'quation (qu. 3-4)
2 y ( x, ) y y = , et l'quation (qu. 3-3) 0 n'intervient xi j xi i
plus qu' condition qu'il existe une interaction liant un paramtre de dessin et un paramtre de bruit, c'est dire que l'influence d'un paramtre de bruit sur la performance cible du MEMS ne sera pas la mme suivant la valeur du paramtre de dessin. Nous devons donc baser notre rduction de variance sur l'valuation des interactions entre paramtres de dessin et de bruit. Le polynme qui nous convient le mieux pour dcrire la performance cible est donc linaire et comporte les interactions adquates ( xi j ) . L'quation (qu. 3-1) dbarrasse des termes quadratiques et considre proximit d'un point ( y 0 , xi , j )
0 0
s'crira donc :
y ( x, ) y 0 + ai ( xi xi ) + d j ( j j ) + cij ( xi xi )( j j )
0 0 0 0 i =1 j =1 i =1 j =1
90
En utilisant cette approximation, on peut dmontrer [STYB95] (page 83) que le gradient de la variance et le coefficient de corrlation entre y et
m Var ( y ) 2 2 cij d j j et y , j xi x = x j =1
0
s'approchent par :
x = x0
CoVar ( y, j ) j y
dj
j y
(qu. 3-5)
La dmarche suivre dans le cas des circuits intgrs est donc la suivante :
Rduire la variance en optimisant les paramtres xi pour lesquels la somme

m 2 j ij j
c d
j =1
est initialement importante.
La valeur moyenne est ajuste grce aux paramtres de dessin aux effets linaires
importants, et en dernier recours avec ceux qui taient critiques lors de l'tape prcdente.
tel-00005359, version 1 - 16 Mar 2004
3.1.3 UTILISATION DES PLANS MULTIPLES DE TAGUCHI

Puisque ce sont les interactions entre les facteurs de bruit et de dessin qui peuvent nous aider rduire la variabilit de la rponse, nous nous intressons aux plans produits de Taguchi qui semblent parfaitement adapts. Dans notre cas, ce n'est pas une performance qui s'exprime sous forme de scalaire que l'on aimerait pouvoir optimiser pour nos MEMS dans un premier temps, mais une performance sous forme de vecteur. Il faut donc adapter le calcul de la dispersion et de la valeur moyenne dductibles des plans produits. Prenons l'exemple de x1, au niveau haut pour la troisime exprience. Que pouvonsnous considrer comme valeur moyenne et comme dispersion dans le cas ou l'on dispose d'un vecteur de dimension n ? Il va falloir les redfinir, car correspond maintenant Y31 Y32 Y33 Y34 .
Y311 Y312 Y31n Y321 Y322
Y331 Y332
Y341 Y342
Y32n
Y33n
Y34n
Les calculs ne peuvent donc plus s'effectuer de la mme manire. Nous sommes particulirement intresss par les rponses en analyse AC des MEMS. Le problme est reprsent sur la [Figure 3-4].
91
Gain
gabarit pour l'estimation du rendement
rponse cible
x1
x2
x3
Figure 3-4 : Simulations AC d'un passe-bas en prsence de bruit Les lignes haches reprsentent le gabarit que l'on utilisera pour estimer le rendement: une simulation sera plus tard juge hors spcifications si l'un de ses points n'est pas compris dans l'intervalle dfini par le gabarit. La ligne paisse au centre reprsente la valeur vers laquelle on veut tendre lors de l'optimisation. Le tube donne une ide de la dispersion que l'on voit apparatre si l'on ralise de multiples analyses dans des conditions de bruit diffrentes. a) Calcul de la "moyenne" Il s'agit en ralit maintenant d'une fonction erreur que nous valuons en utilisant la mthode des moindres carrs. Optimiser la performance cible reviendra par la suite minimiser cette erreur, reprsente sur la [Figure 3-5].
Gain simulation k
Yxi
tel-00005359, version 1 - 16 Mar 2004
Y xi
cible
Yxi cible
x1
x2
xn
Figure 3-5 : Calcul de l'erreur sur une simulation On peut calculer l'erreur de cette simulation vis--vis de la valeur cible avec une fonction erreur, par exemple les moindres carrs : simu =
1 1 2 xi = (Yxi Yxi cible) n xi n xi
92
b) Calcul de la dispersion Pour la calculer, on considre toutes les simulations ralises pour une combinaison i (ici i=3) du plan principal :
Y311 Y312 Y31n Y321 Y322 Y32n Y331 Y332 Y33n Y341 Y342 Y34n
3 = 1 j Y3 j Y3 1 1 1 max 1
2
32
3n
3 = 1 n 3 n i =1 i
On remarque que le calcul de la dispersion pour un point xi ncessite auparavant de calculer la rponse moyenne en ce point de toutes les simulations de bruit effectues pour
tel-00005359, version 1 - 16 Mar 2004
une combinaison du plan principal. On peut rcrire le plan produit donn lorsque la cible est un scalaire [Tableau 3-1], mais ce nest plus la rponse moyenne que lon essaie doptimiser, mais une fonction erreur que lon essaie de rduire.
Exp. nj
1
1 -
2 + +
3 + +
4 + + -
Exp. ni 1 2 3 4
x1 + +
x2 + +
x3 + + Y11 Y21 Y31 Y41 Y12 Y22 Y32 Y42 Y13 Y23 Y33 Y43 Y14 Y24 Y34 Y44
1 2 3 4 x1 x1 +
1 2 3 4 x1 x1 +
Tableau 3-1 : Plan produit : cas o la cible est un vecteur Si l'on s'intresse l'effet du facteur x1 au niveau haut (pointill), on calcule comme nous venons de le voir 3 et 4 , puis leur moyenne x1 + .
93
De mme, on calcule notre fonction erreur pour chaque simulation, puis on la moyenne sur chaque combinaison du plan principal : 1 , 2 , 3 , 4 , avant de la moyenner nouveau pour le rsultat final, en ne considrant que les expriences adquates du plan principal.
3.2 SPECIFICATIONS ET PERFORMANCES

Les spcifications seront donnes sous forme de limites et de gabarit (Figure 2-1) dans un premier temps. Une fois l'algorithme global pleinement valid, il sera trs ais de proposer une alternative telle que de fournir une fonction pour dcrire une limite ou un courbe cible sur un intervalle donn. Cela ne fera que faciliter la saisie du problme, mais ne changera donc en rien sa mthode de rsolution. Concernant l'valuation des performances, nous considrerons de mme le cas le plus
tel-00005359, version 1 - 16 Mar 2004
simple : une courbe de rfrence pour des analyses transitoires et surtout AC.
3.3 ESTIMATION DU RENDEMENT

Nous avons vu ( 2.3) qu'il y avait diffrentes faons d'valuer le rendement par des mthodes de type Monte-Carlo. Y consacrer du temps n'est pas superflu puisque l'on peut rduire la variance sur l'estimateur de Monte-Carlo tout en rduisant le nombre de simulations requises. Toutefois, notre but n'est pas de travailler sur ce problme, mais de nous consacrer seulement l'optimisation du rendement. Nous utiliserons donc une analyse de Monte-Carlo classique pour raliser des tirages alatoires, la plus recommande lorsque l'on ne dispose pas d'une fonction de performance. Ce critre n'entrera donc pas en considration lors de l'valuation globale de l'algorithme.
3.4 REDUCTION DE LA VARIABILITE D'UNE PERFORMANCE

Nous avons vu que pour rduire la variabilit, il fallait s'intresser aux interactions entre les facteurs de dessin et les facteurs de bruit. On dsire utiliser un algorithme de forme itrative : on ne cherche pas quelle est la solution optimale, c'est dire la combinaison de valeurs des facteurs qui minimiserait la dispersion de la performance, mais sa direction. A chaque nouvelle itration, chaque facteur voluera donc suivant cette direction. Pour la connatre, nous utilisons les plans produits qui peuvent correspondre implicitement un modle factoriel (qu. 2-3) qui comporte ces interactions. Nous pouvons choisir une bonne rsolution lorsque l'on dispose de peu de facteurs de dessins (V ou plan complet) mais dans le cas contraire, nous choisirons des plans de rsolution III. Dans le cas o il existerait une forte interaction entre deux paramtres de dessin, on risque d'attribuer par la suite un
94
facteur de dessin (qui lui est alias) une facult minimiser la variance de la rponse qu'il ne possde peut tre pas. Le facteur sera donc conserv lors de l'itration suivante, alors que son ventuelle limination pourrait nous faire l'conomie de simulations, mme si elles ne sont jamais vraiment perdues. Pour limiter cet inconvnient, nous n'utiliserons des plans de si faible rsolution que pour un nombre de facteurs de dessin suprieur 16.
3.4.1 REDUCTION PREALABLE DU NOMBRE DE FACTEURS

Puisque nous utilisons les plans produits de Taguchi, le nombre d'expriences raliser chaque itration est le produit du nombre d'expriences du plan principal et du plan bruit (i.j). Dterminer les interactions pour chaque couple ( xi , j ) peut tre trs onreux en nombre de simulations. Il est donc trs rentable de raliser un premier plan ne comportant que des facteurs de bruit afin de dterminer leur importance pour la rduction de variabilit
tel-00005359, version 1 - 16 Mar 2004
du MEMS. On value ainsi leur coefficient de corrlation (qu. 3-5) et on limine les facteurs de bruit dont la variabilit n'influe pas sur celle de la performance. Ces facteurs seront rintgrs par la suite pour les phases d'estimation du rendement et d'ajustage de la valeur moyenne de la performance, o ils ont un autre rle jouer. Concernant les facteurs de dessin, cela est plus dlicat : en prenant un plan unique sans considrer les facteurs de bruit, on ne peut juger leur effet principal s'ils ont un rle jouer dans la rduction de variabilit (qu. 3-3). Il peut donc tre dommageable pour cette phase de supprimer d'emble du processus d'optimisation certains facteurs de dessin qui sembleraient peu important.
3.4.2 ALGORITHME DE REDUCTION DE LA VARIABILITE

Notre choix a donc port sur l'utilisation des plans produits de manire itrative. A l'issue de la ralisation des expriences, en l'occurrence des simulations, nous effectuons les calculs (p. 93) qui nous permettent d'valuer l'impact du choix des niveaux des facteurs de dessin sur la dispersion de la performance. Nous dterminons ainsi une direction dans laquelle il semble prfrable de faire voluer chaque facteur de dessin afin de rduire la variance de la rponse [Figure 3-6].
95
P1 Rt1
isocourbes de la performance
Rt2
P2
Figure 3-6 : Dplacer la rgion de tolrance pour minimiser la dispersion Lors de l'itration suivante, les facteurs se voient attribuer deux nouveaux niveaux qui devraient la fois fournir une variance moindre qu' l'itration prcdente et donner une indication sur les valeurs des niveaux choisir pour l'itration suivante. a) Pas d'incrmentation
tel-00005359, version 1 - 16 Mar 2004
Il est critique dans la plupart des algorithmes. En effet, trop petit, il y a un risque de ne pas voir d'amlioration notable d'un niveau l'autre, ou de nous faire tomber dans un minimum local. Trop grand, nous prenons le risque de ne pas voir des minimums qui seraient trs satisfaisants. Souvent, quand le pas est impos ds le dpart de manire fixe, on le prend comme un pourcentage de la valeur nominale du facteur auquel il s'applique [Figure 3-7]. C'est la premire approche que nous avons choisie pour nous concentrer sur d'autres aspects du problme. Nous pouvons distinguer deux pas : pas1 qui spare les niveaux bas et haut d'un facteur d'un plan d'expriences, et pas2 qui spare les deux mmes niveaux d'un facteur lorsque l'on considre deux itrations (Ik) successives. Ik
pas1
Ik+1
-
pas2 facteur xi
+ valeur initiale
Figure 3-7 : Pas d'incrmentation On peut trs bien envisager la ralisation d'un plan produit initial avec un pas pondr par la connaissance que le concepteur a du MEMS, puis le reconsidrer automatiquement chaque itration en fonction des effets principaux. Pour un effet principal important, il semble cens de diminuer le pas et l'inverse, d'augmenter l'cart entre les niveaux des facteurs qui semblent de moindre importance. Le pas d'incrmentation doit aussi tenir compte, dans le cas des paramtres mixtes, de la dispersion propre au paramtre, pour ne pas confondre l'effet rel du l'augmentation de sa valeur avec du bruit, comme sur la Figure 3-8 a. Cela nous amne dfinir une relation
96
entre pas1 et pas2. Dans l'algorithme, pas1 est appel pas, et nous considrerons tout d'abord que posons pas2=2. [Figure 3-8 b]. De la sorte, le risque de confondre bruit et effet du facteur est minimis et l'on conserve le mme cart entre deux niveaux d'une mme itration et les niveaux adjacents de deux itrations successives. Lors de la mise au point de l'algorithme, cela simplifie la comprhension des rsultats.
Nb de MEMS
a) -k
Ik
-k+1 +k Ik+1 pas2
+k+1
tel-00005359, version 1 - 16 Mar 2004
b) -k
Ik
+k
-k+1
Ik+1
performance
pas1
Figure 3-8 : Dtermination d'un pas minimum Il s'est avr par la suite que pour une dizaine de paramtres mixtes, un pas initial de tre choisi sans que cela entrane obligatoirement une confusion notoire quant la direction suivre pour l'itration suivante. Le pas minimum dpend beaucoup du nombre de paramtres de bruit et de leur influence respective sur la variabilit globale de la rponse. Une analyse de sensibilit ralise avec les premires itrations permettrait de mieux choisir le pas. b) Diminuer le nombre de facteurs Le but tant videmment de rduire le nombre de simulations raliser. Chaque fois qu'un facteur est fix, il disparat du plan principal et prend la valeur du niveau qui minimise au mieux la variabilit. Nous avons identifi cinq points critiques pour diminuer petit petit la dimension du problme : Trop faible amlioration due un facteur : Si les deux niveaux d'un facteur ne se distinguent pas par une variation notable de la dispersion de la rponse, c'est qu'il n'est gure intressant de le conserver dans le processus d'optimisation, nous le fixons donc au niveau le plus avantageux, et nous le retirons du plan principal. Soient 1 et 2 les valeurs de la dispersion associes aux niveaux
97
bas et haut d'un facteur de dessin. Ps1 est un pourcentage fix par l'utilisateur tel que si
2 1 Ps1 max[ 2 , 1 ], alors le facteur considr est fix.

Surnombre des facteurs de dessin : Pour ramener rapidement un problme de forte dimension un nombre de facteurs plus raisonnable, nous pouvons choisir quel sera le pourcentage d'entre eux automatiquement fix chaque nouvelle itration. Les facteurs sont classs suivant l'ordre de grandeur de la diffrence de la dispersion entre leur niveau haut et bas ( 2 1 ). Ps2 est le pourcentage de facteur fixer, il y en a donc Ps 2 .nombre de facteurs . Les facteurs sont rangs par ordre dcroissant suivant 2 1 , ce sont donc les derniers de la liste que l'on fixe en premier.
tel-00005359, version 1 - 16 Mar 2004
Valeur optimale cerne : Il y a un travail important effecteur sur le pas d'incrmentation, mais pour une premire approche pas fixe, on peut faire une simple amlioration lorsque la direction optimale prconise est modifie d'une itration Ik la suivante, Ik+1. Sur la Figure 3-9, on peut voir que les prochains niveaux de la dernire itration pour ce facteur avant qu'il ne soit fix sont choisis entre les niveaux les plus prometteurs des deux dernires itrations. Le facteur sera ensuite fix au meilleur des quatre niveaux. Ik Ik+2 Ik+1
facteur xi
Figure 3-9 : Oscillations autour d'un minimum Il y a donc des risques de tomber dans des minimum locaux si la variabilit n'est pas monotone dans l'intervalle. Dpassement des valeurs limites : On est aussi amen fixer un facteur quand ce dernier a atteint les limites de son intervalle de validit. Comme dans le cas prcdent, le pas est alors lgrement modifi pour tre plus intressant [Figure 3-10], et le facteur est fix au meilleur des quatre derniers niveaux.
98
Ik
Ik+1
valeur max
facteur xi
Figure 3-10 : Valeur limite atteinte pour un facteur de dessin Dgradation de la valeur moyenne de la rponse : Lorsque l'on fait varier la valeur des paramtres d'un MEMS pour rduire la variance d'une performance, il se peut que l'on dgrade fortement la valeur moyenne de cette performance. Pour limiter cet effet ngatif, on introduit un troisime paramtre, Ps3. On fixera ainsi les facteurs qui ne rduisent la variance qu'en dgradant fortement la valeur moyenne de la performance et qui vrifient . < 0 et
> Ps 3 max[ 2 , 1 ].
tel-00005359, version 1 - 16 Mar 2004
c) Facteurs non fixs Les facteurs qui ne sont pas fixs ont a priori un effet important. Si nous ralisions de vraies expriences et non des simulations, il faudrait s'en assurer en faisant une analyse de la variance. En effet, cela ne ncessite pas de simulation supplmentaire, mais cela permet de s'assurer que l'amlioration que nous estimons significative n'est pas due un simple effet de la variabilit des performances due aux facteurs de bruit non contrls, c'est dire non prsents dans le plan. Dans le cas de nos simulations, les ventuels facteurs de bruit non contrls sont fixs, l'analyse de variance n'est donc pas ncessaire. d) Critres d'arrt Le nombre d'itrations maximum peut tre fix (boucleAmax), mais la phase de rduction de la variance se finit aussi dans le cas ou tous les facteurs se retrouvent fixs avant d'atteindre cette limite. e) Organigramme Nous pouvons regrouper tous les cas et critres noncs dans un organigramme [Figure 3-11]. Les niveaux sont nots N, 1 pour bas, 2 pour haut, min ou max pour leurs valeurs limites. Si lon se rfre aux valeurs de litration prcdente, on ajoute ' aprs les variables. Les cases carres sont des tests. FinBoucle est un booleen indiquant s'il faut sortir de la boucle ou fixer le facteur aprs la prochaine itration. FixFact est un boolen stipulant que le facteur concern doit tre fix, aprs la prochaine itration, au meilleur niveau parmi N1, N2, N1' et N2'.
99
Tant que !FinBoucleA
boucleA=boucleAmax OU Ps2 =100
Ralisation du plan produit. Pour tout facteur de dessin : Si * < 0 ET > Ps 3 Max ( 1 , 2 ) OU Si FixFact=1 OU Si 2 1 Ps1 max 2 , 1
OU Si un facteur fait parti des (Ps2 *nb de facteurs) facteurs les moins significatifs d'aprs 2 1 ALORS facteur fix FinBoucleA=1 facteurs fixs
Tous les facteurs sont fixs
tel-00005359, version 1 - 16 Mar 2004
On considre chaque facteur non fix :
2 1 0
N1, 1 sauvs ( ' ) N1=N2'+pas/3 N2=N2'+2*pas/3 FixFact=1
boucleA=1 ? direction=0 ?
boucleA=1 ? direction=1 ?
N2, 2 sauvs ( ' ) N1=N2'+pas/3 N2=N2'+2*pas/3 FixFact=1
Direction=0 N1,N2 1 2 sauvs ( ' ) Si (N1-2*pas > Nmin) alors N1=N1-2*pas N2=N2-2*pas Sinon N1=Nmin N2= (Nmin+N1)/2 FixFact=1
Direction=1 N1,N2 1 2 sauvs ( ' ) Si (N2+2*pas < Nmax) alors N1=N1+2*pas N2=N2+2*pas Sinon N1= (N2+Nmax)/2 N2=Nmax FixFact=1
boucleA++
Figure 3-11 : Organigramme de la rduction de la variabilit
3.5 AJUSTEMENT DE LA REPONSE MOYENNE DU SYSTEME

