<mark id="oztn4"></mark>
0
| 本文作者： 張棟 | 2019-05-03 08:55 |
? 希捷打造了一個(gè)切實(shí)可行的、實(shí)用的人工智能（AI）平臺(tái)以提升生產(chǎn)線效率和產(chǎn)品質(zhì)量。該平臺(tái)可以將生產(chǎn)所需的新型無(wú)塵室投資成本降低達(dá)20%，而流程耗時(shí)則縮短10%。
? 該項(xiàng)目在希捷內(nèi)部被擬定代號(hào)為雅典娜（Athena），系統(tǒng)每天處理數(shù)以百萬(wàn)計(jì)的顯微鏡照片。
? 通過(guò)深度學(xué)習(xí)和自我訓(xùn)練，Athena比人類專家更為迅速精準(zhǔn)地識(shí)別缺陷。
? 希捷能夠以更快的速度、更低的成本解決不規(guī)范問(wèn)題和流程問(wèn)題。通過(guò)提高效率和完善質(zhì)量管理，希捷預(yù)計(jì)有望獲得高達(dá)300%的投資回報(bào)率。
? Athena項(xiàng)目技術(shù)為制造業(yè)的所有客戶提供了廣泛的應(yīng)用。這是智能制造邁出的最重要的第一步，也證明了工業(yè)4.0已經(jīng)到來(lái)。
希捷已在其位于明尼蘇達(dá)州諾曼代爾（Normandale）的晶圓制造工廠成功部署了有史以來(lái)第一個(gè)深度學(xué)習(xí)制造項(xiàng)目。晶圓片（小片半導(dǎo)體材料）被用來(lái)生產(chǎn)硬盤上的讀寫頭。
希捷工廠中，記錄傳感器的年生產(chǎn)量超過(guò)10億。為保障最高標(biāo)準(zhǔn)的質(zhì)量水平，必須對(duì)這些傳感器進(jìn)行分析和測(cè)試以檢測(cè)是否存在制造缺陷。
傳感器是什么？它們與晶片和驅(qū)動(dòng)器有什么關(guān)系？這得從原材料說(shuō)起，其原材料實(shí)際上是一種薄的半導(dǎo)體基板。經(jīng)過(guò)光刻工藝過(guò)程，基板變成薄的、扁平的、水晶般的晶圓片。晶圓切割并進(jìn)行進(jìn)一步處理后，就變成了傳感器（也稱為滑塊）——一個(gè)能夠在旋轉(zhuǎn)的磁盤記錄表面進(jìn)行數(shù)據(jù)讀寫的部件。
測(cè)試過(guò)程漫長(zhǎng)、復(fù)雜且需要大量人力。每張200毫米的晶圓上有10萬(wàn)個(gè)需要檢測(cè)的滑塊。諾曼代爾工廠每天拍攝數(shù)百萬(wàn)張的顯微鏡照片，產(chǎn)生的數(shù)據(jù)量高達(dá)10TB，這些照片需要在晶圓組裝入硬盤前得到篩選以檢測(cè)潛在的產(chǎn)品缺陷。
由于需要分析的傳感器數(shù)量龐大，工程師不可能對(duì)所有傳感器進(jìn)行檢測(cè)。即使制造過(guò)程漫長(zhǎng)，也沒(méi)有足夠的時(shí)間來(lái)檢查每一張圖像。這就意味著有缺陷的部件有時(shí)候確實(shí)能夠躲過(guò)即時(shí)檢測(cè)，在隨后的過(guò)程中才被發(fā)現(xiàn)，而屆時(shí)付出的成本則要高很多。
希捷需要一種能夠在更短時(shí)間內(nèi)檢測(cè)更多圖片的方式。但是僅僅靠雇用更多的圖像分析專家還沒(méi)有辦法完全處理1700萬(wàn)張圖片。
希捷團(tuán)隊(duì)采用基于規(guī)則的圖像分析，實(shí)現(xiàn)了一定程度的自動(dòng)化。采用這種方法，只要系統(tǒng)首先獲知它要尋找什么，就有可能識(shí)別出異常。而規(guī)則是人工建立起來(lái)的，這是一個(gè)耗時(shí)且必須經(jīng)過(guò)不斷調(diào)整和完善的過(guò)程。
