Perspektywa Lam research

Przyszłosc Uczenia Maszynowego

Dr Richard A. Gottscho, wiceprezes wykonawczy i dyrektor ds. technologii Lam Research, spotkał sie z zespołem tec.news by porozmawiac na temat wartosci sztucznej inteligencji (AI) i uczenia maszynowego (ML).

Załozona w 1980 roku firma Lam Re- Zsearch jest wiodacym swiatowym dostawca innowacyjnych urzadzen i Zusług do produkcji płytek półprzewodnikowych dla przemysłu półprzewodnikowego. Ich rozwiazania technologiczne i produktywne przyczyniły sie do zwiekszenia wydajnosci układów scalonych przy nizszych kosztach, od 130 000 tranzystorów na chipie we wczesnych latach 80. do ponad 1 miliarda obecnie.

Podobnie jak wiele firm, Lam wykorzystuje sztuczna inteligencje (AI) i uczenie maszynowe (ML) w warstwie produktu, aby umozliwic swoim klientom czerpanie korzysci z nizszych całkowitych kosztów posiadania, zmniejszonego zuzycia energii i zwiekszenia wydajnosci. Lam wykorzystuje równiez sztuczna inteligencje AI i uczenie maszynowe ML w szerokim zakresie zastosowan we własnych operacjach, takich jak poprawa wydajnosci urzadzen fabrycznych w celu osiagniecia wyzszej jakosci i bardziej spójnej produkcji płytek we wszystkich flotach sprzetu.

Osiagniecie tych celów jest mozliwe tylko dzieki efektywnemu wykorzystaniu danych. Obecnie gromadzeniem danych zajmuje sie producent półprzewodników, pobierajac surowe dane z poszczególnych narzedzi. Lam chce to zmienic, dostarczajac oczyszczone dane – łacznie z filtrowaniem i sekwencjonowaniem czasowym – które sa gotowe do uzycia, co umozliwia klientom najlepsze zarzadzanie flota we wszystkich obiektach.

W ramach poszczególnych narzedzi znajduja sie komory produkcyjne z wbudowanymi elementami sterujacymi, które zapewniaja dokładniejsze i powtarzalne wyniki, wykrywaja błedy i zapewniaja adaptacyjne sprzezenie zwrotne zapewniajace super precyzyjna powtarzalnosc, niezaleznie od zmiennosci przychodzacych materiałów. Udostepniajac te dane poza indywidualna maszyna, algorytmy AI i ML moga analizowac duze pule danych, aby odblokowac zalecenia, które moga pomóc w osiagnieciu lepszej wydajnosci, poprawie funkcjonalnosci sprzetu, identyfikacji anomalii i unikaniu awarii sprzetu i nieplanowanych przestojów.

PRZYPADKI ZASTOSOWANIA AI I ML W PRODUKCJI PÓŁPRZEWODNIKÓW

Róznice w jednostce produkcyjnej moga byc spowodowane wieloma czynnikami, takimi jak kontrola temperatury powierzchni komory, szybkosc dopasowania czestotliwosci radiowych przez siec oraz kontrola temperatury płytki. Przyczyne róznic parametrów miedzy komorami mozna ustalic, dokładnie badajac dane z samych narzedzi.

Wykrywanie defektów to kolejny najczestszy przypadek tego zastosowanie. Podczas produkcji urzadzen o rozmiarach nano tolerancja na defekty jest zasadniczo zerowa – uzycie AI i ML moze pomóc w wykryciu warunków, które prowadza do defektów na wczesnym etapie, co w efekcie zwiekszyc wydajnosc.

WŁASCIWA STRUKTURA JEST KLUCZOWA

Wdrozenie AI i ML wymaga współpracy dwóch róznych obszarów wiedzy: naukowców zajmujacych sie danymi i ekspertów dziedzinowych. Dla Lam oznacza to zatrudnienie zespołu wewnetrznych analityków danych, którzy scisle współpracuja z inzynierami przy opracowywaniu narzedzi. Posiadanie tej wiedzy we własnym zakresie umozliwia Lam oferowanie bezproblemowej obsługi swoim klientom, którzy w innym przypadku musieliby manualnie łaczyc ze soba swoje maszyny. Lam posiada równiez zewnetrznych konsultantów, którzy wnosza swieze pomysły i techniki.

To połaczenie zasobów wewnetrznych analityków danych i konsultantów zewnetrznych gwarantuje, ze Lam jest zawsze w czołówce AI i ML.

AI I ML TO CEGIEŁKI BUDOWLANE PRZEMYSŁU 4.0

Dr Richard A. Gottscho jest odpowiedzialny za nadzorowanie transformacji Lam w Przemysle 4.0. Zauwaza, ze prawie kazda firma wdraza obecnie strategie transformacji cyfrowej, dazac do zwiekszenia produktywnosci, skrócenia czasu realizacji i poprawy przejrzystosci we wszystkich aspektach procesu produkcyjnego. Dla dr. Gottscho najwiekszym wyzwaniem jest wdrazanie kompleksowych napraw w firmie o ugruntowanej pozycji, ale przedstawia to jako przysłowiowy problem, z którym borykaja sie wszyscy inzynierowie: „Musimy przeprojektowac nasz silnik, gdy ten jest juz na torze”. Innym kluczowym wyzwaniem jest posiadanie wystarczajacej liczby ekspertów w danej dziedzinie i niedobór naukowców zajmujacych sie danymi, co jego zdaniem jest czynnikiem prowadzacym do ogólnego postepu na całym swiecie. „Problemem nie sa pieniadze, ale ludzie, poniewaz tych ludzi nie da sie stworzyc z dnia na dzien. To wymusza bardziej wybiórcze podejscia do tego, co robisz jako pierwsze, drugie i trzecie. Transformacja przemysłowa nie jest czyms, co dzieje sie z dnia na dzien.

WSPÓŁPRACA LAM RESEARCH & HARTING

Lam i HARTING współpracuja nad nowymi sposobami poprawy produkcji półprzewodników. Dr Gottscho wierzy, ze koncepcja HARTING polegajaca na pomiarze napiecia, pradu, fazy i całkowitej mocy zuzywanej przez sprzet w czasie rzeczywistym za pomoca czujników wbudowanych w złacza ma ogromny potencjał, aby sprostac wyzwaniu monitorowania duzej liczby sygnałów z urzadzen produkcyjnych w czasie rzeczywistym i wspierac zaawansowana sztuczna inteligencje i stosowanie ML. Podejscie to byłoby stosunkowo łatwe do zastosowania i wysoce opłacalne w porównaniu z innymi metodami wykrywania.

Przetwarzanie informacji w czasie rzeczywistym oferuje znaczne korzysci w porównaniu z obecnym rozwiazaniem wykorzystujacym mikrograf elektronowy, którego przetwarzanie wymaga kilku godzin i kosztuje tysiace dolarów. Dr Gottscho uwaza, ze czujniki osadzone w złaczach sa równie wazne dla sprzetu półprzewodnikowego, jak dla autonomicznych samochodów, dostarczajac w czasie rzeczywistym informacji, które wpływaja na podejmowanie kluczowych decyzji.

Takie podejscie wesprze równiez zobowiazanie Lam do osiagniecia zerowej emisji dwutlenku wegla netto do 2050 r., które ogłosił na poczatku tego roku. Pierwszym krokiem w projektowaniu energooszczednego sprzetu jest poznanie, ile energii zuzywa kazdy element, a najlepszym sposobem na to jest uzycie wbudowanych czujników, które przechwytuja krytyczne dane operacyjne i spostrzezenia, aby umozliwic transformacje przemysłowa.