Il se peut que ltape de rduction de variabilit nous ait rapproch de la valeur cible pour la valeur moyenne de la performance du MEMS. Toutefois, ce cas reste marginal et gnralement, la valeur moyenne de la mesure de la performance est fortement dgrade. Nous procdons donc la deuxime phase de notre processus doptimisation : lajustement de la rponse moyenne du MEMS. 100 Flavien Delauche Optimisation statistique
Nous reprenons nouveau l'ensemble des facteurs de bruit en compte. En effet, ceux qui avaient t carts du processus d'optimisation car ils ne pouvaient pas contribuer l'tape de rduction de la variance doivent par contre tre considrs pour la rduction de l'erreur sur la valeur moyenne de la performance.
3.5.1 OPTIMISATION MULTI-OBJECTIFS : ANTICIPER LES PROBLEMES A VENIR

Avant de dfinir la fonction cot retenue, il est utile de se pencher sur la prochaine tape logique pour laquelle elle sera cruciale : loptimisation multi-objectifs. Il sagira non plus doptimiser une performance du MEMS, mais un ensemble de performances de natures ventuellement trs diffrentes : dplacement maximum, variation de capacit, dformation, frquence de rsonance Pour pouvoir comparer les erreurs associes ces performances, la premire approche est de saffranchir de lunit et de les ramener un ordre de grandeur comparable. En tout point, cette opration est ralise simplement par une division de lerreur absolue (diffrence en un point entre la simulation et la cible) par Yref, obtenant ainsi une erreur relative. Yref doit tre identique dune simulation lautre pour juger de lamlioration apporte par telle ou telle combinaison de paramtre. Yref doit donc tre fix non pas en fonction de la simulation mais des contraintes doptimisation sur la
n performance traite. Classiquement, Yref = 1 Yxi cible . Cette solution nest pas idale,
tel-00005359, version 1 - 16 Mar 2004
i =1
notamment lorsque Yref est proche de 0 ou que lon dispose de peu de points dfinissant la courbe cible, mais cest une premire approche qui donne de bons rsultats dans la plupart des cas. Par ailleurs, aucune solution globale ne semble tre propose dans la littrature pour aborder au mieux ce problme. Dans le cas o une seule performance intervient, nous serions tents de fixer Yref 1 mais l'erreur en un point dans les spcifications risquerait d'tre plus grande que lorsque l'on est tout juste hors spcifications en ce point, suivant les fonctions cot considres. On rencontre aussi un problme si l'on a affaire une courbe cible dont le minimum et le maximum sont trs loigns et o seuls un petit nombre de points sont ces extrmits et n'influencent pas Yref. Le problme de considrer une erreur relative dans le cadre d'une optimisation multiobjectifs est que l'on attribuera une importance diffrente l'erreur en un point suivant l'amplitude de la rponse en ce point. Cela peut tre un effet non dsirable, comme on le voit sur la Figure 3-12 o l'on souhaite des dplacements d1 et d2 diffrents pour 2 poutres, mais sur lesquels on admet les mmes incertitudes ou tolrances. Hors, de par la formulation de l'erreur, l'algorithme privilgiera la rduction de l'erreur du dplacement le moins important.
101
Pour contrebalancer cet effet, on peut associer un poids plus important la performance "d1", mais cela reste un problme de fond.
d d2 simulations d1= d2/2 1= cibles 2=2. Poids=1 Poids=2
Figure 3-12 : L'erreur est proportionnelle l'amplitude de la rponse
tel-00005359, version 1 - 16 Mar 2004
3.5.2 CHOIX DE LA FONCTION ERREUR

La fonction erreur choisie doit pouvoir tenir compte de diffrents cas. Nous prenons un exemple pour une analyse AC dun MEMS dont le comportement en frquence est analogue celui dun filtre passe-bas [Figure 3-13]. La fonction erreur doit retranscrire tous les cas qui peuvent se prsenter en un point suivant la contrainte qui y est associe : un gabarit, une limite suprieure ou infrieure, une courbe cible, une combinaison de ces possibilits ou rien. La figure suivante reprend tous les cas envisags.
limite Gain gabarit courbe cible
SH
Yxi
SB
Yxi cible
8 f
Figure 3-13 : Combinaison de contraintes pour une optimisation des performances Dans chacun de ces cas, la fonction erreur est fixe. Ce choix initial pourra encore tre affin avec lexprience et la confrontation avec des cas particuliers. Pour un point (ici une frquence) o les limites sont respectes, lerreur associe est la suivante : 1. xi = 0 , puisque aucune contrainte nest fixe, aucune erreur nest comptabilise pour ce point.
102
2. xi = e
Yx S B i Yref
. Lexponentielle ngative permet une erreur infrieure 1 et rapidement
dcroissante lorsque lon sloigne de la limite. Pour le calcul de Yref, on prendra

Yxi cible = S B en ce point.
S H Yx i Yref
3. xi = e
. On prendra ici Yxi cible = S H .

2
SH SB Yxi cible Yxi = 4. xi = 0,25. . On prendra ici Yx cible i . 2 Yref

Pour les cas 5 8, nous disposons dune courbe cible : nous utiliserons donc les moindres carrs et Yxi cible , qui est fourni, pour le calcul de Yref.
tel-00005359, version 1 - 16 Mar 2004
Yxi Yxi cible 5. xi = 0,5. . Yref Yxi Yxi cible 6. xi = 0,75. pour tenir compte du danger supplmentaire du S B . Yref Yxi Yxi cible 7. xi = 0,75. pour tenir compte du danger supplmentaire du S H . Yref Yxi Yxi cible 8. xi = 1. pour tenir compte de la prsence dun gabarit. Yref
Dans la pratique, il vaut mieux viter de mlanger les types de fonctions derreurs (moindres carrs et exponentielles). Cest pourquoi lorsquil sera ncessaire de dfinir une courbe cible, il est prfrable de le faire en tous points o il existe des contraintes si cela est possible, pour ne pas avoir recours aux exponentielles. A contrario, si seules les limites suffisent au problme doptimisation et quil nest pas absolument ncessaire dutiliser une courbe cible, nous en ferons l'conomie. Les coefficients prsents devant les expressions peuvent tre ajusts en prsence de cas particuliers, le problme tant den prvoir le plus grand nombre avant dy tre confront pratiquement. Ces fonctions d'erreurs sont considres dans le cas o les spcifications sont respectes. Mais lorsquun point savre hors spcifications, il faut donner plus de poids lerreur qui lui est associe. La plupart des erreurs dfinies prcdemment sont en pratique
2 2 2
103
gnralement infrieures 1. La fonction erreur pour un point hors spcifications doit donc tre rapidement suprieur 1. Nous prendrons donc lexponentielle positive :
H
si
Yx i > S
alors xi = e alors xi = e
Yxi S H Yref
>1 >1
si
Yx i < S
S B Yxi Yref
Il faut noter que si 1 point sur 10 se retrouve hors spcifications, il aura effectivement un poids beaucoup plus important que les autres mais cette information risque toutefois d'tre trop tempre par ces derniers pour tre prise en compte. On peut donc imaginer un coefficient multiplicateur devant l'exponentielle qui serait fonction du nombre de points considrs suite la simulation.
tel-00005359, version 1 - 16 Mar 2004
3.5.3 ALGORITHME
PERFORMANCE
DE
LAJUSTEMENT
DE
LA
VALEUR
MOYENNE
DUNE
Lalgorithme est semblable celui de la rduction de variance. La seule diffrence est que la fonction optimiser n'est plus la variance rduire, mais l'erreur image du mauvais ajustement de la valeur moyenne de la performance vis--vis de la cible. a) Pas d'incrmentation Il reste le mme que dans l'tape prcdente, et pourra tre amlior de la mme manire. b) Diminuer le nombre de facteurs Comme prcdemment, nous utiliserons des routines permettant de limiter le nombre de facteurs. Si ces derniers n'apportent pas d'amlioration intressante et vrifient donc que
2 1 Pe1 max [ 2 , 1 ], ils seront fixs. De mme, si les facteurs sont trs nombreux, on peut
fixer les (Pe2.nb de facteurs) facteurs les moins significatifs d'aprs 2 1 . Lorsque l'on est proche d'un minimum local ou que l'on arrive aux bornes de l'intervalle d'intrt d'un facteur de dessin, on procde comme pour le cas de la rduction de variance. c) Critres d'arrt Encore une fois, on s'arrte lorsque le nombre maximum d'itrations est atteint (boucleBmax) ou que tous les facteurs sont fixs. Le paramtre boucleBmax sera suprieur boucleAmax, pour pouvoir revenir au minimum au point initial si les intrts de la rduction
104
de variance et de l'ajustement de sont totalement divergents. Typiquement, nous prendrons boucleBmax=2.boucleAmax.
3.5.4 LES DIFFERENCES ENTRE LES DEUX ETAPES

Hormis que les paramtres Pe1, Pe2 et boucleBmax n'ont pas forcment les mmes valeurs que leurs homologues de la premire tape, il existe une diffrence de poids entre ces deux algorithmes. Pour que la seconde tape ne se fasse au dtriment du gain de la premire, il ne faut pas utiliser les facteurs qui dgraderaient la variance; mais c'est prendre le risque de rester trs loign de la valeur moyenne cible de la performance. Nous pourrions donc rduire l'erreur grce aux facteurs ayant non pas un important, mais un bon rapport signal sur bruit
SON = xi
. Ce rapport est toutefois beaucoup moins vident

Vary xi
tel-00005359, version 1 - 16 Mar 2004
manier que . Aussi, bien qu'il reprsente l'un des principaux intrts de notre approche, nous l'affinerons plus tard, car il semble que dans un premier temps, le gain de la premire tape ne soit pas entirement perdu. Cela s'explique par le fait que les facteurs qui sont conservs le plus longtemps dans le processus de la seconde tape ne sont pas les mmes que dans la premire tape. Les principaux facteurs jouant sur la rduction de la variance y sont donc fixs plus tt, ce qui limite l'augmentation de la variance, et la laisse finalement infrieure aux conditions initiales. L'utilisation d'un ratio signal sur bruit devrait amliorer cette premire approche, il faut toutefois un certain nombre de facteurs pour pouvoir s'en rendre compte, et de plus qu'ils se comportent diffremment : que certains ne jouent que sur , d'autres que sur et d'autres sur les deux
3.5.5 ORGANIGRAMME
REPONSE
DE LAJUSTEMENT DE LA VALEUR MOYENNE DE LA
L'organigramme [Figure 3-14] est trs semblable celui de la rduction de variance, si ce nest la fonction traite. Seule diffrence : lapparition dun rapport signal sur bruit qui devrait jouer un rle important dans les problmes comportant de nombreux facteurs de dessin (plus de 10).
105
Tant que !FinBoucleB
boucleB=boucleBmax OU Pe2=100
xi
!=0 alors
SON =
Vary xi
, sinon SON = 2 1
Ralisation du plan produit. Pour tout Facteur de dessin : Si FixFact=1 OU Si 2 1 Pe1 max 2 , 1
OU Si un facteur fait parti des (Pe2 *nb de facteurs) facteurs les moins significatifs d'aprs 2 1 ALORS facteur fix
tel-00005359, version 1 - 16 Mar 2004
Tous les facteurs sont fixs
FinBoucle=1 facteurs fixs
On considre chaque facteur :
2 1 0
Affichage des rsultats
N1, 1, 1sauvs ( ' ) N1=N2'+pas/3 N2=N2'+2*pas/3 FixFact=1
boucleB=1 ? direction=0 ?
boucleB=1 ? direction=1 ?
N2, 2, 2 sauvs ( ' ) N1=N2'+pas/3 N2=N2'+2*pas/3 FixFact=1
Direction=0 N1, N2 1 2,
1, 2 sauvs ( ' )
Direction=1 N1,N2 1 2,
1, 2 sauvs ( ' )
Si (N1-2*pas > Nmin) alors N1=N1-2*pas N2=N2-2*pas Sinon N1=Nmin N2= (Nmin+N1)/2 FixFact=1
Si (N2+2*pas < Nmax) alors N1=N1+2*pas N2=N2+2*pas Sinon N1= (N2+Nmax)/2 N2=Nmax FixFact=1
boucleB++
Figure 3-14 : Organigramme de lajustement de la valeur moyenne dune performance
3.6 CHOIX DES PLANS DEXPERIENCES

Nous avons choisi une approche utilisant les plans produits, il faut donc prciser quels sont les plans principaux et plans bruits que nous allons utiliser. Au-del de 16 facteurs, ce
106
seront des plans de faible rsolution (III). Pour moins de 16 facteurs, nous choisirons des plans complets ou des plans de rsolutions IV ou V, donns dans le Tableau 3-2.
Nombre de facteurs 1 2 Rsolution du plan plan complet plan complet plan complet IV V IV IV Tables orthogonales de Taguchi L8 L16 L16 L32 Colonnes utiliser 1, 2, 4, 7 1, 2, 4, 8, 15 1, 2, 4, 7, 8, 11, 13, 14 1,3,5,7,9,11,13,15,17,19,21,23,25,27,29,31
3 4 5
tel-00005359, version 1 - 16 Mar 2004
6, 7, 8 9,10,11,12,13,14,15,16
Tableau 3-2 : Choix des plans d'expriences en fonction du nombre de facteurs Le but est d'utiliser les plans de faible rsolution pour rduire sensiblement la dimension du problme (nombre de facteurs) peu de frais, c'est dire peu de simulations. En dessous de 16 facteurs, on considre des plans de plus forte rsolution car leur cot n'est plus prohibitif.
3.7 OPTIMISATION DE PLUSIEURS PERFORMANCES SIMULTANEMENT

