Eksperci stosują sztuczną inteligencję w rozwoju układów scalonych – zdjęcie: UMICH
Był to jeden z głównych tematów warsztatów „Rozwiązania wykorzystujące sztuczną inteligencję (AI) w przemyśle półprzewodników”, zorganizowanych przez Centrum Innowacji Departamentu Nauki i Technologii w Ho Chi Minh City po południu 5 sierpnia.
Eksperci skupili się na znalezieniu możliwości praktycznej implementacji w środowiskach produkcyjnych, co obecnie uważa się za największą barierę.
Ekspert Duong Quang Huy, inżynier z Ascendas Systems, powiedział, że w nowoczesnych liniach produkcyjnych, szczególnie w liniach produkujących półprzewodniki, modele sztucznej inteligencji muszą wykrywać błędy w produkcji.
Inżynierowie mogą na przykład używać narzędzi takich jak Deep Network Designer do tworzenia, wizualizacji i dostrajania sieci neuronowych lub Classification Learner do eksperymentowania z różnymi algorytmami i wybierania modelu, który najlepiej pasuje do rzeczywistych zestawów danych.
Według pana Huya problem polega na tym, czy model będzie w stanie zachować tę samą dokładność, co w laboratorium, po przeniesieniu go ze środowiska szkoleniowego na rzeczywistą linię produkcyjną.
Ponieważ algorytmy mogą osiągnąć 99% dokładności w symulowanym środowisku, ale nie wykrywają rzeczywistych wad produktu na linii montażowej z prostych przyczyn, takich jak odblaski, kurz lub nieznaczne obrócenie komponentu.
„Wyzwanie w rozwoju sztucznej inteligencji nie leży w samym algorytmie, ale w przejściu z laboratorium do rzeczywistości” – stwierdził pan Huy.
Ekspert Duong Quang Huy prezentuje na warsztatach – Zdjęcie: TRONG NHAN
Zdaniem ekspertów, jednym z podstawowych i decydujących rozwiązań jest standaryzacja danych wejściowych i zbudowanie dokładnych zbiorów danych szkoleniowych.
Ponieważ większość błędów we wdrażaniu modelu wynika z niespójnych danych wejściowych, takich jak prześwietlone, zniekształcone lub nieostre obrazy, inne warunki oświetlenia niż w środowisku szkoleniowym lub nieznacznie przesunięte komponenty.
Aby rozwiązać ten problem, ekspert Duong Quang Huy zaleca standaryzację danych obrazu przed rozpoczęciem treningu, obejmującą m.in. zrównoważenie światła, dostosowanie kątów, zwiększenie kontrastu i usunięcie szumu.
Jednocześnie dokładne etykietowanie za pomocą narzędzi lub kombinacji etykietowania ręcznego i automatycznego pomaga modelowi poznać prawdziwe cechy błędu, zamiast zakłócać go przez nieistotne cechy.
Podczas wydarzenia ekspert Tran Kim Duy Lan – dyrektor krajowy Navagis – zwrócił uwagę na kolejny paradoks w rozwoju sztucznej inteligencji. Z jednej strony, sztuczna inteligencja może skrócić czas projektowania układów scalonych o 30% i zwiększyć wydajność fabryk nawet o 25%. Z drugiej strony, szacuje się, że centra danych wykorzystujące sztuczną inteligencję będą zużywać do 21% globalnej energii elektrycznej do 2030 roku.
W tym kontekście pan Lan podkreślił znaczenie przejścia od scentralizowanych modeli AI do modeli rozproszonych na poziomie urządzenia, w szczególności Edge AI i AI na urządzeniu. Jest to uważane za strategiczny trend zapewniający zrównoważony rozwój.
Dzięki Edge AI dane są przetwarzane bezpośrednio na urządzeniu, takim jak inteligentna kamera, mikrokontroler lub płytka wbudowana, zamiast być przesyłane w całości do chmury. Pozwala to zmniejszyć przepustowość transmisji, a jednocześnie zmniejszyć opóźnienia, zwiększyć prywatność i, co najważniejsze, zmniejszyć zużycie energii na zadanie 100-1000 razy, dzięki wyeliminowaniu pośrednich etapów przetwarzania.
Wartość globalnego rynku sztucznej inteligencji osiągnęła 1811 miliardów dolarów
Podczas konferencji eksperci przedstawili również najnowsze raporty dotyczące rozwoju sztucznej inteligencji (AI), przy czym szacuje się, że globalna wartość rynku osiągnie 1811 miliardów dolarów do 2030 roku. Tymczasem branża półprzewodników dąży do osiągnięcia w tym samym czasie wartości 1000 miliardów dolarów.
Obecnie uważa się, że połączenie sztucznej inteligencji i półprzewodników stworzy „podwójny impuls” dla nowej rewolucji przemysłowej, zwłaszcza w obliczu trendów aktywnej sztucznej inteligencji, multimodalnej sztucznej inteligencji oraz generatywnej i zrównoważonej sztucznej inteligencji, które zmieniają potrzeby w zakresie projektowania, optymalizacji i testowania układów scalonych.
Source: https://tuoitre.vn/ung-dung-ai-trong-day-chuyen-san-xuat-tuong-de-ma-kho-20250805160542772.htm
Komentarz (0)