Fabrikalar, karmaşık süreçleri derinlemesine incelemek için makine öğrenimi modellerini kullanmaya başlıyor ve hem geniş bilgi işlem gücünden hem de makine öğrenimindeki önemli ilerlemelerden yararlanıyor. Yeni malzeme ve yapılar, süreçler ve paketleme seçenekleriyle boyutların küçülmesi ve karmaşıklığın artması ve güvenilirlik talebinin artması nedeniyle tüm bunlar gereklidir.

Sağlam modeller oluşturmak, algoritmaların eğitilmesini gerektirir ve başarılı dağıtım, bu modellerin uygulamasının ve etkinliğinin izlenmesini gerektirir. Ancak bu bir düğmeye basıp gitmek kadar basit değil. Bu modelleri tarif yolu bulma, süreç rampası, kritik boyut optimizasyonu, levha verimi iyileştirme ve araçtan alete kullanmak için farklı mühendislik disiplinlerinin (fabrika mühendisleri, ekipman mühendisleri ve süreç mühendisleri) eğitimini/yeniden eğitimini/çapraz eğitimini gerektirir. ve odadan odaya eşleşme.

Applied Materials AIx çözümlerinden sorumlu başkan yardımcısı Regina Freed, "Yapay zeka/ML yaklaşımlarının verimli kullanımı için alan uzmanlığı kesinlikle gereklidir" dedi. "Aslında, makine öğrenimi ve fiziğe dayalı hibrit modellerle birlikte donanım ve süreç uzmanlığı, makine öğreniminin başarılı bir şekilde uygulanmasının tek yolu olacak."

Makine öğrenimi ile eğitilmiş modellerle birlikte çalışmak, bu modellerin nasıl kullanılacağının anlaşılmasının yanı sıra bunların etkililiğini ve sağlamlığını değerlendirme becerisini de gerektirir.

CEO'su Jon Herlocker, "Mühendislerin bunun işe yarayacağına inanmaları ve makine öğreniminin neyi yapıp neyi yapamayacağını anlamaları gerekiyor" dedi. kirişler. “Bir makineye dönüşüp fabrikayı devralmaya karar vermeyecek. Mühendisler güveni geliştirmek için bu modeller üzerinde kontroller ayarlayabilir. Geleneksel bir süreç kontrol sistemini nitelendirmek için kullanacakları ML eğitimli modelleri nitelendirmek için aynı sağlam istatistiksel yöntemleri kullanırlar. Bu planlar içindeki değişkenliği ölçmek için özel örnekleme planları oluşturuyorlar."

ML ayrıca üretim akışındaki veriler arasındaki daha karmaşık ilişkileri keşfetmenin kapısını da açar. Ancak bazı uyarılar var.

Elektronik Üretiminde Derin Öğrenme Merkezi (CDLe) direktörü Ajay Baranwal, "Makine öğreniminin derin öğrenme (DL) evrimiyle ilgili gerçekten şaşırtıcı olan şey, bu inanılmaz bilgi işlem gücünün özellikle GPU'larda kullanılmasıdır" dedi. "DL eğitiminde, bu geniş bilgi işlem gücü kullanılarak inanılmaz sayıda parametre ve parametre kombinasyonu keşfedilebilir. Bazı açılardan, kaba kuvvet hesaplamanın bugünlerde başarılı olabileceği, çünkü artık çok fazla bilgi işlem gücünün mevcut olduğu görülüyor. Ancak karmaşık analizler gerçekleştirmek için büyük parametrelerin araştırılması ile bunu daha basit modellerle sınırlandırmak arasında bir denge vardır. Aşırı uyum, önyargı ve yorumlanabilirlik, daha fazla parametre tutmanın birkaç dezavantajıdır."

Fabrika kontrolü için kullanılan bir ML modelinin onaylanmasının ardından, giriş ve çıkış verileri arasındaki ilişkileri etkileyebilecek sapma ve diğer süreç değişikliklerini hesaba katmak için izlenmesi gerekir.