Comme nous l'avons prcis, il est important de traiter srieusement le problme de la fonction cot lorsque l'on a affaire une seule performance. Cela devient encore plus important dans le cadre d'une optimisation multi-objectifs, mais nous garderons pour le moment la fonction cot dfinie prcdemment. Nous associons chaque performance cible I un poids Pi (phase rduction de la variance) et Pi' (phase d'ajustement de la valeur moyenne). Si l'on considre les performances i lors de la seconde phase, nous calculons l'erreur globale associe une combinaison du plan principal par : = simulations. Il reste une voie intressante explorer qu'il faudrait comparer cette approche. Dans le cas o une estimation du rendement est ralise avant l'optimisation, et c'est souvent le cas pour pouvoir juger de l'amlioration apporte, on peut envisager de se servir de ces rsultats initiaux. Ainsi, l'erreur globale associe une combinaison du plan principal
P '
i i
. Les i sont calculs d'aprs les rsultats de
107
s'crirait : N1 =
perf n i =1
P '. i
i
i N 1
initial
. Cette approche prsente l'avantage d'viter la division par
Yref lors du calcul de la fonction erreur, dangereuse, qui n'est plus ncessaire. Son inconvnient est qu'une estimation du rendement est thoriquement ncessaire aprs la ralisation de chaque plan produit. Se baser sur les quelques simulations ralises lors du plan produit pour estimer le rendement est trop hasardeux, et raliser une estimation par une analyse de Monte-Carlo classique trop coteux en temps, mais cette approche serait certainement trs intressante si une mthode rapide d'estimation du rendement tait implmente (2.3) et que l'on avait affaire des MEMS peu complexes et simulables rapidement au sein d'une netlist. Elle donnerait a priori de meilleur rsultats dans ces conditions, et pourrait tre propose comme une option quand les performances cibles sont trs nombreuses et que le MEMS est trs simple.
tel-00005359, version 1 - 16 Mar 2004
Dans ce chapitre, nous avons dtaill l'algorithme mis au point pour raliser l'optimisation statistique du rendement paramtrique de microsystmes. Il fait appel la mthode des plans d'expriences et comporte deux phases principales : la rduction de variance des performances puis l'ajustement de ces performances. Cette approche est choisie car elle permet une diminution sensible de la variance lorsque cela est possible, contrairement aux mthodes habituelles dans lesquelles la variance est une donne de second ordre, quand elle est considre.
108
tel-00005359, version 1 - 16 Mar 2004
Chapitre 4 IMPLEMENTATION DE L'ALGORITHME, APPLICATIONS ET RESULTATS
tel-00005359, version 1 - 16 Mar 2004
Chapitre 4 : Implmentation de l'algorithme, applications et rsultats
4. IMPLEMENTATION
DE
L'ALGORITHME,
APPLICATIONS
ET
RESULTATS
Nous abordons dans ce chapitre le problme de la modlisation des MEMS, essentiellement du leur aspect multi-physique, aspect que nous retrouvons dans les simulateurs utiliss dans ce domaine. Puis nous prsenterons la structure gnrale du logiciel dvelopp pendant la seconde moiti de la thse et aborderons ses points sensibles. Enfin, nous le mettrons en uvre en considrant deux exemples : celui d'un filtre RLC passe-bande et celui d'un microrsonateur MEMS.
tel-00005359, version 1 - 16 Mar 2004
4.1 MODELISATION DES MEMS

Il nexiste pas de langage spcifique aux MEMS. Suivant les cas, on utilise des modles lments finis, des modles comportementaux type Verilog-A ou des modles quivalents de type SPICE.
4.1.1 DIFFICULTES DE MODELISATION ET DE CONCEPTION

Les paramtres de dessin et les paramtres technologiques doivent clairement apparatre dans les modles et dans leurs instances situes dans la netlist, afin dtre accessibles loptimiseur. Nous devons donc traiter des modles paramtrs, cest le point commun tous les modles. Mais il se pose ensuite dautres problmes plus spcifiques : les phnomnes physiques cette chelle sont trop complexes pour tre modliss trop sommairement [BONI99]. a) Simulations multi-domaines Les actionneurs les plus courants sont les peignes lectrostatiques, utiliss notamment dans les acclromtres. Pour pouvoir les simuler, il faut connatre certaines de leurs caractristiques, notamment des capacits qui ne sont pas simples modliser et qui le sont donc gnralement par le biais de lutilisation de la mthode des lments finis (FEM) ou des lments aux frontires (BEM) [WHIT99]. Dans le premier cas, cest lensemble de lespace qui est "maill" pour permettre un calcul de proche en proche; dans le second, on ne sintresse qu la surface des volumes. Mais les peignes lectrostatiques comportent aussi une partie mcanique non moins importante, bien que plus aise modliser. La meilleure solution pour connatre la rponse dun tel systme est dutiliser un simulateur multi-physique
111
(ou la co-simulation), qui traitera en mme temps laspect mcanique et lectrostatique du problme. Ces simulateurs sont trs lents : ils font appel des mthodes type FEM ou BEM, et ncessitent un nombre trs important de calculs qui les rend peu attractifs dans le cadre d'une CAO "simple" ddie aux MEMS. On peut essayer de construire, partir des rponses de systmes obtenues par les lments finis, des modles comportementaux plus lgers qui seront implants dans une netlist et rapidement simuls. MEMSModeler, dvelopp par la socit MEMSCAP, permet d'obtenir de tels modles. Sans cela, la plupart des modles de MEMS sont donc assez rudimentaires ou ont un domaine de validit restreint. b) Importance de lusure Les MEMS comportent des structures mobiles : toutes les formes de dtrioration de structures mcaniques devraient donc tre prises en compte afin de pouvoir tablir un modle de vieillissement pour chaque MEMS. De plus, il existe l'chelle microscopique des
tel-00005359, version 1 - 16 Mar 2004
phnomnes non visibles en mcanique classique, mais que l'on ne peut pas ngliger ici. Ces modles sont intimement lis la technologie, et ici encore, une communication importante entre concepteurs et technologues est de mise. c) Problmes pour une technologie donne On peut facilement modliser le comportement d'une simple poutre ayant une extrmit libre, et l'autre fixe. Mais suivant la technologie employe, l'encastrement de la poutre peut prendre diffrents aspects [Figure 4-1], et donc les dplacements de cette dernire sous l'effort ne se feront pas toujours comme prvu si l'on utilise un modle trop rudimentaire. Ainsi, certaines approximations (capacit plane) peuvent s'avrer trs dangereuses. Une bonne modlisation doit donc tenir compte de nombreux paramtres lis au processus de fabrication et n'est toujours pas simple obtenir.
Figure 4-1 : La forme d'une simple poutre est fonction de la technologie utilise Par ailleurs, les tapes suivantes du processus de fabrication sont aussi cruciales : cette poutre n'aura pas la mme forme, notamment la mme paisseur, si elle est trs expose ou l'inverse, si elle se situe sous une structure plus large [Figure 4-2]. Il faut donc modliser la poutre en fonction de la technologie utilise, mais aussi des ventuelles structures environnantes. On peut limiter ces cas complexes, pour lesquels on ne dispose
112
pas forcment de modles appropris tant ils sont nombreux, mais cela limite malheureusement le potentiel offert par les structures en 3D. over-etch
Poly2
Poly1
Figure 4-2 : La partie non protge de la poutre de droite subit une sur-gravure d) Le device mismatch C'est un phnomne auquel on est confront lorsque deux structures identiques sont utilises dans un systme, mais qu'en raison des variations de la technologie au sein de la puce, la symtrie entre les deux structures n'est pas exactement assure [BONI99]. Cela peut entraner un dsquilibre en fonctionnement, il faut donc pouvoir en tenir compte lors de la phase de conception. Les variations de la technologie sont suivies diffrents niveaux [Figure 4-3].
lot lot
tel-00005359, version 1 - 16 Mar 2004
wafer wafer
inter-puce
intra-puce
Figure 4-3 : Dispersion des paramtres technologiques Ces variations deviennent de plus en plus critiques alors que les microtechnologies bnficient de gravures de plus en plus fines. Elles font l'objet de nombreuses recherches [STIN97] [OUMA96] [STIN96] [CHAN95] [BONI94]. Les technologues sont intresss par toutes ces nuances, mais pour les concepteurs qui sont supposs disposer d'une technologie assez stable, on se contente de considrer les variations inter voire intra-puce dans le cadre de l'optimisation statistique du rendement [MEHR00] [BONI96]. Si le concepteur dsire connatre les effets d'un device mismatch qui va dgrader les
113
performances de son MEMS et qu'il peut se permettre quelques milliers de simulations, il utilisera l'optimiseur qui fixera les facteurs de bruit de manire particulire chaque simulation. Au lieu de raliser un seul tirage alatoire sur une fonction ayant une distribution de type normale, centre en cart type alisera deux : un premier sur la distribution lie l'aspect inter-puce qui fixera la valeur moyenne pour le second tirage effectu sur la distribution lie la dispersion intra-puce [Figure 4-4].
nb de mesures intra-puce inter-puce
Valeur du facteur de bruit
1,
paramtre technologique
tel-00005359, version 1 - 16 Mar 2004
Figure 4-4 : Choix de la valeur d'un facteur de bruit Des mthodes sont proposes dans la littrature pour tenter de prvoir ces dispersions [CARL97]. Le NMRC (National Microelectronics Research Center-Irlande) [NMRC] notamment consacr beaucoup d'efforts la caractrisation statistique de technologies CMOS [DIAZ97] [MCCA98] [HEAL99].
4.1.2 MODELES SPICE

En CAO microlectronique, les simulateurs traitent des netlists o les circuits sont dcrits sous forme d'assemblage de modles de composants dont on prcise la valeur des paramtres. Le langage de description le plus utilis est SPICE. Dcrire des MEMS dans un tel langage revient essayer de traduire les quations rgissant le comportement des MEMS sous la forme d'un circuit lectronique dont la mise en quations est identique. Par ailleurs, les quations utilises pour dcrire ces comportements sont souvent des approximations : module d'Young quivalent pour des structures composes de plusieurs couches, approximation de capacits planes lors de calculs de pression lectrostatiques sur des peignes ou des lectrodes Le rsultat final donne gnralement une image assez grossire de la ralit.
4.1.3 MODELES COMPORTEMENTAUX

Les modles comportementaux sont pour le moment les plus intressants pour la CAO MEMS [SWAR98]. Ce sont des boites noires comportant des modles analytiques. Ces derniers retranscrivent directement les quations dcrivant le comportement des structures MEMS [GABB98]. Comme prcdemment, la justesse de ces quations est critique, mais
114
l'avantage est de n'avoir aucune approximation ou traduction de ces dernires avant de passer la phase de simulation. Les outils Cadence et Mentor Graphics restent les principaux environnements de conception en microlectronique analogique, et donc pour le moment pour les MEMS. Pour Cadence, c'est le Verilog-A qui est utilis comme langage de description, alors que VHDLAMS [HANN99] est utilis par Mentor en remplacement du HDLA avec le simulateur ADVance MS. Il suit la norme IEEE VHDL-AMS, comme le Verilog-A. Pour pouvoir analyser l'influence des incertitudes des paramtres technologiques sur les performances du MEMS, il faut pouvoir accder ces derniers de manire trs "prcise", et nous devons dfinir une approche pour les MEMS. Considrons un composant lmentaire : une plaque quatre cots. Son modle devra avoir certaines particularits, notamment celle d'tre orient par rapport aux autres composants du systme [Figure 4-5].
tel-00005359, version 1 - 16 Mar 2004
Dans ce type de modle, on tablit des connexions avec d'autres composants en stipulant quelles faces sont en contact en quel point.
y L D A W x C B ()
Figure 4-5 : Une plaque : composant lmentaire orient On peut faire apparatre dans la netlist les incertitudes existantes pour chaque couche de la technologie. Par exemple, si l'on considre la couche un de polysilicium (P1), nous mettrons dans la netlist les paramtres P1 x = 0, P1 y = 0 (si l'on raisonne en 2D) qui correspondent l'incertitude sur les dimensions de la couche suivant l'axe des x et des y et peuvent tre interprts comme un bruit "intgr". Si la plaque de la Figure 4-5 apparat dans cette netlist, ses dimensions figureront dans son modle sous la forme : si A ET B sont connects : L' = L , L' tant la valeur de L dans le modle. sinon : L' = L + P1 x cos + P1 y sin . Ainsi, lorsque l'on dsirera raliser une optimisation statistique du rendement, nous choisirons dans la netlist P1 x et P1 y comme paramtres de bruit "intgrs". Ce genre de paramtre qui s'applique tous les composants de la netlist, comme le module d'Young ou
115
la rsistivit des couches, n'est parfois pas donn directement dans la netlist mais dans un fichier "technofile" pour plus de lisibilit. Si l'on se limite ce type de modlisation, nous ne pourrons pas tenir compte de l'effet de device mismatch, car c'est la mme variation qui est applique ici toutes les structures ralises avec P1. Il faut donc que le concepteur considre un bruit supplmentaire dont l'effet s'additionnera au prcdent. C'est pourquoi chaque dimension gomtrique qui est passe en paramtre dans la netlist peut en plus se voir parasite par l'ajout d'un paramtre de bruit "discret". Le modle n'est pas modifier pour tenir compte de cette tape, la valeur du paramtre dans ce cas l est ajuste lors de l'criture de la netlist [Figure 4-6].
*Netlist
P 1 x = a , P 1 y = b... = x1 W = x2
ajout de bruit discret
*Modle ajout de bruit intgr Si A ET B connects : L ' = L Sinon
tel-00005359, version 1 - 16 Mar 2004
plaque1 (A B C D)
L = x3 (+ x3bruit )
L' = L + P1 x cos + P1 y sin
Figure 4-6 : Netlist et modle comportant des paramtres de bruit intgrs et discrets On peut dterminer ainsi quelques composants de bases tels que les plaques, les poutres ou les ancrages [BAIDYa99] [BAIDYb99]. Mais dfinir et utiliser des composants plus complexes qui ne seraient pas composs de ces lments de bases devient compliqu pour un concepteur. Ce dernier peut donc par exemple utiliser un outil utilisant la mthode des lments finis qui lui fournira ensuite un jeu d'quations rduites lui permettant de connatre la rponse du MEMS, par exemple un dplacement, aux points qui l'intresse. Ce modle permet de construire un modle comportemental paramtr, rapide simuler.
4.1.4 MODELES FEM

Les modles obtenus par le biais de la mthode des lments finis sont trs proches du comportement rel des structures MEMS. L'inconvnient est le cot de calcul par une telle mthode qui est prohibitif pour une CAO qui se veut simple est rapide pour concevoir des systmes ou valuer des technologies [WILS99]. On peut par contre imaginer une librairie de modles comportementaux raliss sur la base des systmes de matrices dfinies par la mthode des lments finis. Au cas o un concepteur ne trouve pas les composants (et donc leur modle) ncessaires la ralisation de sa structure dans une librairie, il doit pouvoir utiliser un outil permettant de faire de l'analyse lments finis (FEA) et d'en dduire les quations intressantes.
116
4.1.5 CHOIX DE NOS MODELES

Les modles que nous utilisons dans le cadre de notre tude sont des modles SPICE pour les composants lectroniques, et des modles Verilog-A pour les composants MEMS. Les circuits sont simuls avec Spectre, le simulateur de Cadence. Nous n'avons pas encore intgr nos modles les paramtres de type P1 x et P1 y permettant de traiter les paramtres de bruit intgrs, nous raliserons donc notre optimisation du rendement en considrant seulement les paramtres de bruit discrets, ce qui est a priori suffisant pour valider notre approche.
4.2 CONSIDERATION DE LINFORMATIQUE

L'approche choisie pour l'optimisation statistique du rendement ayant t dfinie et
tel-00005359, version 1 - 16 Mar 2004
justifie, il s'agit maintenant de l'implmenter et de mettre au point le logiciel de manire faciliter les tests d'valuation pour une version prliminaire. L'algorithme peut faire appel des milliers de simulations lorsque l'on dsire traiter un MEMS en prenant en compte un nombre important de paramtres. Les rsultats traiter sont donc trs nombreux. Pour valider l'approche, il faudra aussi la tester sur plusieurs MEMS : on ne peut se contenter d'une netlist fige. L'implmentation s'avre donc assez lourde, mme pour une version d'valuation.
4.2.1 ENVIRONNEMENT
La plupart des concepteurs de circuits microlectroniques complexes travaillent sous stations UNIX, mais Memscap fournit des solutions pour PC (Windows) et stations UNIX. Sous UNIX, le logiciel prend la forme d'un module de Cadence ou Mentor Graphics, utilisant leur simulateur habituel, Spectre et Eldo, qui grent trs bien les modles comportementaux et traitent des circuits de trs grande taille. Mais les concepteurs de MEMS ne sont pas tous issus de ce milieu et il existe une demande importante pour un environnement de conception sous PC. Pour cette solution, le simulateur impliqu est T-Spice. La prise en charge des modles comportementaux n'y est pas trs aise, et le simulateur peut peiner lors du traitement de circuit trs importants. Cette solution reste nanmoins trs apprcie car il n'est pas ncessaire de possder Cadence ou Mentor Graphics, trs chers, pour se lancer dans la conception de MEMS, et ils ne sont pas simuls frquemment au sein de circuits trs complexes. Pour s'affranchir de l'environnement PC ou UNIX (portabilit), le langage Java semblait bien adapt. Le C++ est rput encore un peu plus rapide, mais ce sont les simulations qui
117
occupent 99% du temps mis raliser l'optimisation, ce critre n'entre donc pas en jeu. Java permettant de plus un dveloppement et une maintenance trs aise du code, c'est ce langage orient objet que nous avons choisi. Concernant le choix du simulateur, le march de la conception microlectronique analogique tant domin par Cadence, c'est sur son simulateur Spectre que notre choix s'est port. Les modles comportementaux considrs lors de l'optimisation seront donc crits en Verilog-A.
4.2.2 STRUCTURE IMPLEMENTEE