基于規(guī)則的系統(tǒng)建立慢、完善慢并且可能會(huì)得出不同的結(jié)果。除了產(chǎn)生很多誤報(bào)之外，規(guī)則只能檢測(cè)出已知問(wèn)題。這可能造成潛在風(fēng)險(xiǎn)—即有問(wèn)題的晶圓在組裝進(jìn)讀寫磁頭前，可能逃過(guò)檢測(cè)。
得益于人工智能、機(jī)器學(xué)習(xí)以及物聯(lián)網(wǎng)感應(yīng)器的發(fā)展，一個(gè)新的可以規(guī)避上述風(fēng)險(xiǎn)的解決方案應(yīng)運(yùn)而生，這就是希捷的Athena 項(xiàng)目。
該方案需要解決兩大問(wèn)題：每天需要處理的大量數(shù)據(jù)以及當(dāng)前基于規(guī)則的分析系統(tǒng)存在的缺陷。傳統(tǒng)的大數(shù)據(jù)程序是進(jìn)行批量處理的，但這完全不適用于24×7×365運(yùn)行的生產(chǎn)線。
第一步是建立一個(gè)具備提高自動(dòng)化和傳感器故障檢測(cè)洞察能力的深度神經(jīng)網(wǎng)絡(luò)（DNN）。神經(jīng)網(wǎng)絡(luò)的構(gòu)建采用Nvidia V100和P4 GPUs*以及希捷的高性能Nytro?X 2U24存儲(chǔ)，以支持Athena的深度學(xué)習(xí)和人工智能系統(tǒng)。
接著，將晶圓圖像輸入深度神經(jīng)網(wǎng)絡(luò)，從而訓(xùn)練人工智能系統(tǒng)區(qū)分“合格”和“不合格”的晶圓。Athena的學(xué)習(xí)方式和人類工程師完全一樣——查看成千上萬(wàn)張圖片。但得益于深度神經(jīng)網(wǎng)絡(luò)的原始處理能力，Athena比人類學(xué)得更快、更精準(zhǔn)。
一段時(shí)間后，Athena獲得了分辨流程中潛在缺陷的能力。人工智能助手標(biāo)記異常圖像以供主題專家進(jìn)行手動(dòng)評(píng)估。Athena還可以基于圖像分析操作過(guò)程中檢測(cè)到的異常情況進(jìn)行規(guī)則的建立和細(xì)化。
最為重要的是，Athena 可以對(duì)電子顯微鏡生成的圖像進(jìn)行實(shí)時(shí)接收和分析。深度神經(jīng)網(wǎng)絡(luò)能夠在每張圖片生成的同時(shí)進(jìn)行處理。截至目前，希捷已實(shí)現(xiàn)了每天處理當(dāng)天生成的300萬(wàn)張圖像，并能夠識(shí)別可能被人類工程師遺漏的微小缺陷。
實(shí)時(shí)處理有助于團(tuán)隊(duì)盡早識(shí)別和糾正制造中的問(wèn)題。發(fā)現(xiàn)問(wèn)題越及時(shí)，希捷就能越有效地降低其對(duì)生產(chǎn)流程和成本的影響。
Athena項(xiàng)目擅長(zhǎng)缺陷識(shí)別，但它不會(huì)也不能完全取代工廠專家。Athena項(xiàng)目的關(guān)鍵在于其為希捷的晶圓專家開拓了新的思路，糾正生產(chǎn)流程中的重大問(wèn)題。
Athena為解決希捷工廠外的更多問(wèn)題起到了示范作用。它能夠以更迅捷、更高適應(yīng)性以及更有意義的方式檢測(cè)到異常，這種能力可以擴(kuò)展應(yīng)用到智能工廠之外的其他地方，并在公共安全、自動(dòng)駕駛汽車和智能城市等各種領(lǐng)域證明其行之有效。
