Au Centre microélectronique de Provence, dans les espaces réservés au département Sciences de la fabrication et logistique (SFL), les paillasses, les outils de caractérisation, les tables optiques et autres équipements scientifiques sont aux abonnés absents. En revanche, les ordinateurs sont partout. Sur chaque bureau, ainsi que dans une salle dédiée. Toutes les machines accessibles à distance sont disponibles pour réaliser de gros volumes de calculs.
Dans cette structure de recherche rattachée à Mines Saint-Étienne et au Laboratoire CNRS Limos, les objets que manipulent les chercheurs ne sont pas physiques, mais numériques. « Nous collectons des données industrielles pour concevoir des algorithmes capables de résoudre des problématiques complexes d’ordonnancement et de planification, dans le but d’optimiser la gestion des productions », explique Nabil Absi, le responsable du département SFL.
Ordonnancement automatisé
L’activité de ce département a commencé en 2003, en réponse aux défis posés par l’industrie microélectronique. La production d’une puce nécessite jusqu’à un millier d’étapes avec des temps de cycles pouvant atteindre plusieurs mois et des délais à ne pas dépasser entre chaque phase. « La fabrication se fait par couches avec des flux ré-entrants puisque chaque puce passe plusieurs fois sur un même ensemble de machines, ajoute Nabil Absi. La production par lots, avec des unités réparties sur différentes machines, pose des défis d’équilibrage pour éviter les attentes inutiles entre unités. » Toutes ces contraintes rendent la gestion du procédé très complexe.
C’est là qu’interviennent les chercheurs du département SFL. Ils développent des algorithmes d’ordonnancement automatisé capables de déterminer, sur une journée, l’ordre optimal dans lequel les différentes étapes doivent être réalisées en fonction des paramètres de production (durée, intervalle à respecter...) et des ressources disponibles.
Comprendre le problème et le modéliser mathématiquement
Un processus en deux temps. Le premier, c’est la compréhension du problème et sa modélisation mathématique. « Cette étape, fondamentale pour la suite, peut prendre plusieurs mois, explique Nabil Absi. Elle nécessite de se rendre sur place pour mieux comprendre les flux physiques. » À ce stade, les chercheurs doivent s’assurer de la disponibilité des données. La plupart du temps, elles sont fournies par l’industriel sous forme de fichiers structurés, mais il arrive qu’elles nécessitent un effort de traitement ou de consolidation. Et lorsqu’elles manquent, les scientifiques peuvent en générer de nouvelles.
Une fois le problème identifié et modélisé, reste à trouver de bonnes solutions pour le modèle d’optimisation établi. Les chercheurs disposent d’outils mathématiques incontournables pour la manipulation de données : les algorithmes. Les métaheuristiques, la génération de colonnes et la programmation linéaire sont notamment utilisées. « Nous choisissons la plus adaptée pour trouver la meilleure solution à chaque problème », souligne Nabil Absi. Pour résoudre les problématiques d’ordonnancement de l’industrie microélectronique, c’est une métaheuristique fondée sur des voisinages [lire l’encadré] qui a apporté d’excellents résultats. Des algorithmes ainsi conçus par SFL en partenariat avec STMicroelectronics ont été développés et commercialisés par l’entreprise française Planimize.
Pilotage en temps réel des unités de fabrication
Ces recherches sont menées sans l’intelligence artificielle
— Nabil Absi, le responsable du département SFL
En quelques minutes, le logiciel résultant propose un ordonnancement optimisé pour des milliers d’opérations sur plus d’une centaine de machines. Ce qui permet ainsi de piloter, en temps réel, les unités de fabrication les plus avancées de STMicroelectronics. Et les chercheurs travaillent désormais sur le développement d’un outil de planification de la production pour plusieurs semaines. Parallèlement à ce partenariat de longue date, SFL est engagé dans le projet ANR franco-taïwanais Diligent pour aborder les problématiques d’ordonnancement dans le domaine des semi-conducteurs avec une vision plus académique.
L’optimisation de l’ordonnancement et de la planification de la production est un enjeu commun à un grand nombre de secteurs industriels. Au sein d’un accord-cadre qui s’achèvera cette année, l’équipe de Nabil Absi y travaille avec la SNCF dans la maintenance des trains, l’organisation conjointe des agents de conduite et du matériel roulant ou encore l’utilisation d’un système d’aide à la décision pour la gestion des zones très denses.
En 2024, le département s’est aussi engagé pour un projet de deux ans avec Michelin autour d’une problématique d’ordonnancement des tâches manuelles. « L’idée est de développer un modèle prenant en compte des aléas de production de manière à recommander des ordonnancements qui soient robustes à ces aléas, explique le responsable du département. En se fondant sur l’historique des pannes machines et la probabilité qu’un aléa survienne, nous voulons développer une solution pro-active afin que les ressources humaines soient rapidement disponibles en cas de panne. »
Prédire le flux d’arrivée des navires et des camions
À la microélectronique, au transport ferroviaire, aux pneumatiques, s’ajoute le transport maritime. En partenariat avec l’armateur CMA CGM, SFL développe un prototype d’aide à la décision pour la planification optimale des itinéraires de conteneurs et des services de transport maritime de ligne, en tenant compte de contraintes commerciales réalistes et de réseaux réels de ces flottes marchandes.
L’équipe de Nabil Absi collabore aussi avec la start-up marseillaise DMS Logistics pour mettre au point un outil de décongestion des terminaux portuaires. L’idée ? Concevoir un logiciel capable de se connecter à toutes les opérations du port pour récolter des données et alimenter continuellement un algorithme chargé de prédire le flux d’arrivée des navires et des camions, améliorant d’autant leur prise en charge. Toutes ces recherches sont menées par SFL avec une grande absente : l’intelligence artificielle. « Notre approche de l’optimisation est fondée sur la fine connaissance des métiers, des modélisations précises et des algorithmes sur mesure, nous avons peu recours à des réseaux de neurones artificiels », affirme Nabil Absi.
Les métaheuristiques pour optimiser l’ordonnancement
Dans la boîte à outils des chercheurs du département SFL, les métaheuristiques fondées sur des voisinages sont des algorithmes d’optimisation adaptés à la résolution des problèmes d’ordonnancement de production. Ils visent à calculer un ensemble de solutions voisines convergeant vers une solution optimale. L’idée ? L’algorithme part d’une solution qu’il va légèrement modifier pour calculer toutes les solutions voisines. Si dans ce voisinage, une solution s’avère meilleure, elle est sélectionnée.
L’algorithme calcule ensuite son voisinage, puis en sélectionne une qui soit éventuellement meilleure, et ainsi de suite. « Pour nous, tout l’enjeu est d’arriver à calculer rapidement les voisinages et repérer la meilleure solution parmi tous les voisins », explique Nabil Absi, le responsable de SFL. Cette approche algorithmique est au cœur des solutions développées par le département de recherche pour répondre aux problématiques d’ordonnancement de STMicroelectronics et de Michelin.