Elle est fonction de l'algorithme, du choix des objets et des fichiers que l'on dsire manipuler en cours d'optimisation. Un soin particulier (optimisation du code) doit tre apport la rcriture de la netlist et la lecture des rsultats de simulation, cette opration pouvant
tel-00005359, version 1 - 16 Mar 2004
tre ralise de trs nombreuses fois suivant les plans produits [Figure 4-7]. Ce chapitre donne les principales classes utilises, ainsi que les fichiers utiliss par le programme.
Ralisation d'un plan produit Netlist Simulation Analyse des rsultats
- facteurs fixs (si tous les facteurs sont fixs : FIN) - ou nouvelles valeurs attribues et dfinition d'un nouveau plan produit
n rcritures
Figure 4-7 : La rcriture de la netlist doit tre simple et rapide a) Choix des classes Il s'agit tout d'abord de considrer les classes la base du problme : les paramtres de dessin et de bruit (discrets), et les paramtres technologiques qui sont des paramtres de bruit intgrs ainsi que les performances cibles appartiennent tous des classes distinctes, ayant de nombreux points communs. Ils partagent donc plusieurs mthodes identiques, notamment des facilits de lecture-criture, appliques aux variables de ces objets, de type String, Boolean ou Double [Figure 4-8].
118
FACTEURS
FACTEUR
FACTEUR DE DESSIN
FACTEUR DE BRUIT
COURBE CIBLE
Figure 4-8 : Diagramme de classes des donnes de base La seconde srie de classes dfinir concerne l'algorithme, une classe sera donc ddie l'estimation du rendement, une autre la rduction de la variation, et une dernire l'ajustement de la valeur moyenne. Bien qu'il constitue une part importante du temps de travail de cette thse, dcrire en dtail l'ensemble du code (classes et mthodes) serait fastidieux et peu intressant : l'implmentation compte plus de 4000 lignes de code. Nous nous contenterons de reprendre les grandes lignes en annexe [p. 153]. Elles sont ranges dans 5 rpertoires suivant leur fonction [Figure 4-9].
algo app db gui io classes cls de l'algorithme classes "executables" classes diverses classes grant l'interface classes grant les flux de donnes
tel-00005359, version 1 - 16 Mar 2004
Figure 4-9 : Les classes sont ranges par fonction b) Les paramtres mixtes : un point sensible La partie sensible du code concerne les paramtres mixtes : ils sont la fois des facteurs de dessin et des facteurs de bruit. Ainsi, lorsque l'on ralise un plan produit et que l'on considre une exprience du plan principal, les facteurs de dessin sont fixs. Si l'on considre l'un de ces paramtres qui s'avre tre mixte, sa valeur dans la netlist sera pourtant modifie chaque nouvelle simulation requise par le plan bruit par l'ajout de bruit. Pour cette raison, deux valeurs sont associes chaque paramtre : une valeur qui reste fixe pour une combinaison donne du plan principal et qui est contenue dans la classe AbstractParameter, et une valeur courante du paramtre mise ventuellement jour chaque rcriture de la netlist, contenue dans la classe InstanceParameter (qui descend
119
d'AbstractParameter). On traitera diffremment un paramtre de bruit discret et un paramtre de bruit intgr (paramtre technologique). Les niveaux du plan bruit sont calculs tels que : niveau bas=moyenne de la dispersion du paramtre-x.cart type de la dispersion niveau haut=moyenne de la dispersion du paramtre+x.cart type de la dispersion x est une valeur que l'utilisateur peut fixer son gr (voir aussi 4.3). Si un paramtre de bruit discret est aussi mixte, sa valeur lors d'une simulation sera la valeur impose par le plan principal plus le niveau bas ou haut impos par le plan bruit. S'il s'agit d'un paramtre technologique, on conserve la mme formule, mais il est superflu de prciser la valeur moyenne de la dispersion : on considre de toute manire que c'est la valeur donne dans le technofile ou la netlist.
tel-00005359, version 1 - 16 Mar 2004
c) Gestion des fichiers De nombreuses donnes sont saisies dans des fichiers, que ce soit pour la saisie du problme ou le suivi de l'volution des facteurs en cours d'optimisation. Le dtail du contenu et de l'intrt de ces fichiers est donn en annexe [p.153]. d) Appel de programmes extrieurs Trois programmes extrieurs sont sollicits : le simulateur Spectre, le traceur Gnuplot et l'afficheur XView. L'appel Spectre est sommaire : il faut prendre garde ce qu'il y ait toujours une licence de libre en cours d'optimisation car de nombreuses simulations sont requises, et la licence est chaque fois libre. Une protection doit tre implmente ce niveau-l. De mme, l'utilisation de "threads" serait intressante pour visualiser plusieurs courbes sous diffrents graphes Gnuplot en mme temps. Cela dit, la version actuelle n'est qu'une version de dmonstration de validit de l'approche, et fonctionne assez bien moyennant quelques prcautions (disponibilits des licences, existence des fichiers recherchs par le programme en phase d'initialisation, etc.).
4.3 INTERFACE DU LOGICIEL

Nous dtaillons ici l'interface du logiciel. Sa structure devait initialement tre assez rigide pour limiter le temps pass en programmation. Mais pour mettre au point l'algorithme, nous ne pouvions pas nous contenter d'une netlist fixe car de nombreux tests sont ncessaires pour le valider. Nous avons donc crit un parser, qui permet de lire les netlists (comportant ventuellement des modles Verilog-A) crites pour le simulateur Spectre, et de les traduire pour tre traites et rcrites par le logiciel. Le choix et l'analyse des rsultats de centaines de simulations ncessite aussi un haut degr d'automatisation.
120
Aprs la lecture de la netlist et l'identification par le programme de tous les paramtres, une interface [Figure 4-10] propose l'utilisateur de slectionner les paramtres de bruit discret, les paramtres de dessin, et les paramtres technologiques (bruit intgr). Ces derniers sont situs dans un autre fichier appel technofile. Dans l'exemple de la figure suivante, cc1_c est un paramtre mixte, cc3_c est un paramtre de dessin, ll2-l est un paramtre de bruit discret et le module d'Young est un paramtre de bruit intgr, comme tous les paramtres "technologiques".
tel-00005359, version 1 - 16 Mar 2004
Figure 4-10 : Interface de slection des paramtres manipuls lors de l'optimisation Les paramtres slectionns possdent certains attributs. Pour les paramtres de dessin, ces donnes sont stockes dans un fichier nomm D_nom-de-l'instance_nom-duparamtre. On trouvera ainsi dans le fichier D_cc1_c les caractristiques propres au paramtre "c" de l'instance cc1 sous le format "nom "cc1_c 60e-9 100e-9 4e-9". min max pas", par exemple :
De mme, les attributs des paramtres de bruit sont stocks dans un fichier nomm N_nom-de-l'instance_nom-du-paramtre pour du bruit discret et N_ nom-du-paramtre pour du bruit intgr, o l'on perd donc la rfrence une instance donne. On trouvera ainsi
121
dans le fichier N_cc1_c les caractristiques propres au paramtres "c" de l'instance cc1 sous le format "nom -9 0 2". On y trouve . Cette bien sr la dispersion du paramtre de bruit, la moyenne de sa distribution, et par +/-
variable permet de calculer les niveaux bas et haut de ce facteur dans le plan bruit donns chaque case coche dans l'interface [Figure 4-10] correspond un fichier o sont stockes les donnes des paramtres. D'autres fichiers sont utiliss par l'algorithme mais ne sont pas encore accessibles l'interface elle-mme. Leur contenu est donc "fig", ils sont dcrits dans les exemples du chapitre suivant.
4.4 EXEMPLE : FILTRE PASSE BANDE RLC

Nous dsirons amliorer le rendement d'un filtre passe-bande RLC. La performance qui nous intresse est sa rponse frquentielle, mais une analyse de Monte-Carlo nous prdit un mauvais rendement. Nous dsirons ici travailler plus sur l'amlioration du rendement que sur la rduction de la variabilit. Nous ne concderons donc que peu d'itrations cette dernire. Par ailleurs, pour finaliser le processus d'optimisation, nous utiliserons nouveau la deuxime tape (rduction de l'erreur) en considrant un pas beaucoup plus faible pour l'ensemble des facteurs de dessin. Il est effectivement possible que certains de ces facteurs aient t carts du processus d'optimisation ds les premires itrations, mais qu'ils retrouvent un certain intrt en phase finale. Il peut tre important de rvaluer leur influence proximit de la solution choisie.
tel-00005359, version 1 - 16 Mar 2004
4.4.1 SAISIE DU PROBLEME

a) Topologie du circuit La netlist peut tre cre directement ou par l'intermdiaire d'un diteur de schma, par exemple Virtuoso (Cadence) [Figure 4-11]. Le type d'analyse n'est pas dfini ce stade.
122
Figure 4-11 : Circuit RLC optimiser
tel-00005359, version 1 - 16 Mar 2004
Sur cette figure, les paramtres sont associs des variables. Cela n'est pas le cas dans notre netlist o tous les paramtres sont identifis par le parser (lecteur de netlist) sans avoir recours des mots cls comme parameter. La netlist correspondant ce circuit est donc donne avec les valeurs initiales des paramtres, elle est mise en forme par le logiciel pour faciliter ses nombreux traitements ultrieurs :
*Netlist written for otpimization global gnd simulator lang=spectre vin (4 gnd) vsource type=sine fundname="Fname9" ampl=1.0 freq=0.16 sinephase=0.0 mag=1.0 rin (4 1) resistor r=1200.0 ll1 (2 1) inductor l=1.824 cc1 (2 3) capacitor c=9.443999999999999E-8 rr1 (3 5) resistor r=287.0 ll2 (6 5) inductor l=0.4272 cc2 (6 7) capacitor c=9.88E-7 rr2 (7 gnd) resistor r=66.0 ll3 (8 5) inductor l=0.1437 cc3 (8 9) capacitor c=3.4E-7 rr3 (9 gnd) resistor r=22.5 ll4 (11 10) inductor l=1.824 cc4 (11 out) capacitor c=7.87E-8 rr4 (5 10) resistor r=287.0 rout (out gnd) resistor r=1200.0 rdc (5 gnd) resistor r=0.1Meg
b) Choix des paramtres et de leurs caractristiques Cette tape a t dtaille dans le chapitre prcdent la page 120. Les paramtres de diffrentes natures sont slectionns dans une interfaces, cre d'aprs la lecture de la netlist traiter, et leurs caractristiques sont entrs dans des fichiers portant leurs noms.
123
c) Choix des paramtres de l'algorithme Les paramtres Ps1, Ps2, Ps3, Pe1 et Pe2 dcrits aux pages 97 et 104 sont donns dans cet ordre dans le fichier algodata. On y trouve aussi le nombre maximum d'itrations tolr pour la premire et la deuxime phase de l'algorithme (loopAmax et loopBmax), ainsi que pour l'ajustement ventuel qui reprend tous les facteurs avec un pas rduit sur quelques itrations en fin de processus (loopB2max). Les valeurs, pour notre exemple, seront : Ps1=0.001% loopBmax=5 Ps2=0 loopB2max=3. par deux dans la phase finale. La principale faiblesse du logiciel rside dans ces donnes : elles sont pour le moment figes alors que pour un fonctionnement optimal, il faudrait les valuer en fonction du circuit traiter. d) Choix des spcifications Les caractristiques de chaque spcifications sont stockes dans des fichiers nomms : T_type-d'analyse_nud_nom-de-la-netlist . Le format de la premire ligne est :
nom du fichier logarithmique. type de l'analyse nud o la tension est prise poids de cette spcification affichage linaire ou
Ps3=0.001%
Pe1=0.001%
Pe2=0
loopAmax=4
tel-00005359, version 1 - 16 Mar 2004
dbut de la simulation
fin de la simulation
pas pour l'affichage
Ainsi, pour une analyse frquentielle de la netlist passivebpf de 200 800 Hz, avec 100 points lors de l'affichage logarithmique de l'expression 20 log(v(out)), nous crirons :
ac_out_passivebpf ac out 1 200 800 100 db
Les spcifications elles-mmes sont notes dans la suite du fichier sous la forme :
frquence valeur cible valeur minimum valeur maximum
Cette ligne est gnre automatiquement par un programme annexe qui calcule la frquence en fonction de l'affichage dsir : 100 points correspond 100 frquences quitablement rparties suivant l'affichage. Le programme remplace les valeurs par des NaN (Not a Number). Par la suite, l'utilisateur n'a plus qu' remplacer ces NaN par des valeurs, l ou il en a l'utilit. Dans notre exemple, nous fixons des valeurs maximales et minimales ne pas dpasser en 6 frquences que l'on juge importantes : 210, 240, 360, 490, 700 et 770 Hz. Pour ces points, nous modifierons donc les lignes correspondantes :
ac_out_passivebpf2 ac out 1 200 800 100 db 199.99999999999983 NaN NaN NaN 202.79189595800554 NaN NaN NaN 205.62276533121315 NaN NaN NaN
124
tel-00005359, version 1 - 16 Mar 2004
208.49315216822401 211.4036081122759 214.35469250725836 239.49574092378546 242.83897687900924 353.0811985162618 358.01002837118864 363.0076621268642 485.67795375801853 492.45776533796607 499.3322195606446 686.8523491502028 696.4404506368987 706.1623970325229 756.8461173804762 767.4112954602106
NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
NaN -52 NaN -52 NaN
NaN -46 NaN -46 NaN
NaN NaN -16 -10 NaN NaN NaN NaN -16 -10 NaN NaN NaN -65 NaN NaN -65 NaN -40 NaN NaN -40
Ces spcifications sont traces, ainsi que les courbes correspondant aux simulations. Cet affichage n'est pas superflu, il permet notamment de dtecter certaines drives intrinsques l'algorithme qui sont moins faciles interprter si l'on doit se contenter d'analyser les chiffres.
4.4.2 SUIVI DU PROCESSUS D'OPTIMISATION

