יישום בינה מלאכותית בקווי ייצור, לכאורה קל אך קשה

לדברי מומחים, האתגר הגדול ביותר בפיתוח בינה מלאכותית עבור תעשיית המוליכים למחצה כיום הוא כיצד לגרום למודל לפעול בצורה מדויקת ויציבה ממש על קו הייצור.

מומחים מיישמים בינה מלאכותית בפיתוח שבבי מוליכים למחצה - צילום: UMICH

נושא זה היה בולט בסדנה "פתרונות בינה מלאכותית (AI) בתעשיית המוליכים למחצה" שאורגנה על ידי מרכז החדשנות, מחלקת המדע והטכנולוגיה של הו צ'י מין סיטי, אחר הצהריים של ה-5 באוגוסט.

מומחים התמקדו במציאת יכולות יישום מעשיות בסביבות ייצור, מה שנחשב למכשול הגדול ביותר כיום.

המומחה דונג קוואנג הוי - מהנדס מ-Ascendas Systems - אמר שבקווי ייצור מודרניים, במיוחד בקווי ייצור של מוליכים למחצה, נדרשים מודלים של בינה מלאכותית כדי לזהות שגיאות בייצור.

לדוגמה, מהנדסים יכולים להשתמש בכלים כמו Deep Network Designer כדי לבנות, להמחיש ולכוונן רשתות עצביות, או Classification Learner כדי להתנסות באלגוריתמים שונים ולבחור את המודל המתאים ביותר למערכי נתונים בעולם האמיתי.

לדברי מר הוי, הקושי טמון בשאלה האם המודל עדיין יכול לשמור על אותו דיוק כמו במעבדה בעת העברת המודל מסביבת האימון לפס ייצור אמיתי.

מכיוון שאלגוריתמים יכולים להשיג דיוק של 99% בסביבה מדומה, אך לפספס פגמים אמיתיים במוצר בפס הייצור מסיבות פשוטות כמו סנוור, אבק או רכיב שמסתובב קלות.

"האתגר בפיתוח בינה מלאכותית אינו טמון באלגוריתם, אלא מהמעבדה למציאות", אישר מר הוי.

המומחה Duong Quang Huy מציג בסדנה - צילום: TRONG NHAN

לדברי מומחים, אחד הפתרונות הבסיסיים והמכריעים הוא סטנדרטיזציה של נתוני קלט ובניית מערכי נתונים מדויקים של אימון.

מכיוון שרוב השגיאות בפריסת המודל נובעות מנתוני קלט לא עקביים, כגון תמונות חשופות יתר, מעוותות או לא ממוקדות, תנאי תאורה שונים מסביבת האימון, או רכיבים מעט מוזרמים.

כדי לפתור בעיה זו, המומחה דונג קוואנג הוי ממליץ לתקנן את נתוני התמונה לפני האימון, כולל שלבים כגון איזון אור, התאמת זוויות, שיפור הניגודיות והסרת רעש.

במקביל, תיוג מדויק באמצעות כלים או שילוב של תיוג ידני ואוטומטי מסייע למודל ללמוד את המאפיינים האמיתיים של השגיאה, במקום להיות מוטרד ממאפיינים לא רלוונטיים.

כמו כן, באירוע, הצביע המומחה טראן קים דוי לאן - מנהל המדינה של Navagis - על פרדוקס נוסף בפיתוח בינה מלאכותית. מצד אחד, בינה מלאכותית יכולה לסייע בהפחתת זמן תכנון השבבים ב-30% ולהגדיל את הפרודוקטיביות של המפעלים בעד 25%. מצד שני, מרכזי נתונים המפעילים בינה מלאכותית צפויים לצרוך עד 21% מהחשמל העולמי עד 2030.

בהקשר זה, מר לאן הדגיש את החשיבות של מעבר ממודלים מרכזיים של בינה מלאכותית למודלים מבוזרים במכשיר, ובפרט בינה מלאכותית בקצה ובינה מלאכותית במכשיר. מגמה זו נחשבת למגמה אסטרטגית להבטחת קיימות.

בעזרת Edge AI, הנתונים מעובדים ישירות במכשיר, כגון מצלמה חכמה, מיקרו-בקר או לוח משובץ, במקום להיות מועברים לחלוטין לענן. זה יכול להפחית את רוחב הפס של השידור, תוך הפחתת זמן ההשהיה, הגברת הפרטיות, וחשוב מכל, הפחתת צריכת החשמל לכל משימה פי 100-1,000, הודות לביטול שלבי עיבוד ביניים.

גודל שוק הבינה המלאכותית העולמי מגיע ל-1,811 מיליארד דולר

בכנס, מומחים עדכנו גם את הדוחות האחרונים על התפתחות הבינה המלאכותית, כאשר גודל השוק העולמי צפוי להגיע ל-1,811 מיליארד דולר עד 2030. בינתיים, תעשיית המוליכים למחצה שואפת להגיע לרף של 1,000 מיליארד דולר באותו הזמן.

כיום, השילוב של בינה מלאכותית ומוליכים למחצה נחשב ליצירת "דחיפה כפולה" למהפכה התעשייתית החדשה, במיוחד כאשר המגמות של בינה מלאכותית אקטיבית, בינה מלאכותית רב-מודאלית ובינה מלאכותית גנרטורה ובת קיימא מעצבות מחדש את הצרכים לתכנון, אופטימיזציה ובדיקות של שבבים.

מִשׁקָל

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