希捷執(zhí)行副總裁兼運(yùn)營(yíng)、產(chǎn)品和技術(shù)主管Jeffrey Nygaard表示：“我們希望盡快將Athena 部署到我們所有的生產(chǎn)設(shè)施中。隨著微型相機(jī)和物聯(lián)網(wǎng)傳感器成本的下降，類似的技術(shù)也可以應(yīng)用于其他領(lǐng)域。這是智能制造領(lǐng)域重大革新的第一步，也可以擴(kuò)展應(yīng)用于我們其他工廠的基礎(chǔ)架構(gòu)。”
希捷的每個(gè)制造工具都包含至少30個(gè)傳感器，它們每秒鐘都會(huì)記錄機(jī)器的健康狀況和其他測(cè)量數(shù)據(jù)。生成的信息能夠幫助更好地發(fā)現(xiàn)不合規(guī)操作。將數(shù)據(jù)輸入Athena 深度神經(jīng)網(wǎng)絡(luò)，有助于更早地識(shí)別生產(chǎn)問(wèn)題。這為采取積極防御措施進(jìn)行修復(fù)和故障預(yù)防提供了機(jī)會(huì)。
Athena項(xiàng)目的受益人不僅限于希捷。類似的智能工廠技術(shù)可以部署到整個(gè)制造業(yè)，幫助希捷的客戶享受到更多類似Athena 能夠提供的優(yōu)勢(shì)。客戶用例或許有所差異，但其基本原理——深度神經(jīng)網(wǎng)絡(luò)、人工智能和機(jī)器學(xué)習(xí)——是相同的。
客戶需要可靠的技術(shù)平臺(tái)部署人工智能項(xiàng)目，而希捷的解決方案能夠滿足這些需求。
為了有效地開展工作，Athena項(xiàng)目需要進(jìn)行大量的數(shù)據(jù)處理——為了快速檢測(cè)到異常，每天要及時(shí)處理高達(dá)10TB的晶圓圖像數(shù)據(jù)。
未來(lái)幾年，全球數(shù)據(jù)創(chuàng)造量將會(huì)飆升，而Athena 的存在順應(yīng)了該趨勢(shì)。根據(jù)希捷贊助、IDC發(fā)布的報(bào)告預(yù)測(cè)，到2025年，全球數(shù)據(jù)圈將增長(zhǎng)至175ZB。
在這個(gè)數(shù)據(jù)密集的新世界中，對(duì)速度的需求亟待新的解決方案。邊緣計(jì)算（Edge computing），作為Gartner 預(yù)測(cè)的2018年十大戰(zhàn)略技術(shù)趨勢(shì)之一是對(duì)延遲需求降低的回應(yīng)，也是對(duì)實(shí)時(shí)處理的關(guān)鍵應(yīng)用程序的回應(yīng)。它讓計(jì)算更靠近數(shù)據(jù)源，更迅捷地向最終用戶交付服務(wù)。
如果數(shù)據(jù)能夠在數(shù)據(jù)源附近得到處理，那么就可以在離最終用戶更近的地方生成實(shí)時(shí)洞察，從而大大降低網(wǎng)絡(luò)資源的負(fù)載并為潛在的新應(yīng)用打開全新的局面。以這種模式，數(shù)據(jù)中心技術(shù)——計(jì)算和存儲(chǔ)模式——都將更加接近網(wǎng)絡(luò)邊緣，為新一代應(yīng)用程序開創(chuàng)機(jī)會(huì)。
對(duì)于Athena項(xiàng)目，在智能工廠處理數(shù)據(jù)本身就已經(jīng)實(shí)現(xiàn)了生產(chǎn)異常的實(shí)時(shí)識(shí)別。雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