Il est important dans la phase de mise au point du programme de pouvoir suivre l'volution des valeurs de toutes les variables du problme, ainsi que le bon droulement des phases successives du processus d'optimisation. De mme, chaque fois qu'un facteur est fix, la raison en est donne de manire vrifier que cela ne vient pas d'un mauvais rglage des paramtres de l'algorithme. Pour une analyse portant sur un seul facteur, on trouve le suivi des modifications qui lui ont t apportes dans un fichier nomm DV_nom-de-l'instance_nom-du-paramtre. Avec les spcifications donnes prcdemment et en considrant toutes les capacits et les inductances comme des paramtres mixtes, le fichier DV_cc4_c prend la forme suivante [Figure 4-12] :
initial value=7.87E-8 MIN=6.0E-8 MAX=1.0E-7 STEP=4.0E-9 All values have been updated by FactorCretor.setFactorsAttributes: new values are MIN=6.296E-8 MAX=9.443999999999999E-8 STEP=5.9025E-10 Sigma reduction LoopA=1 L1=7.8404875E-8 L2=7.899512499999999E-8 E1=0.005442952097250449 E2=0.005841562161025124 deltaE=3.9861006377467454E-4 S1=1.4694432350983542 S2=1.468911065442388 deltaS=-5.321696559661415E-4 DF is fixed at EpsMin: epsilon is degraded beyond |epsilon2-epsilon1|>Ps3*Max(epsilon2,epsilon1) /100=5.841562161025123E-8
125
tel-00005359, version 1 - 16 Mar 2004
NoptA=7.8404875E-8 Mean Tuning LoopB=1 L1=7.810975000000001E-8 L2=7.87E-8 E1=0.002254386272569298 E2=0.002024472849864066 deltaE=-2.2991342270523192E-4 S1=1.4191299970949773 S2=1.4178319300506967 deltaS=-0.001298067044280593 LoopB=2 L1=7.929025000000001E-8 L2=7.98805E-8 E1=8.488016405346452E-4 E2=0.001160085702781781 deltaE=3.1128406224713583E-4 S1=1.4327568887920916 S2=1.4316173714614338 deltaS=-0.0011395173306578688 LoopB=3 L1=7.889675E-8 L2=7.909349999999999E-8 E1=6.937925591456682E-4 E2=6.944681009636967E-4 deltaE=6.755418180284887E-7 S1=1.4354070185485126 S2=1.4349533366027896 deltaS=-4.53681945723039E-4 DF is fixed: stopstep was=true NoptB=7.889675E-8 Mean Tuning : all DF are considered a last time with loopBMax=3 LoopB=1 L1=7.87491875E-8 L2=7.90443125E-8 E1=6.804056926877685E-4 E2=6.812289295430465E-4 deltaE=8.232368552779602E-7 S1=1.4353535117771559 S2=1.4345078956378472 deltaS=-8.456161393086692E-4 LoopB=2 L1=7.81589375E-8 L2=7.84540625E-8 E1=6.809107777314503E-4 E2=6.803834900989177E-4 deltaE=-5.272876325325415E-7 S1=1.4327324202204694 S2=1.431773023079752 deltaS=-9.593971407173552E-4 LoopB=3 L1=7.85524375E-8 L2=7.86508125E-8 E1=5.8955976964782586E-5 E2=5.901661943121333E-5 deltaE=6.064246643074631E-8 S1=1.4336422168763059 S2=1.4333394558425856 deltaS=-3.0276103372028906E-4 DF is fixed: stopstep was=true NoptB=7.85524375E-8
Figure 4-12 : Fichier de suivi de l'volution des valeurs d'un facteur de dessin Au dbut du fichier, on note que les valeurs saisies dans le fichier de description de cc4_c sont remplaces. Cette substitution s'effectue par une partie du programme, que l'on peut dcider d'ignorer, et qui permet de fixer d'un seul coup toutes les bornes MIN et MAX et le pas de l'ensemble des paramtres. Cela se fait au choix en pourcentage de la valeur initiale ou en nombre d'cart type lorsqu'il s'agit de paramtres dclars comme tant mixtes. L1 et L2 sont les niveaux bas et haut des paramtres du plan principal. Lors de la phase de rduction de la variance, le paramtre cc4_c est fix rapidement car l'utiliser pour rduire la variance dgraderait trop la rponse moyenne de la performance. Modifier le paramtre d'algorithme Ps3 permettrait ventuellement de conserver cc4_c pour quelques itrations supplmentaires. Lors de la seconde phase de l'algorithme (mean tuning), une tendance est estime lors de la premire itration : bas et haut pour la prochaine itration [Figure 3-7 : Pas d'incrmentation]. Mais cela mne par la suite t dans l'autre direction. On se retrouve dans le cas ou l'on semble tre passer par un minimum de la fonction d'erreur. Lors de la prochaine itration, on essaiera de l'approcher plus prcisment, puis ce facteur sera
126
fix [Figure 3-9 : Oscillations autour d'un minimum]. stopstep est le boolen correspondant FixFact dans l'organigramme de la rduction de la variance (page 100). Enfin, on reconsidre l'ensemble des facteurs pour une ultime tape de rduction de la fonction erreur, avec un pas divis par 2. A la fin de chacune de ces tapes, la valeur optimale trouve est donne, et une netlist rsultat est gnre.
4.4.3 RESULTATS
a) Interprtation des chiffres Les rsultats se prsentent sous la forme de chiffres et de courbes pour faciliter leur interprtation. En considrant toujours le mme exemple, les rsultats sont :
GP: GP: GP: GP: Initial Yield : Yield after SR : Yield after MT1: Yield after MT2: e1=0.0055 e2=0.0017 e3=0.0007 e4=0.0007 s1=1.4744 s2=1.4378 s3=1.4489 s4=1.4475 yield for dots=99.47% yield for dots=99.83% yield for dots=99.93% yield for dots=99.93% yield for simus=46.67% yield for simus=86.67% yield for simus=93.33% yield for simus=93.33%
tel-00005359, version 1 - 16 Mar 2004
"e" reprsente , l'valuation de la fonction erreur, et "s" reprsente
, l'cart type
mesur sur la performance. Le rendement est calcul avant toute modification de la netlist ainsi qu'aprs chacune des 2 (ou ventuellement 3) phases du processus d'optimisation : rduction de la variance (SR) et ajustement de la valeur moyenne de la rponse (MT). Comme cela est prvisible, c'est lors de la rduction de variance que e plus, bien que cela reste faible, mais il n'est peut tre pas possible de faire mieux. Il faudrait comparer cette amlioration avec celle fournie par d'autres logiciels dans les mmes conditions pour vrifier que l'on ne peut pas obtenir un meilleur rsultat. Dans ce cas-l, il faudrait annuler l'effet de Ps3 qui nous pnalise. On peut suivre l'volution du rendement en parallle. On se rend compte que celui-ci ("yield for simus") augmente fortement, mais il faut relativiser l'amlioration apporte. "yield for simus" est calcul en considrant chaque simulation comportant au moins un point hors spcification comme hors-spcification, faisant ainsi chuter le rendement. "yield for dots" est calcul comme le rapport des points respectant les spcifications sur le nombre de points total. Le fait que celui-ci soit lev, alors que l'analyse de Monte-Carlo ne comporte que 30 simulations de 100 points, semble suggrer que peu de spcifications sont violes, et que l'optimisation devrait amener une amlioration consquente. Si l'on considre maintenant l'volution de la fonction erreur au cours du processus d'optimisation, sa plus forte rgression lieux lors de la phase de rduction de la variance. Encore une fois, ce phnomne est du Ps3 qui est fix de telle sorte qu'un facteur qui rduit gradant trop . tre fortement rduit lors de cette phase, et duit encore un peu en utilisant notamment des du rendement paramtrique de microsystmes (MEMS) 127
facteurs qui dgradent
rifi er que la dernire tape n'a pas amlior
sensiblement le rendement. Si l'on n'est pas encore satisfait de l'amlioration du rendement obtenue, on peut reprendre la netlist fournie cette tape, et tenter de diminuer encore le pas d'itration. b) Interprtation des courbes Le logiciel peut fournir un graphique [Figure 4-13] permettant de visualiser les spcifications ainsi que les courbes obtenues lors de la premire analyse de Monte-Carlo ralise pour estimer le rendement initial (30 simulations ici).
20 log (Vout/Vin)
tel-00005359, version 1 - 16 Mar 2004
211
239
358
492
696 767
Figure 4-13 : Trac des spcifications et de l'analyse de Monte-Carlo pour l'estimation du rendement initial Sur ce graphique, les spcifications sont matrialises par des croix, des triangles et des carrs. Les limites infrieures sont marques par des croix, les limites suprieures par des carrs, et les points cibls par des triangles (il n'y en a pas dans cet exemple). Comme prvu (voir page 124), on retrouve des gabarits en 6 frquences diffrentes. Cette analyse de Monte-Carlo permet de constater que le gain dans la bande passante est lgrement trop lev, et que la chute de rendement est essentiellement due au dpassement de la limite suprieure tablie pour le premire frquence (210Hz). Un autre graphe important fourni par le logiciel permet de visualiser les courbes obtenues aprs les analyses de Monte-Carlo ayant servi estimer le rendement aprs chaque grande phase de l'algorithme d'optimisation statistique. Les courbes rouges ont servi l'estimation du rendement initial, les bleues l'estimation du rendement aprs la phase de rduction de la variance, les bleues ples l'estimation du rendement aprs la phase de
128
rduction de pas rduit.

20 log (Vout/Vin)
l'estimation du rendement aprs la phase de rduction de
tel-00005359, version 1 - 16 Mar 2004
300
400
500
600
700
Figure 4-14 : Courbes des analyses de Monte-Carlo lors du processus d'optimisation Dans cet exemple, nous avons empch la rduction que mme une trs faible dgradation de
3
telle
tait pas tolre. Si nous avions voulu mettre
l'accent sur la rduction de la variance, nous aurions pu tre plus souple ce niveau l. Le faisceau de courbes bleues fonces (estimation du rendement aprs rduction de la variance) se serait alors retrouv trs loign de la rponse initiale. Ici, ce n'est pas le cas, et d'une estimation l'autre, les rsultats varient peu. On remarque toutefois que visiblement, la limite suprieure impose 210Hz est maintenant respecte. Un troisime et dernier graphe fourni par le logiciel est le trac de la fonction
f ( x) =
1 2
1 x 100* 2
[Figure 4-15]. La position sur l'axe des abscisses est donc cart type de la gaussienne est
proportionnelle
rapidement les amliorations apportes par chaque tape de l'algorithme. On constate vite que de la courbe rouge la bleue puis la verte, la fonction erreur n'a fait que dcrotre. Par co s avoir fortement diminu (le sommet de la courbe bleue est plus lev que celui de la rouge), augmente lgrement. On le voit l'aplatissement de la courbe verte par rapport la bleue. Cela arrive car certains facteurs qui contribuent la rduction de font au dtriment de
129
tel-00005359, version 1 - 16 Mar 2004
Figure 4-15 : Visualisation de l'volution de chaque paire ( c) Conclusion L'algorithme fonctionne correctement, l'automatisation des procdures de saisie des paramtres, de lancement de simulations d'aprs des plans produits adapts et de traitement des rsultats permet de raliser de nombreux tests varis sur diffrents circuit trs rapidement. On peut ensuite comparer ces rsultats avec ceux fournis par d'autres logiciels comme Circuit Surfer (Cadence) ou Aspire (Mentor Graphics). Nous nous sommes familiariss avec ces outils et avons commenc les comparaisons, mais nous n'avons pas eu le temps de mener terme cette tche. Concernant le filtre RLC passe bande, le rendement paramtrique a t nettement amlior puisqu'il est pass de 47% 93%. Huit paramtres de dessin et les huit paramtres de bruit faisant de ces derniers des paramtres mixtes taient considrs lors de cette optimisation. Leur dispersion tait fixe 2% de leur valeur initiale dans la netlist. Le nombre de simulations est important : 640 pour la premire phase et 288 pour la seconde. A cela, il faut rajouter les simulations ddies l'estimation du rendement (au moins 30), et celles arrivant ventuellement la fin du processus, si l'on dcide de diminuer le pas. Mais cela reste un nombre normal dans le domaine de l'optimisation statistique. Ajuster les paramtres de l'algorithme et amliorer certains points que l'examen des rsultats mettent en lumire permettrait de gagner rapidement quelques simulations, ou au choix d'atteindre un meilleur rendement si cela est possible. Une autre amlioration envisageable est l'utilisation de toutes ces simulations (estimation du rendement et plans produits) pour avoir recours la mthode des surfaces de rponse et tenter sans simulation supplmentaire d'amliorer encore le
130
rendement en travaillant sur un polynme. On peut aussi, pour diminuer la variance de l'estimateur de Monte-Carlo, considrer certaines simulations dj ralises lors d'une tape prcdente de l'algorithme en s'inspirant de la mthode des points communs (p. 65). Il reste donc beaucoup de travail raliser, mais les rsultats semblent prometteurs.
4.5 EXEMPLE : MICRORESONATEUR MEMS

Les peignes lectrostatiques sont des structures frquemment utilises dans le domaine des MEMS et leur mise au point est cruciale [LEE98] [YE98] [JOHN95]. Ils peuvent servir d'actionneurs ou de capteurs (acclromtres) et sont la base de systmes de type rsonateur, gyroscope [RENK99] ou filtre [NGUY98] [JING00] [LIN98]. De nombreux brevets ont t dposs dans ce dernier cas [DELP-net]. Dans cet exemple, nous nous attacherons contrler prcisment le dplacement d'une telle structure lorsqu'elle est soumise un signal de commande donn. Pour valider simplement l'approche que nous avons choisie pour l'optimisation statistique du rendement, une analyse de Monte-Carlo peut suffire. Si cette dernire confirme que la netlist dont les paramtres ont t optimiss affiche un rendement plus important que l'original, c'est que nous sommes sur la bonne voie. Cela, sauf cas spciaux sur lesquels nous reviendrons, a t vrifi. En parallle, il faut aussi vrifier que le rendement rel est aussi amlior. L'obtention de circuits intgrs dans le cadre d'une fabrication multi-projets tant assez longue, nous nous sommes attachs raliser une telle structure assez tt, pour avoir le temps de caractriser statistiquement la technologie et choisir l'une des diffrentes formes de MEMS testes. Diffrentes structures ont t envisages dans le but de raliser long terme un rsonateur haute frquence. La [AMSnet]). Il s'agit d'une technologie pour circuits intgrs CMOS, utilisable pour raliser des MEMS [MUKH98] : en fin de fabrication, une gravure est ralise pour librer les parties mobiles. Cette tape [Figure 4-16] est ralise l'universit amricaine Carnegie Mellon University [CMU-net].
tel-00005359, version 1 - 16 Mar 2004
Figure 4-16 : Ncessit d'une tape post-process pour librer les structures
131
Des tests ont t raliss au CIME (Centre Inter-universitaire de Micro-Electronique) de Grenoble. Nous avons pu nous y assurer que les structures taient bien mobiles et que le cblage tait bon. Mais nous n'avons pas dispos sur place du matriel de mesure nous permettant de cerner l'aspect statistique de la technologie. La Figure 4-17 montre une structure peignes lectrostatiques conue pour se comporter comme un filtre passe-bande dont la frquence de rsonance est impose par sa gomtrie et les caractristiques des matriaux qui la composent. Plus de dtails au sujet de cette tude sont donns dans l'annexe III.
tel-00005359, version 1 - 16 Mar 2004
Figure 4-17 : Filtre MEMS ralis avec une technologie AMS, test au CIME La phase de recherche d'une structure performante est longue, et il tait prvu dans un premier temps de trouver une structure rpondant nos attentes (frquence de rsonance, tension d'actuation), puis de la dcliner en plusieurs variantes, et enfin seulement de modliser prcisment la plus prometteuse pour l'optimiser grce au logiciel. La puce ralise comporte une quinzaine de structures diffrentes, avec deux formes principales de filtres pour lesquels diffrentes dimensions sont testes. Cette mme structure sert de base une quipe de Duke University (U.S.A.) dans le cadre de l'optimisation du rendement des MEMS [DEWE98] [REN01]. Finalement, n'ayant pu faire fabriquer qu'une seule puce, cette dmarche n'a pu aboutir. C'est pourquoi cette structure n'est pas tout fait la mme que celle que nous avons optimise dans notre exemple et qui a l'avantage d'tre rapidement modlise.
4.5.1 SAISIE DU PROBLEME

Dans l'exemple prcdent (filtre RLC), nous ralisions une optimisation statistique sur la base d'une performance value lors d'une analyse frquentielle. Un des objectifs vers lequel nous voulons tendre tant l'optimisation multi-objectifs, nous avons envisag la
132
possibilit de traiter lors d'une mme session des analyses transitoires. L'exemple suivant fera donc l'objet d'une optimisation statistique o les spcifications sont prcises dans le domaine temporel. a) Topologie du MEMS Une netlist dcrivant la structure qui nous intresse est gnre avec l'outil MemsMaster [MOUL02]. Chaque composant de base, par exemple une poutre, est associ un modle comportemental Verilog-A. Ses paramtres pourront donc tre modifis au cours de l'optimisation par le logiciel.
tel-00005359, version 1 - 16 Mar 2004
Figure 4-18 : Elaboration d'une structure MEMS avec MemsMaster La netlist est cre par le logiciel d'aprs la vue symbolique de la structure. On peut lui associer un fichier dcrivant la technologie utilise, ce qui permettra par la suite de gnrer automatiquement les masques de cette structure. La netlist est extraite du schma prcdent et se prsente sous la forme suivante :
simulator lang = spectre ahdli1 (net1 net2 net3 net4 net5 net6 0 0 0) PLATE_NS_UxUyMz width=4.0E-5 length=2.0E-5 ahdli2 (net7 net8 net9 net1 net2 net3 net10 net11 net12 net13 net14 net15 0 0 0) PLATE_NSEO_UxUyMz width=2.0E-5 length=5.0E-5 ahdli3 (net4 net5 net6 net16 net17 net18 net19 net20 net21 net22 net23 net24 0 0 0) PLATE_NSEO_UxUyMz width=2.0E-5 length=5.0E-5 ahdli4 (net25 net26 net27 net7 net8 net9 0 0 0) PLATE_NS_UxUyMz width=1.0E-5 length=1.53E-4 ahdli5 (net16 net17 net18 net28 net29 net30 0 0 0) PLATE_NS_UxUyMz width=1.0E-5 length=1.53E-4 ahdli6 (net31 net32 net33 net13 net14 net15 0 0 0) BEAM_UxUyMz width=2.0E-6 length=2.0E-4 angle=0.0 ahdli7 (net31 net32 net33 net34 net35 net36 0 0 0) BEAM_UxUyMz width=5.0E-6 length=2.0E-5 angle=-90.0 ahdli8 (net34 net35 net36 net37 net38 net39 0 0 0) BEAM_UxUyMz width=5.0E-6 length=2.0E-5 angle=-90.0 ahdli9 (net37 net38 net39 net40 net41 net42 0 0 0) BEAM_UxUyMz width=5.0E-6 length=2.0E-5 angle=-90.0
133
ahdli10 (net34 net35 net36 net43 net44 net45 0 0 0) BEAM_UxUyMz width=2.0E-6 length=2.0E-4 angle=0.0 ahdli11 (net37 net38 net39 net46 net47 net48 0 0 0) BEAM_UxUyMz width=2.0E-6 length=2.0E-4 angle=0.0 ahdli12 (net40 net41 net42 net22 net23 net24 0 0 0) BEAM_UxUyMz width=2.0E-6 length=2.0E-4 angle=0.0 ahdli13 (net10 net11 net12 net49 net50 net51 0 0 0) BEAM_UxUyMz width=2.0E-6 length=2.0E-4 angle=0.0 ahdli14 (net49 net50 net51 net52 net53 net54 0 0 0) BEAM_UxUyMz width=5.0E-6 length=2.0E-5 angle=-90.0 ahdli15 (net52 net53 net54 net55 net56 net57 0 0 0) BEAM_UxUyMz width=5.0E-6 length=2.0E-5 angle=-90.0 ahdli16 (net55 net56 net57 net58 net59 net60 0 0 0) BEAM_UxUyMz width=5.0E-6 length=2.0E-5 angle=-90.0 ahdli17 (net61 net62 net63 net52 net53 net54 0 0 0) BEAM_UxUyMz width=2.0E-6 length=2.0E-4 angle=0.0 ahdli18 (net64 net65 net66 net55 net56 net57 0 0 0) BEAM_UxUyMz width=2.0E-6 length=2.0E-4 angle=0.0 ahdli19 (net19 net20 net21 net58 net59 net60 0 0 0) BEAM_UxUyMz width=2.0E-6 length=2.0E-4 angle=0.0 ahdli20 (net25 net26 net27 net67 0 0 0 net68) COMB_UxUyMzV nbfingers=16.0 fgap=2.0E-6 overlap=1.5E-5 fwidth=3.0E-6 flength=3.0E-5 angle=0.0 ahdli21 (net28 net29 net30 0 0 0 0 0) COMB_UxUyMzV nbfingers=16.0 overlap=1.5E-5 fgap=2.0E-6 fwidth=3.0E6 flength=3.0E-5 angle=180.0 ahdli22 (net61 net62 net63) ANCHOR_UxUyMz width=1.0E-5 length=1.0E-5 angle=0.0 ahdli23 (net64 net65 net66) ANCHOR_UxUyMz width=1.0E-5 length=1.0E-5 angle=0.0 ahdli24 (net43 net44 net45) ANCHOR_UxUyMz width=1.0E-5 length=1.0E-5 angle=180.0 ahdli25 (net46 net47 net48) ANCHOR_UxUyMz width=1.0E-5 length=1.0E-5 angle=180.0 ahdli26 (net67) V_CST ac_mag=0.0 dc=0.0 ac_phase=0.0 value=0.0 ahdli27 (net68) V_SQR tfall=1.0E-9 freq=2500.0 ac_phase=0.0 offset=2.5 trise=1.0E-9 ratio=0.8 ampl=10.0 ac_mag=5.0 dc=0.0
tel-00005359, version 1 - 16 Mar 2004
On y discerne les modles utiliss des poutres (beam), des plaques (plate), des ancres (anchor) et des peignes lectrostatiques (comb). Il faut maintenant dfinir les paramtres impliqus dans l'optimisation, les paramtres propres l'algorithme conservent leurs valeurs, fixes lors de l'exemple prcdent (page 124). b) Choix des paramtres et de leurs caractristiques Il serait intressant d'utiliser ici les paramtres de bruit intgr, mais nous n'avons pas eu le temps de modifier et de tester l'ensemble des modles pour satisfaire cette particularit dcrite au 4.1.3. Comme les analyses transitoires sont beaucoup plus longues raliser que les analyses frquentielles, nous nous contenterons de 5 paramtres de bruit et de 5 paramtres de dessin, ce qui nous permettra d'utiliser des plans d'expriences de rsolution V avec la table orthogonale de Taguchi L16 (voir Tableau 3-2 page 107). Les paramtres de dessin (nots sur la Figure 4-19) des peignes sont : - l'overlap (x1 et x2), distance de recouvrement de deux doigts en regard et de potentiels diffrents - la longueur des plaques 4 et 5 (plate) qui soutiennent les doigts des peignes (x3 et x4) - l'paisseur des doigts du peigne 20 (comb) (x5) Les paramtres de bruit sont : 134 Flavien Delauche Optimisation statistique
- la largeur de trois des poutres (beam) composant les "ressorts" de la structure ( 1, - la longueur de la plaque 4 ( 4) - la largeur des doigts du peigne 20 ( 5)
x5
5
2,
x4
comb 20 plate 4
plate 2
x1
plate 1 plate 3 plate 5 comb 21 x2 ressort

