A mesterséges intelligencia alkalmazása a gyártósoron, látszólag egyszerű, de nehéz

A szakértők szerint a félvezetőipar számára fejlesztett mesterséges intelligencia legnagyobb kihívása napjainkban az, hogyan lehet a modellt pontosan és stabilan működtetni közvetlenül a gyártósoron.

Szakértők alkalmazzák a mesterséges intelligenciát a félvezető chipek fejlesztésében - Fotó: UMICH

Ez kiemelt téma volt a Ho Si Minh-város Tudományos és Technológiai Tanszékének Innovációs Központja által augusztus 5-én délután szervezett „Mesterséges Intelligencia (MI) Megoldások a Félvezető Iparban” című workshopon.

A szakértők a gyakorlati megvalósítási lehetőségek megtalálására összpontosítottak termelési környezetben, ami napjainkban a legnagyobb akadálynak számít.

Duong Quang Huy szakértő, az Ascendas Systems mérnöke elmondta, hogy a modern gyártósorokon, különösen a félvezetőgyártó sorokon, mesterséges intelligencia modellekre van szükség a gyártási hibák észleléséhez.

Például a mérnökök olyan eszközöket használhatnak, mint a Deep Network Designer neurális hálózatok építéséhez, vizualizálásához és finomhangolásához, vagy a Classification Learner különböző algoritmusok teszteléséhez és a valós adatkészletekhez legjobban illeszkedő modell kiválasztásához.

Huy úr szerint a nehézség abban rejlik, hogy a modell továbbra is képes-e ugyanolyan pontosságot fenntartani, mint a laboratóriumban, amikor a modellt a betanítási környezetből egy valódi gyártósorra viszik át.

Mivel az algoritmusok szimulált környezetben 99%-os pontosságot érhetnek el, de a valódi termékhibákat a szerelőszalagon olyan egyszerű okok miatt, mint a tükröződés, a por vagy egy alkatrész enyhe elforgatása, nem veszik észre.

„A mesterséges intelligencia fejlesztésének kihívása nem az algoritmusokban rejlik, hanem abban, hogy a laboratóriumból a valóságba jussunk” – erősítette meg Mr. Huy.

Duong Quang Huy szakértő bemutatkozott a workshopon - Fotó: TRONG NHAN

A szakértők szerint az egyik alapvető és döntő megoldás a bemeneti adatok szabványosítása és a pontos tanulóadat-készletek létrehozása.

Mivel a modelltelepítés során elkövetett hibák többsége inkonzisztens bemeneti adatokból ered, például a túlexponáltak, torzítottak, életlenek, a betanítási környezettől eltérő megvilágítású vagy kissé eltolódott komponenseket tartalmazó képekből.

A probléma megoldására Duong Quang Huy szakértő a képadatok szabványosítását javasolja a képzés előtt, beleértve olyan lépéseket, mint a fény kiegyenlítése, a szögek beállítása, a kontraszt fokozása és a zaj eltávolítása.

Ugyanakkor az eszközökkel vagy a manuális és automatikus címkézés kombinációjával végzett pontos címkézés segít a modellnek megtanulni a hiba valódi jellemzőit, ahelyett, hogy irreleváns jellemzők zavarnák meg.

Szintén az eseményen Tran Kim Duy Lan szakértő, a Navagis országigazgatója rámutatott egy másik paradoxonra a mesterséges intelligencia fejlesztésében. Egyrészt a mesterséges intelligencia 30%-kal csökkentheti a chiptervezési időt, és akár 25%-kal növelheti a gyárak termelékenységét. Másrészt a mesterséges intelligenciát működtető adatközpontok várhatóan a globális áramfogyasztás akár 21%-át is felemésztik 2030-ra.

Ebben az összefüggésben Lan úr hangsúlyozta a központosított MI-modellekről az eszközön elosztott modellekre, konkrétan az Edge AI-ra és az eszközön telepített MI-re való áttérés fontosságát. Ezt stratégiai trendnek tekintik a fenntarthatóság biztosítása érdekében.

Az Edge AI segítségével az adatok közvetlenül az eszközön, például egy okoskamerán, mikrovezérlőn vagy beágyazott kártyán kerülnek feldolgozásra, ahelyett, hogy teljes egészében a felhőbe továbbítanák őket. Ez csökkentheti az átviteli sávszélességet, miközben mérsékli a késleltetést, növeli az adatvédelmet, és ami a legfontosabb, a köztes feldolgozási lépés kiküszöbölésének köszönhetően 100-1000-szeresére csökkenti az energiafogyasztást feladatonként.

A globális mesterséges intelligencia piac mérete elérte az 1811 milliárd USD-t

A konferencián a szakértők frissítették a mesterséges intelligencia fejlesztésével kapcsolatos legfrissebb jelentéseket is, amelyek szerint a globális piac mérete várhatóan eléri az 1811 milliárd USD-t 2030-ra. Eközben a félvezetőipar célja, hogy ugyanekkor elérje az 1000 milliárd USD-t.

Jelenleg úgy tartják, hogy a mesterséges intelligencia és a félvezetők kombinációja „kettős lökést” ad az új ipari forradalomnak, különösen akkor, amikor a proaktív mesterséges intelligencia, a multimodális mesterséges intelligencia és a generatív és fenntartható mesterséges intelligencia trendjei átalakítják a chiptervezés, -optimalizálás és -tesztelés iránti igényeket.

SÚLY

Forrás: https://tuoitre.vn/ung-dung-ai-trong-day-chuyen-san-xuat-tuong-de-ma-kho-20250805160542772.htm