1 2 3
tel-00005359, version 1 - 16 Mar 2004
x3
Figure 4-19 : Paramtres de dessin et de bruit du MEMS Les paramtres reports sur la figure prcdente se retrouvent dans la netlist, et dans les fichiers de description des paramtres sous la forme suivante :
x1 : D_ahdli20_overlap 10e-6 x2 : D_ahdli21_overlap 10e-6 x3 : D_ahdli5_length x4 : D_ahdli4_length x5 : D_ahdli20_fwidth
1 2 3 4 5
20e-6 20e-6 1.9e-4 1.9e-4 4e-6 0 0 0 0 0 2 2 2 2 3
5e-6 5e-6 0.01e-4 0.01e-4 0.1e-6
1.5e-4 1.5e-4 2e-6 0.02e-6 0.02e-6 0.02e-6 3e-6 0.05e-6
: N_ahdli13_width : N_ahdli14_width : N_ahdli19_width : N_ahdli4_length : N_ahdli20_fwidth
c) Choix des spcifications Les variations des performances sont beaucoup moins marques en analyse temporelle que frquentielle, nous ne considrerons donc que deux points sensibles :
tran_net2_lat-res tran net2 1 0 1e-3 1e-5 mag 0.0 1.0E-5 2.0E-5 2.4E-4 2.5E-4 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
1.13e-6 1.18e-6
135
2.6E-4 4.9E-4 5.0E-4 5.1E-4 5.2E-4 8.2E-4 0.0010
NaN
NaN
NaN
NaN NaN NaN NaN NaN NaN
NaN -1e-8 NaN NaN NaN NaN
NaN 1e-8 NaN NaN NaN NaN
4.5.2 SUIVI DU PROCESSUS D'OPTIMISATION

Comme pour l'exemple prcdent, nous pouvons suivre le cheminement de la valeur numrique de chaque paramtre au cours du processus d'optimisation, par exemple x2 (ahdli21_overlap values) :
tel-00005359, version 1 - 16 Mar 2004
initial value=1.5E-5 MIN=1.0E-5 MAX=2.0E-5 STEP=5.0E-7 All values have been updated by FactorCretor.setFactorsAttributes: new values are MIN=1.2E-5 MAX=1.8E-5 STEP=1.5000000000000002E-7
Sigma reduction
LoopA=1 L1=1.4925E-5 L2=1.5075E-5 E1=0.0025188525692361667 E2=0.0025188525643162433 S1=6.215658299772485E-9 S2=6.215583588627465E-9 LoopA=2 L1=1.5225E-5 L2=1.5375E-5 E1=0.002517986095809811 E2=0.0025179944875556187 S1=6.217110159476947E-9 S2=6.2182551999493535E-9 LoopA=3 L1=1.5125E-5 L2=1.5175000000000001E-5 E1=0.002517409268388163 E2=0.002517409268388163 S1=6.213450126913867E-9 S2=6.213450126913867E-9 DF is fixed at sigmaMin: stopstep was=true
deltaE=-4.919923409646421E-12 deltaS=-7.471114502028875E-14
deltaE=8.391745807793949E-9 deltaS=1.1450404724065412E-12 deltaE=0.0 deltaS=0.0
NoptA=1.5125E-5 Mean Tuning

LoopB=1 L1=1.505E-5 L2=1.52E-5 E1=0.0025167363923151703 E2=0.002516721265246034 deltaE=-1.5127069136373905E-8 S1=6.2230614369706955E-9 S2=6.222760662242437E-9 deltaS=-3.0077472825827296E-13 DF is fixed at epsMin: deltaEps was not important enough:Pe1%.Max(eps2,eps1)=2.51673639231E-8
NoptB=1.52E-5
Mean Tuning : all DF are considered a last time with loopBMax=3 LoopB=1 L1=1.5162500000000001E-5 L2=1.52375E-5 E1=0.0025087242599277615 E2=0.0025087255008823164 deltaE=1.2409545548271173E-9 S1=6.205865775654216E-9 S2=6.206445322673645E-9 deltaS=5.795470194294804E-13 DF is fixed at epsMin: deltaEps was not important enough:Pe1%.Max(eps2,eps1)=2.50872550088E-8
NoptB=1.5162500000000001E-5 Nous en concluons qu'il est conseill de lgrement augmenter l'overlap (de 0, pour amliorer la robustesse de la structure.
136
4.5.3 RESULTATS
Les rsultats obtenus sont les suivant :
GP: GP: GP: GP: Initial Yield : Yield after SR : Yield after MT1: Yield after MT2: e1=0.0020 e2=0.0020 e3=0.0017 e4=0.0013 s1=0.0000 s2=0.0000 s3=0.0000 s4=0.0000 yield for dots=99.80% yield for dots=99.80% yield for dots=99.83% yield for dots=99.87% yield for simus=80.00% yield for simus=80.00% yield for simus=83.33% yield for simus=86.67%
passe de 4.04e-9 4.03e-9, l'amlioration est donc ngligeable vu les 224 simulations qu'elle a ncessit. rduction de rpte en diminuant le pas, cela nous permet de gagner encore 3% de rendement, et ce en 96 simulations. Ces chiffres sont toujours sujet la variance de l'estimateur de Monte-Carlo, et si l'on peut se le permettre, il est prfrable d'utiliser un grand nombre de simulations. On peut voir sur la Figure 4-20 que la dispersion est beaucoup moins importante que lors de s. La phase de
tel-00005359, version 1 - 16 Mar 2004
l'exemple prcdent.
dplacement (
T (s)
Figure 4-20 : Optimisation du rendement avec une analyse temporelle
Comme pour l'analyse frquentielle, nous avons obtenu un bon rsultat en analyse transitoire, avec une sensible amlioration du rendement. La dispersion tant moins importante que lors de l'analyse frquentielle, les courbes de la Figure 4-20 sont toutefois moins explicites que celles de la figure Figure 4-14
137
4.6 EXEMPLE : INDUCTANCE MEMS

On attend beaucoup des inductances MEMS pour les applications RF, notamment en tlphonie mobile, car elles peuvent atteindre des facteurs de qualit trs levs et tre intgres au reste de llectronique, limitant les parasites dus la connectique et le volume utilis [GAMM99]. Le concepteur qui dsire utiliser une bobine MEMS spcifie la valeur maximale souhaite pour son facteur de qualit (Q) une frquence et une inductance (L en nH) donnes, avec une trs grosse contrainte : la surface tolre [Figure 4-21]. Le facteur est d'autant plus lev que les pertes rsistives et capacitives sont faibles.
L W
tel-00005359, version 1 - 16 Mar 2004
D Q
frquence de fonctionnement
S f
Figure 4-21 : Paramtres gomtriques dune inductance MEMS S reprsente la distance inter-spires, W la largeur de la piste, D le diamtre de la bobine. La rponse de cette structure dpend fortement de phnomnes physiques complexes troitement lis aux paramtres technologiques [Figure 4-22], ce qui la rend intressante comme structure de test pour pratiquer une optimisation statistique.
2-pertes rsistives non linaires 1- inductances Selfs et Mutuelles
Thick Copper Matriau faible k SiO2 Si E

4-Effets du substrat multi-couches
3-Ground plane effects
Figure 4-22 : Principaux phnomnes physiques lis une inductance
138
Un courant variable circulant dans le conducteur cr un champ lectromagntique. Linductance propre (self-inductance) reprsente l'nergie stocke dans le champ magntique lorsque ce dernier est cr par un courant alternatif. L'inductance mutuelle apparat lorsque les champs magntiques gnrs par le courant circulant dans deux conducteurs donnent naissance un champ global qui peut les perturber. Le concepteur peut modifier la valeur de l'inductance propre en travaillant sur les paramtres gomtriques de la structure tels que hauteur, largeur (W) et longueur du conducteur. Il peut modifier l'inductance mutuelle en traitant la distance inter-spires (S). La densit volumique de courant dcrot lorsque l'on s'loigne de la surface du conducteur (effet de peau). Pour une densit donne, l'paisseur correspondante est fonction de la frquence du courant alternatif et du matriau utilis comme conducteur. La section effective du conducteur diminue ainsi avec la frquence de fonctionnement,
tel-00005359, version 1 - 16 Mar 2004
augmentant les pertes rsistives. Pour les limiter, le concepteur peut donc : diminuer la frquence de fonctionnement et la longueur du conducteur, augmenter la section du conducteur (largueur W) ou la conductivit du matriau utilis. Les pertes dans le substrat ont deux origines : sa conductivit et sa permittivit. Lorsque le substrat est conducteur (cas du silicium), une partie du champ magntique est "absorb" par les courants induits en son sein, une partie de l'nergie magntique est ainsi dissipe dans le substrat et ce phnomne augmente avec la frquence du courant. Il existe aussi une capacit parasite, entre le conducteur et la masse lectrique. Elle est la cause de pertes supplmentaires en hautes frquences, et peut tre rduite en limitant la surface de contact entre le conducteur et le substrat, ainsi qu' en rduisant la permittivit du substrat ou en augmentant son paisseur (C=surface.permitivit/paisseur). On peut aussi insrer un matriau faible permittivit entre le conducteur et le substrat pour limiter les pertes dues cette capacit [Figure 4-23]. Le but, pour le technologue puis le concepteur, est d'obtenir un facteur de qualit maximum pour une inductance L. On peut rsumer les contraintes de conception ainsi : Pour augmenter la valeur de L : augmenter la longueur du conducteur rduire la section du conducteur rduire la distance inter-spires (W)
139
Pour limiter les pertes rsistives : augmenter la section du conducteur travailler faible frquence
Pour limiter les pertes dans le substrat : rduire la surface du conducteur utiliser un substrat de faible permittivit
Passivation
Dernire mtallisation
Wafer trait
Dpt de matriau faible permittivit
tel-00005359, version 1 - 16 Mar 2004
Ouverture pour le contact
Dpt de mtal
Ralisation dun moule en rsine
Electrodposition du cuivre et destruction du moule
Gravure de la sous-couche de croissance
Passivation
Figure 4-23 : Description d'une technologie MEMS pour une inductance Vue la difficult modliser convenablement une telle structure de manire comportementale afin de la simuler et de l'optimiser, l'approche habituelle est de fabriquer de nombreuses variantes, de slectionner les plus performantes et de construire une librairie autour de ces structures. Mais cela ne permet l'utilisation que de certaines valeurs d'inductance, et laisse de cot les circuits de type full-custom. Une seconde approche est de modliser analytiquement les inductances. Leur rponse est value par des outils de simulation lectromagntique, et l'ensemble des rsultats 140 Flavien Delauche Optimisation statistique
permet de construire un polynme dont les coefficients sont les paramtres de dessin des structures. Ce polynme modlise la rponse du MEMS. On peut par exemple utiliser les plans d'expriences avec la mthode des surfaces de rponse. Par la suite, la fabrication et la caractrisation de quelques structures permettent d'affiner les coefficients du polynme. Ce polynme sera le modle analytique dcrivant l'inductance que nous placerons comme une boite noire dans un circuit optimiser. Les paramtres de dessin qui y figurent seront les facteurs de dessin que nous pourrons choisir d'optimiser. L'idal serait de raliser une double optimisation : la fois sur Q et sur L, des frquences de l'ordre de 2GHz. Trois obstacles nous en empchent actuellement. Tout d'abord, le fait que 2 performances soient optimiser simultanment. Notre stratgie pour l'optimisation multi-objectifs a t nonce, mais son implmentation est toujours en cours. Ensuite, un modle qui permet l'estimation de Q(f). Ce modle existe, mais la dpendance
tel-00005359, version 1 - 16 Mar 2004
du modle envers la frquence de fonctionnement n'est pas aise mettre en place dans un modle Verilog-A. Pour finir, nous avons crit un parser permettant notre logiciel d'optimisation de traiter des netlists crite en Verilog-A pour le simulateur Spectre, et ce dernier n'est pas prvu pour des simulations de telles frquences de fonctionnement. Nous ne sommes donc pas dans les conditions idales pour optimiser les performances les plus intressantes d'une telle structure. Nous pouvons tout de mme dmontrer la bonne tenue de notre approche pour d'autres performances. Si les rsultats s'avrent intressants, on pourra alors envisager de consacrer plus d'efforts adapter le logiciel un plus grand nombre de simulateurs et de langages de description de circuits.
4.7 VARIANTE : OPTIMISEUR NOMINAL

Si l'on ne considre que la seconde tape de l'algorithme (p.100), on s'attachera rduire l'erreur entre la courbe cible et celle obtenue aprs simulation. Dans le cadre d'une optimisation nominale, on ne considre pas l'aspect statistique des paramtres de bruit. Ces derniers sont donc fixs leur valeur moyenne. On n'utilisera donc plus les plans produits de Taguchi, puisque le plan bruit n'a plus de raison d'tre. Par contre, le plan principal sera utilis comme un plan d'expriences classique. Nous prendrons alors soin de fixer pas2=2*pas1, tels qu'ils sont dfinis p.96. Cette possibilit de l'algorithme n'a pas encore t explore, mais peut tre rapidement value puisqu'il ne s'agit que d'un sous-ensemble de l'implmentation dj ralise. Elle permettrait de mener bien la phase d'optimisation nominale qui augmente l'efficacit de l'optimisation statistique suivre.
141
Dans ce chapitre, nous sommes revenus sur la modlisation mme des MEMS et sur le choix de nos modles. Les contraintes de l'informatique ont t abordes et la structure du logiciel dtaille. Enfin des exemples ont t traits pour dmontrer la bonne tenue de l'algorithme et le bon comportement du logiciel. Deux types d'analyses ont pu tre ainsi abords : l'analyse frquentielle et l'analyse temporelle. Nous voquons aussi la possibilit de dcliner facilement un optimiseur nominal bas sur la structure dj implmnte.
tel-00005359, version 1 - 16 Mar 2004
142
REFERENCES
[AMS-net] [BAIDYa99]
Austria Micro Systems http://www.austriamicrosystems.com/03products/core_ip_sonsors.htm Bikram Baidya, "MEMS extraction", M.S. Th. : Elec. : Carnegie Mellon University : 1999 : 36 p. B. Baidya, S.K. Gupta and T. Mukherjee, "MEMS Component Extraction", technical Proceedings of the 1999 International Conference on Modeling and Simulation of Microsystems, Puerto Rico-U.S.A., pp. 143-146. Boning, D. S., T. Maung, J. Chung, K.-J. Chang, S.-Y. Oh, D. Bartelink, "Statistical metrology of interlevel dielectric thickness variation", Proceedings of the SPIE Symposium on Microelectronics Manufacturing, Austin, U.S.A., 1994, SPIE Vol. 2334, pp. 316-327. D.S. Boning, J.E. Chung, "Statistical metrology: understanding spatial variation in semiconductor manufacturing", Microelectronic Manufacturing Yield, Reliability, and Failure Analysis II, SPIE 1996 Symposium on Microelectronic Manufacturing, Austin, U.S.A. D. S. Boning, J. Stefani, and S. W. Butler, "Statistical Methods in Semiconductor Manufacturing," in Encyclopedia of Electrical Engineering, J.G. Webster, Ed., Wiley, 1999. D.S. Boning, S. Nassif, "Models of process variations in device and interconnect", dans "Design of High-Performance Microprocessor Circuits", Wiley-IEEE Press, 2001, chapitre 6, pp. 98-116. E.T. Carlen, C.H. Mastrsangelo, "An experimental methodology for the estimation of spatially correlated parametric yield in thin film devices", 1997 SISPAD Conference, Cambridge, MA. E. Chang et al., "Using a Statistical Metrology Framework to Identify Random and Systematic Sources of Intra-Die ILD Thickness Variation for CMP Processes", 1995 International Electron Devices Meeting, Wash. D.C., pp. 499-502 Carnergie Mellon University http://www.ece.cmu.edu/~mems/ Recensement des brevets sous http://www.delphion.com/, notamment :
[BAIDYb99]
[BONI94]
tel-00005359, version 1 - 16 Mar 2004
[BONI96]
[BONI99]
[BONI01]
[CARL97]
[CHAN95]
[CMU-net] [DELP-net]
143
*C.T.-C. Nguyen and R. Howe, US5955932: "Q-controlled microresonators and tunable electric filters using such resonators", 1999. *L. Lin, C.T.-C.Nguyen, R.T. Howe and A.P. Pisano, US5537083 : "Microelectromechanical signal processors", 1996. *L. Lin, C.T.-C. Nguyen, R.T. Howe and A.P. Pisano, US5589082 : "Microelectromechanical signal processor fabrication", 1996. *W.C. Tang and R.T. Howe, US5025346 : "Laterally driven resonant microstructures", 1991. *S.G. Adams, Y.C. Wang, N.C. Macdonald and J.S. Thorp, US5914553 : "Multistable tunable micromechanical resonators", 1999. [DEWE98] Allen Dewey,Tianhao Zhang,Hong Ren,and Junhua Wu, "Parametric regression analysis of microelectromechanical resonator", Proceeding of Behaviour Modeling and Simulations '98, Orlando, Florida. E.V.Saavedra Diaz, K.G. McCarthy, D.B.M. Klaassen, A. Mathewson, "Efficient Parameter Extraction and Statistical Analysis for a 0.25um lowpower CMOS Process", proceedings of the 27th European Solid-State Device Research Conference (ESSDERC), 1997, pp. 656-659. Lynn Daniel Gabbay, "Computer aided macromodeling for MEMS", Th. : Elec. : Massachusetts Institute of Technology : 1998 : 87 p. P. L. Gammel, B. P. Barber, V.Lubecke, N. Belk, M.R. Frei, "Design, test, and simulation of self-assembled micromachined rf inductors", Design, Test, and Microfabrication of MEMS and MOEMS '99, Paris, SPIE Vol. 3680, pp.582591. J.P. Hanna, R.G. Hillman, "A common basis for mixed-technology microsystem modeling", proceedings of Modeling and Simulation of Micosystems '99, San Juan, USA, avril 1999, disponible sur http://www.cr.org. S. Healy, E. Horan, K. McCarthy, A. Mathewson, Z. Ning, E. Rombouts, W. Vanderbauwhede, M. Tack, "Implementation of Statistical Characterisation and Design Techniques for an Industrial 0.5um CMOS Technology", proceedings of the IEEE 1999 Int. Conference on Microelectronic Test Structures, pp. 227-232. Q. Jing, H. Luo, T. Mukherjee, L.R. Carley and G.K. Fedder, CMOS micromechanical bandpass filter design using a hierarchical MEMS circuit library", in the 13th Annual Intl Micro Electro Mechanical Systems Conference, Miyazaki, Japan, 2000, pp. 187-192. W.A.Johnson and L.K.Warne, "Electrophysics of micromechanical comb actuators", Journal of Microelectromechanical Systems, Mar. 1995, v.4, no.l, pp.49-59. K.B. Lee, "A triangular electrostatic comb array for micromechanical resonant frequency tuning", SENSORS AND ACTUATORS A: PHYSICAL, Vol. : 70, 1998, pp. 112-117. L. Lin et al., "Microelectromechanical Filters for Signal Processing", Journal of Microelectromechanical Systems, vol. 7, No. 3, Sep. 1998, pp. 286-294.
[DIAZ97]
tel-00005359, version 1 - 16 Mar 2004
[GABB98]
[GAMM99]
[HANN99]
[HEAL99]
[JING00]
[JOHN95]
[LEE98]
[LIN98]
144
[MCCA98]
K.G. McCarthy, E.V. Saavedra Diaz, D.B.M. Klaassen, A.Mathewson, "Statistical Characterisation and Analysis of 0.18um Low-Power CMOS Process", proceedings of the IEEE 1998 Int. Conference on Microelectronic Test Structures (ICMTS), 1998, pp. 127-131. V. Mehrotra et al., "A methodolgy for modeling the effects of systematic within-die interconnect and device variaions on circuit performances", DAC 2000, Los Angeles, California. D. Moulinier, P. Nachtergaele, M-P. Brutails, S. Bergeon, S. Maza, Ch. Hui Bon Hoa, "Efficient MEMS design methodology integrating finite elements based macro models into a nodal approach MEMS component design tool", Proceedings of Design, Test, Integration and Packaging of MEMS/MOEMS : DTIP 2002, Cannes, 9 p. T. Mukherjee, S. Iyer, G.K. Fedder, "Optimization-based synthesis of microresonators", in "Sensors and Actuators A", ed. Elsevier, 1998, pp. 118127. C.T.-C. Nguyen, "Frequency-Selective MEMS for Miniaturized Communication Devices", 1998 IEEE Aerospace Conference Proceedings, vol. 1, pp. 445-460. C. T.-C. Nguyen, Micromechanical components for miniaturized low-power communications (invited), Proceedings, 1999 IEEE MTT-S International Microwave Symposium RF MEMS Workshop (on Micro-electromechanical Devices for RF Systems: Their Construction, Reliability, and Application), Anaheim, California, pp. 48-77. National Microelectronics Research Center (Irlande) http://www.nmrc.ie/ Ouma, D., B. Stine, R. Divecha, D. Boning, J. Chung, I. Ali, and M. Islamraja,, "Using Variation Decomposition Analysis to Determine the Effect of Process on Wafer and Die-Level Uniformities in CMP", First International Symposium on Chemical Mechanical Planarization (CMP) in IC Device Manufacturing, Vol. 96-22, pp. 164-175, 190th Electrochemical Society Meeting, San Antonio, TX, 1996. H. Ren, A. Jgo, R.B. Fair, "Statistical optimal design of microelectromechanical system (MEMS)", proceedings of Modeling and Simulation of Micosystems '01, Hilton Head Island, USA, mars 2001, pp. 169189, disponible sur http://www.cr.org. O.Renken and W. Benecke, "Electrostatically driven micromachined nickel resonators and gyroscopes", Proceedings of SPIE, Design, Test, and Microfabrication of MEMS and MOEMS, Volume 3680, 1999, Paris, pp. 716727. Stine, B., D. Boning, J. Chung, D. Bell, E. Equi, "Inter- and Intra-die Polysilicon Critical Dimension Variation'', Manufacturing Yield, Reliability, and Failure Analysis session, SPIE 1996 Symposium on Microelectronic Manufacturing, SPIE Vol. 2874, p. 27, Austin TX.
[MEHR00]
[MOUL02]
[MUKH98]
tel-00005359, version 1 - 16 Mar 2004
[NGUY98]
[NGUY99]
[NMRC]
[OUMA96]
[REN01]
[RENK99]
[STIN96]
145
[STIN97]
Stine, B., D. Boning, and J. Chung, "Analysis and Decomposition of Spatial Variation in Integrated Circuit Processes and Devices", IEEE Trans. Semi. Manuf., 1997, 56 p. N. Swart, S. Bart, M. Zaman, et al., "AutoMM: Automatic Generation of Dynamic Macromodels for MEMS Devices", Proceeding of the Eleventh Annual International Workshop on Micro Electro Mechanical Systems, Heidelberg, Germany, 1998, pp. 178-183. J. White, "Fast algorithms for 3-D Simulation", proceedings of Modeling and Simulation of Micosystems 1999, San Juan, USA, disponible sur http://www.cr.org. N.M. Wilson, S. Liang, P. Pinsky, and R.W. Dutton, "A Novel Method to Utilize Existing TCAD Tools to Build Accurate Geometry Required for MEMS Simulation", technical Proceedings of the 1999 International Conference on Modeling and Simulation of Microsystems, Puerto Rico-U.S.A., 4 p. W. Ye, S. Mukherjee and N. C. MacDonald, "Optimal Shape Design of an Electrostatic Comb Drive in Micro-Electromechanical Systems", Journal of Micro Electromechanical Systems 1998, pp. 16-27.
[SWAR98]
[WHIT99]
[WILS99]
tel-00005359, version 1 - 16 Mar 2004
[YE98]
146
tel-00005359, version 1 - 16 Mar 2004
Conclusion et perspectives
Conclusions et perspectives
CONCLUSIONS ET PERSPECTIVES
Lors de la fabrication de circuits intgrs, et a fortiori de MEMS, certains paramtres technologiques sont difficilement contrlables. Pour cette raison, on leur associe une dispersion. Dans certains cas, les circuits ainsi conus peuvent s'avrer hors spcifications et font chuter le rendement. En modifiant les dimensions des masques, on peut trouver des solutions qui amliorent la robustesse des MEMS : l'incertitude sur les paramtres technologiques est la mme, mais ses effets sur les performances sont minimiss. On parle d'optimisation statistique du rendement paramtrique, et c'est le sujet de l'tude prsente dans ce manuscrit.
tel-00005359, version 1 - 16 Mar 2004
Dans le premier chapitre, nous avons trait les mthodes de fabrication des MEMS ainsi que les principales applications actuelles. Le thme du rendement en microlectronique et des outils CAO qui y sont associs sont abords, de mme que leur importance pour le monde industriel. Dans le second chapitre, nous apportons des informations sur les diffrences fondamentales qui existent entre les paramtres qui ont un rle jouer au cours de l'optimisation. Nous passons en revue les principales mthodes d'estimation et d'optimisation du rendement, et revenons de manire plus dtaille sur la mthode des plans d'expriences. Le troisime chapitre est ddi au nouvel algorithme que nous proposons dans le cadre de l'optimisation du rendement. Il fait appel aux plans d'expriences et se dcoupe en deux grandes phases : d'abord rduire la variance des performances, ensuite seulement ajuster la valeur moyenne de ces performances. Les choix oprs lors de la mise au point de l'algorithme sont justifis. Dans le quatrime et dernier chapitre, la manire dont l'algorithme a t implmnt en langage JAVA est commente. Des exemples (filtre passe-bande et MEMS) sont donns et permettent de vrifier le bon fonctionnement de l'algorithme. Les rsultats obtenus dmontrent bien une amlioration sensible du rendement et certifient donc la bonne tenue de notre mthode.
Toutefois, de nombreux tests et vrifications restent encore raliser. Pour s'assurer de sa relle efficacit (solution optimale trouve ? Combien de simulations requises ?), il 148 Flavien Delauche Optimisation statistique
faudrait raliser des comparaisons avec les solutions proposes par d'autres logiciels. Malheureusement, nous n'avons pas eu le temps de raliser assez de tests avec les modules de Cadence (Circuit Surfer) et de Mentor Graphics (Aspire) pour oprer des comparaisons solides (rcriture des modles, diffrentes descriptions des objectifs). Nous pouvons ainsi affirmer avoir dvelopp une bonne solution, mais ses avantages sur d'autres restent thoriques tant qu'elles ne seront pas implmentes. Pour pouvoir effectuer de telles comparaisons, il faut raliser de nombreux tests sur diffrents circuits, impliquant de nombreux paramtres. De telles contraintes imposent, au vu du nombre de simulations ncessaires, une automatisation du processus, c'est dire raliser chaque fois un programme informatique. Cela prendrait trop de temps et n'a pas vraiment sa place dans un travail de thse qui se place plutt en aval lors de la synthse des rsultats, ou en amont, lors de la mise au point d'une mthode prcise.
tel-00005359, version 1 - 16 Mar 2004
En parallle, des structures de tests (microrsonateurs, etc) ont t ralises et certaines encapsules pour en vrifier le bon fonctionnement. Mais le nombre de telles structures qui doivent tre fabriques pour caractriser statistiquement une technologie est norme. Cela ncessite un banc de mesure complexe et automatis, ce qui est encore rare parmi les fondeurs impliqus dans les microsystmes. Il a donc fallu tablir des priorits entre la mise au point d'une mthode d'optimisation du rendement et son application (logiciel), l'implmentation des mthodes classiques afin de les comparer, la caractrisation technologique afin de disposer de donnes fiables, la modlisation prcise d'une structure de test dont la fabrication montrerait la bonne tenue de notre mthode d'optimisation. Nous avons opt pour la mise au point d'un algorithme original d'optimisation et son implmentation, et ralis un premier run pour caractriser la technologie et mettre au point une structure MEMS intressante pour le processus d'optimisation. Ralise dans le cadre d'une convention CIFRE, les trois annes de thse se sont trouves fortement imprgnes du milieu industriel du semi-conducteur. La premire anne s'est passe au LIRMM Montpellier, et les 2 suivantes MEMSCAP, Grenoble. Cette situation m'a permis de voir en peu de temps les principales tapes qui peuvent joncher la vie d'une entreprise (fonde en 1997, entre en bourse en 2001), de rencontrer beaucoup d'acteurs d'une communaut mergeante, celle des microsystmes, qu'ils soient technologues, concepteurs de MEMS ou dveloppeurs d'outils CAO ddis. L'outil dvelopp se situe l'interface de ces trois mtiers : c'est un outil de CAO dvelopp pour les besoins des concepteurs de MEMS, en tenant compte des contraintes formules par les technologues, qui vise amliorer le rendement de fabrication des MEMS. Modulaire, nous l'avons conu pour pouvoir l'adapter rapidement un flot de conception de systmes
149
intgrs, quel que soit le simulateur impliqu et le langage de description du systme (pour le moment : Eldo et Verilog-A). Actuellement, il ne permet d'optimiser qu'une performance la fois, et ce en analyse temporelle ou frquentielle (la partie thorique d'une optimisation multi-performances est traite dans le chapitre 3). Il permet le suivi de l'volution des valeurs des paramtres du MEMS en cours d'optimisation et offre une sortie graphique pour l'interprtation des rsultats.
tel-00005359, version 1 - 16 Mar 2004
150
tel-00005359, version 1 - 16 Mar 2004
ANNEXES
tel-00005359, version 1 - 16 Mar 2004
Annexes
ANNEXES
Nous apportons ici quelques prcisions sur la nature des principales classes utilises lors de l'implmentation de l'algorithme d'optimisation statistique. Nous prcisons aussi quels fichiers sont utiliss et leur intrt.
I.
algo/
CLASSES UTILISEES
regroupe les 4 classes cls de l'algorithme :
tel-00005359, version 1 - 16 Mar 2004
-DoeToSimu ralise la rcriture de la netlist en fonction les plans d'expriences et l'analyse des rsultats de la simulation de la netlist. -MeanTuning reprend l'algorithme d'optimisation du rendement dans sa phase d'ajustement de la valeur moyenne. -SigmaReduction reprend l'algorithme dans sa phase de rduction de la variabilit. -YieldEstimation value le rendement. app/ regroupe les 2 classes excutables : -StatOpt est l'excutable du programme. -Xcalculator permet de calculer les points d'abscisse utiliss lors de l'affichage des courbes ou de la dfinition des courbes cibles, pralablement l'optimisation propre. gui/ regroupe les 3 classes grant l'interface lors du choix des paramtres utiliser
pour l'optimisation. io/ regroupe les 7 classes ddies la lecture o l'criture de fichiers ou de
grandes quantits de donnes (rsultats de simulations). -AlgoData ralise la lecture du fichier o sont saisis les paramtres de l'algorithme (P1, Ps, P2, Pm, boucleAmax, boucleBmax). -DataOfSimu enregistre et trie les rsultats des simulations. -GnuPlot gre la sortie graphique des rsultats de l'optimisation : il fait donc des appels Gnuplot et XView. -MatrixReader permet la lecture et l'utilisation des matrices reprsentant des plans d'expriences qui sont disponibles sous forme de fichiers. -NetlistReader met en forme la netlist initiale (suppression des commentaires) et la rcrit pour un traitement plus simple et rapide. Les lignes sont ranges dans des tableaux (ArrayList en Java). -NetlistWriter reprend les tableaux en question pour crire la netlist. 153
Annexes
-PlotWriter enregistre et classe dans des fichiers toutes les courbes obtenues lors des diffrentes estimations du rendement. db/ regroupe toutes les autres classes (16) :
-AbstractParameter : les paramtres mixtes sont la fois considrs comme des DesignFactor (facteurs de dessin) et des NoiseFactor (facteurs de bruit). Pour faciliter cette double interprtation, ces deux classes "descendent" (hritent des mmes proprits) de la meme classe : AbstractParameter. -Factors, Factor, DesignFactor (associe aux facteurs de dessin), NoiseFactor (associe aux facteurs de bruit), TargetData (description des courbes cibles) sont lies comme on peut le voir sur la Figure 4-8, page 119. -FactorCreator valide la cration d'objets associs aux paramtres choisis pour l'optimisation par l'intermdiaire de l'interface. Cette classe permet aussi d'imposer un nouvel cart type et un nouveau pas (crasant ceux contenus dans les fichiers de description des paramtres) qui s'appliquent l'ensemble des paramtres mixtes, calculs d'aprs un pourcentage de la valeur initiale du paramtre. Cela permet de voir l'influence des paramtres de l'algorithme (Ps1) et du pas des facteurs vis--vis de leur dispersion de manire plus nette, car ils sont ainsi lis par la mme relation pour l'ensemble les facteurs. Par exemple, on fixe sigma 1% de la valeur initiale du paramtre, et le pas deux sigmas. -FactorSeter met jour la valeur d'un paramtre pour la prochaine simulation. -FixedDesignFactorExperiments permet de traiter les donnes issues des simulations associes une combinaison du plan principal. -Instance : un objet de ce type est associ chaque instance de la netlist. -InstanceParameter : un objet de ce type est associ chaque paramtre d'une instance donne. -NetlistInstance permet la lecture de la netlist et la cration des objets de type instances ncessaires. -TechInstance, TechInstanceParameter, TechfileInstance jouent le mme rle que les classes prcdentes, mais s'adressent un ventuel fichier technologique o sont parfois rangs les valeurs des paramtres technologique quand ils ne sont pas dans la netlist mme. On utilisera un tel fichier technologique pour une meilleure lisibilit pour cette premire implmentation. -TargetAnalysis : modifie la netlist en fonction de l'analyse requise pour une simulation donne, et ralise l'appel Spectre.
tel-00005359, version 1 - 16 Mar 2004
154
Annexes
II. FICHIERS UTILISES

Les fichiers utiliss sont placs dans trois rpertoires : factors/ Les noms des fichiers dcrivent leur contenu :
-D_nomDel'Instance_nomDuParamtre (D_r2_r) dcrit un paramtre de dessin. On y trouve 4 coefficients : nom du paramtre, borne infrieure, borne suprieure, pas. -N_nomDel'Instance_nomDuParamtre (N_r2_r) )dcrit un paramtre de bruit. On y trouve 3 coefficients principaux : nom du paramtre, dispersion, offset ventuel. -N_nomDuParamtreTechnologique (N_YoungModulus) dcrit un paramtre technologique, avec le mme aspect qu'un fichier de type N_nomDel'Instance_nomDuParamtre. -T_typeD'analyse_nud_n (T_ac_out_2) dcrit une courbe cible. Il comporte 8 paramtres : le nom de la performance, le type d'analyse qui lui est associe, le nud o le signal est relev, le poids de la performance cible, les points de dbut et de fin de l'analyse, le pas utilis et une prcision pour l'affichage : logarithmique ou linaire. Le type d'affichage, le pas et les bornes de l'analyse permettent de dfinir les points d'abscisse. En chacun de ces points, on peut dfinir si ncessaire la valeur cible et/ou la valeur minimale accepte et/ou la valeur maximale accepte. Ces points pouvant tre trs nombreux, le programme Xcalculator permet de les gnrer automatiquement. Il renvoie un fichier abscisses_file de la forme suivante : abscisse moyenne x0 x1 x2 NaN NaN NaN min NaN NaN NaN max NaN NaN NaN
tel-00005359, version 1 - 16 Mar 2004
Ce sont ces lignes que l'on retrouve dans T_typeD'analyse_nud_n . L'utilisateur remplace juste les "NaN" l o il dsire imposer une contrainte. - DV_nomDel'Instance_nomDuParamtre fournit l'utilisateur l'volution d'un paramtre de dessin tout au long de l'optimisation inputfiles/ Ce rpertoire contient la netlist, le fichier technologique ventuel, et le fichier "algodata" qui contient les paramtres de l'algorithme Ps1, Ps2, Ps3, Pe1, Ps2, boucleAmax, boucleBmax et boucleB2max. tempfiles/ Ce rpertoire hberge tous les autres fichiers manipuls :
-DFDOEMonitoring : retrace les valeurs prises par les paramtres de dessin dans le plan principal. -NFDOEMonitoring : retrace les valeurs prises par les paramtres de bruit dans le plan bruit, pour chaque combinaison du plan principal. -Targets l'optimisation. -abscisses_file contient les abscisses des points intressants, soit pour le processus d'optimisation, soit simplement pour l'affichage des courbes. : dfinit quelles sont les performances considres pour
155
Annexes
-T_typeD'analyse_nud_n_graph_sigeps : graphe retraant l'volution de l'erreur sur la valeur moyenne d'une performance ainsi que sa dispersion avant et aprs optimisation. Ce fichier est gnr par la classe GnuPlot. -T_typeD'analyse_nud_n_graph_simus : courbes de l'ensemble des simulations ralises lors des valuations du rendement. -T_typeD'analyse_nud_n_simus.gnu contient le script gnr par la classe GnuPlot pour lancer le programme Gnuplot. -T_typeD'analyse_nud_n_ye_n contient les coordonnes des points des courbes obtenues pour la performance T_typeD'analyse_nud_n lors de la nime estimation du rendement. -T_typeD'analyse_nud_n_target contient les coordonnes des contraintes s'appliquant la performant nomme T_typeD'analyse_nud_n. -writtenetlist contient la netlist rcrite sans commentaires. -writtenetlist_typeD'analyse contient la netlist ou une analyse a t spcifie. -writtenetlist_typeD'analyse.dat contient les rsultats de la simulation de cette
tel-00005359, version 1 - 16 Mar 2004
netlist. -netlist_sigma_opt est la netlist l'issue de la rduction de la variance. -netlist_mean_opt est la netlist l'issue de la rduction de la fonction erreur associe aux spcifications. -netlist_mean2_opt est la netlist l'issue de l'ventuelle demande d'une rduction de la fonction erreur avec un pas plus fin.
156
Annexes
III. LES FILTRES A PEIGNES ELECTROSTATIQUES

Cette structure se retrouve trs souvent dans la littrature. Elle se dcline sous plusieurs formes et permet notamment la ralisation de filtres lectro-mcaniques dont le principal inconvnient jusqu' maintenant est une frquence de rsonance propre assez basse qui ne permet pas de l'utiliser pour des applications RF. Cette frquence de rsonance mcanique est fixe par la gomtrie et les matriaux de la structure. Filtres MEMS Le premier du genre est aussi souvent dcrit comme le premier MEMS [Figure 0-1], ralis en 1967 [NATH67-page 40].
tel-00005359, version 1 - 16 Mar 2004
Figure 0-1 : Resonnant Gate Transistor Nguyen a dcrit un filtre ayant une frquence de rsonance trs leve (quelques dizaines de MHz) [Figure 0-2], mais il atteint de telles performances sous vide et au prix d'une tension d'actuation de plusieurs centaines de volts [NGUY99-p. 145].
Is
Is
Figure 0-2 : Principe des structures de Nguyen rsonnant verticalement Nous nous sommes inspir de la version plus traditionnelle (filtre peignes latraux) [Figure 0-3] : la frquence de rsonance n'est que de quelques dizaines de kHz, mais la tait bien adapte, et la tension d'actuation requise raisonnable : 10V dans l'air ambiant. du rendement paramtrique de microsystmes (MEMS) 157
Annexes
Figure 0-3 : Structure rsonante peignes lectrostatique latraux [NGUY98] Plusieurs structures ont toutefois t envisages [Figure 0-4]. On pouvait effectivement imaginer combiner de diffrentes manires des modules mcaniques, lectrostatiques ou magntiques, pour atteindre le mme but.
tel-00005359, version 1 - 16 Mar 2004
a)
b)
c)
d)
e)
f)
Figure 0-4 : Variantes de filtres MEMS C'est donc la forme d) qui a t retenue. Les dplacement prvus ont t vrifis, mais
pas les frquences propres d'oscillation. Une caractrisation visuelle simple n'a pu tre monte sans systme stroboscopique, et une caractrisation lectronique aurait ncessit le mise au point d'un circuit permettant de mesurer des variations de capacits de l'ordre de quelques femto Farads, trop longue raliser.
158
Annexes
IV. RESSOURCES
Internet est une source importante d'information. Concernant les MEMS, les sites de Sandia, de la DARPA et MemsNet sont particulirement riches. DARPA http://www.darpa.mil/mto/index_b.html SANDIA http://www.mdl.sandia.gov/ MEMS Clearing House http://www.memsnet.org/ Il existe aussi quelques journaux qui sont mis en lignes, ainsi que des proceedings de confrences : Journal of Microlithography, Microfabrication, and Microsystems (JM3) : http://ojps.aip.org/jmm/index.jsp Sensors and Actuators : http://www.elsevier.com/homepage/saa/sensors/ Sensorsmag http://www.sensorsmag.com/
tel-00005359, version 1 - 16 Mar 2004
Archives de Modeling and Simulation of Microsystems : http://www.cr.org/ Journal of Micromechanics and Microengineering : http://www.iop.org/EJ/S/UNREG/journal/0960-1317 Journal of Micromechatronics : http://www.vsppub.com/journals/jn-JouMic.html Archives de Design Automation Conference : http://www.sigda.org/Archives/ProceedingArchives/Dac/ Journal of MEMS (ieee-asme) : http://www.asmeny.org/Catalog/Html/catgper.htm http://shop.ieee.org/store/Overviews/periodicals.asp#list
Concernant les conferences, ces dernires n'ont souvent pas de site attitr. Les principales sont rfrences avec les dates importantes sur les sites suivants : http://mmc.mpe.ntu.edu.sg/links.asp http://home.earthlink.net/~trimmerw/mems/Conferences.html http://www.smalltimes.com/calendar/index.cfm http://www.memsnet.org/events/ http://www.mic.dtu.dk/research/mems/conferences.htm
159
Annexes
V. PUBLICATIONS
Flavien Delauche, B. Affour, C. Dufaza, "Parametric yield optimization of a micro-resonator using ASPIRE", dans "Reliability, Testing, and Characterization of MEMS/MOEMS", R. Ramesham (ed), vol. 4558, Proceedings of SPIE Conference on Micromachining and Microfabrication 2001, San Francisco-USA,, p. 22-31.
Flavien Delauche, B. Affour, C. Dufaza, "Parametric yield optimization of MEMS", Proceedings of DTIP'2002, Symposium on Design, Test, Integration and Packaging of MEMS/MOEMS", Cannes, p. 126-135.
tel-00005359, version 1 - 16 Mar 2004
160
tel-00005359, version 1 - 16 Mar 2004
Rsum
RESUME
Les microsystmes ou MEMS (Micro Electro Mechanical Systems) entrent dans une phase industrielle. Habituellement conus partir de procds utiliss classiquement en microlectronique, ils peuvent aussi inclurent des parties non lectroniques : mcaniques, optiques, etc. Leur complexit technologique et la difficult modliser ces applications multi-physiques ont retard leur industrialisation, mais cette phase est aujourd'hui atteinte. En parallle se dveloppent donc des contraintes de cot de fabrication et de rendement dans le milieu trs concurrentiel du semiconducteur. Les travaux raliss dans le cadre de cette thse visent dvelopper un logiciel implmentant un algorithme original d'optimisation statistique du rendement paramtrique qui tente de s'affranchir des principales limites associes aux mthodes courantes. Il se prsente comme un module aisment insrable dans un flot de conception de circuit intgr ou de MEMS. Il s'agit d'optimiser les dimensions des structures ralises afin de limiter les variations et dgradations des performances des microsystmes qui sont dues aux fluctuations inluctables des paramtres technologiques lors de leur fabrication, et sont causes de mauvais rendement. Mots cls : Rendement paramtrique, Optimisation statistique, Plans d'expriences, Microsystmes, Microrsonateur, Rduction de la variance, Mthode Taguchi.
tel-00005359, version 1 - 16 Mar 2004
ABSTRACT
Statistical Optimization of Parametric Yield for MEMS MEMS are now entering an industrial era. Fabrication processes are usually based on integrated circuits ones, but they can also include non-electronical parts such as mechanical or optical ones. As multiphysics applications, MEMS appear to be very complex and hard to be accurately modelized, which lead their industrialization to be delayed until today. Now, they have to face the aggressivity of semiconductor market, and yield management is a critical success factor for this new technology. In this dissertation, we detail the development of a software for MEMS parametric yield statistical optimization which can be easily included in integrated circuits or MEMS conception flow. By optimizing layout parameters, it allows to reduce MEMS performances variations and dispersion which are due to unavoidable technological parameters fluctuation during the different process steps, and lead to yield losses. Key words : Parametric yield management, Statistical optimization, Design Of Experiments, MEMS, Microresonator, Variability minimization, Design For Manufacturability, Taguchi method.
DISCIPLINE
micro-lectronique
STRUCTURES D'ACCUEIL
LIRMM Universit Montpellier II / CNRS 161 rue Ada 34392 Montpellier cedex 5
MEMSCAP S.A. Parc des Fontaines 38926 BERNIN

Tel 00005359

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tel 00005359

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE MONTPELLIER II SCIENCES ET TECHNIQUES DU LANGUEDOC THESE Pour obtenir le grade de

DOCTEUR DE LUNIVERSITE MONTPELLIER II

tel-00005359, version 1 - 16 Mar 2004

par Flavien DELAUCHE

OPTIMISATION STATISTIQUE DU RENDEMENT PARAMETRIQUE DE MICROSYSTEMES (MEMS)

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

TABLE DES MATIERES

tel-00005359, version 1 - 16 Mar 2004

2. OPTIMISATION STATISTIQUE DU RENDEMENT PARAMETRIQUE

a) Courbes cibles b) Limites et gabarits c) Fonctions mathmatiques Le flot doptimisation

Diffrentes sortes de paramtres

tel-00005359, version 1 - 16 Mar 2004

3.2 3.3 3.4

Spcifications et performances Estimation du rendement Rduction de la variabilit d'une performance

Ajustement de la rponse moyenne du systme

tel-00005359, version 1 - 16 Mar 2004

Choix des plans dexpriences Optimisation de plusieurs performances simultanment

4. IMPLEMENTATION DE L'ALGORITHME, APPLICATIONS ET RESULTATS

Modlisation des MEMS

4.1.2 4.1.3 4.1.4 4.1.5

Exemple : Filtre passe bande RLC

Exemple : Microrsonateur MEMS

tel-00005359, version 1 - 16 Mar 2004

Exemple : Inductance MEMS Variante : Optimiseur nominal

138 141 143

CONCLUSIONS ET PERSPECTIVES ANNEXES

LISTE DES FIGURES

tel-00005359, version 1 - 16 Mar 2004

Figure 2-12 : Abaque du rendement rel en fonction du rendement estim et du nombre de 53 54 55 55 56 56

Figure 2-14 : Mthodes d'estimation du rendement bases sur la recherche de la rgion

57 57 58 59 60 62 64 65 66 67 68 68 73 74 77 87 88 90 92 92 96 96 97 98 99 100 102 102 106 112 113 113 114 115

tel-00005359, version 1 - 16 Mar 2004

Figure 4-13 : Trac des spcifications et de l'analyse de Monte-Carlo pour l'estimation du

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

LISTE DES TABLEAUX

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

Flavien Delauche Optimisation statistique

tel-00005359, version 1 - 16 Mar 2004

du rendement paramtrique de microsystmes (MEMS)

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

tel-00005359, version 1 - 16 Mar 2004

Chapitre 1 : Microsystmes et rendement

1.1 LES MICROSYSTEMES

tel-00005359, version 1 - 16 Mar 2004

1.1.1 TECHNOLOGIES MEMS

Dpt de la couche structurelle

Gravure de la couche structurelle

Gravure anisotrope du silicium

Figure 1-1 : Micro-usinage en volume

Chapitre 1 : Microsystmes et rendement

tel-00005359, version 1 - 16 Mar 2004

Dpt de loxyde sacrificiel

Lithographie de loxyde sacrificiel

Dpt du niveau structurel