Ekipman ve süreç kontrolü için ML tabanlı bir modeli etkili bir şekilde uygulamak, model eğitiminden daha fazlasını gerektirir. Aynı zamanda doğrulama, izleme ve bakım gerektirir.

Güvenilir veri ve alan uzmanlığı
Başarılı ML eğitimli modeller, güvenilir veriler ve etki alanı uzmanlığından oluşan bir temel üzerine kuruludur. Daha sonra, girdi parametrelerini gerçekten önemli olanların kullanabileceği yüzlerden binlerce sayıya indirmek, genellikle fizik tabanlı modeller kullanılarak ilişkilerin araştırılmasını gerektirir. Bu tür modeller özellikle proses tarifi geliştirme açısından önemlidir. Sonuçların fizik tabanlı modellere ve mühendislik bilgisine göre kontrol edilmesi, makine öğrenimi geliştirmenin doğru şekilde yönlendirilmesini sağlar. Çoklu sonuç spesifikasyonlarını optimize ederken göz önünde bulundurulması gereken diğer hususlar arasında ödünleşimler yer alır.

Şekil 1: Fab süreçleri için bir ML modelini eğitmek için gerekli bileşenler. Kaynak: A. Meixner/Yarı İletken Mühendisliği

Mühendislerin bilgisayarlı görmeyi, istatistiksel modelleri veya derin öğrenme modellerini uygulayıp uygulamadığına bakılmaksızın, model oluşturma her zaman verilerle başlar. Bu verilerin temiz, yani hatasız ve eksiksiz olması gerekir. Çoklu fabrika proses adımlarında veya ileri beslemeli uygulamalarda optimizasyon için, birden fazla kaynaktan gelen verilerin birleştirilmesi, levha ve/veya kalıp düzeyinde izlenebilirlik gerektirir. Pek çok sektör uzmanının da belirttiği gibi, işin en zor kısmı veri yönetimidir. Bu, ilk model oluşturma ve fabrika ortamındaki dağıtım için geçerlidir.

Fabrika proses mühendislerinin istikrarlı ve güvenilir veri akışının yanı sıra modeli doğru yöne yönlendirmesi gerekiyor. Bu ihtiyaç, makine öğreniminden türetilmiş modellerin oluşturulduğu diğer alanlardan farklı değildir.

Ürün hattı yönetimi kıdemli müdürü Anjaneya Thakar, "İlk aşamalarda, konu uzmanlarına sahip olmak, fabrikalarda makine öğreniminin artırılmasında, özellikle de süreç geliştirme uygulamalarında çok faydalıdır" dedi. Synopsus. "Model sınırlı miktarda veri kullanılarak oluşturulduğundan, yanlış bir optimal nokta etrafında optimizasyon yapıyor olabilirsiniz, çünkü sorunu bir konunun uzmanı hızlı bir şekilde geri yönlendirmeden önce görmüşlerdir. Modeliniz bir kez ayarlandığında ve değişkenliğinizin kontrolünü elinize aldığınızda, konu uzmanlarının onu günlük olarak çalıştırmasına daha az ihtiyaç duyulur."

Bir algoritmanın, yönü olmayan bir modeli eğitmesine izin vermek, fabrikada yeni bir işe alım yapmak gibidir.

Tignis'ten Herlocker, "Bazı açılardan makine öğrenimi insan öğrenimine benziyor" dedi. “Eğer bir asistan proses mühendisiniz varsa, onların yapabileceği çok şey vardır. Ancak mühendis öğrendikçe daha karmaşık sorunları çözebilir. Aynı durum ML için de geçerlidir. ML modelinin eğitimi ne kadar fazlaysa o kadar iyi olur. ML model eğitimi alan bilgisidir. İlerlemeye yönelik zorluk, tüm bu alan bilgisini nasıl alıp, makine öğrenimi tarafından 'eğitim' olarak tüketilebilecek şekilde nasıl dönüştüreceğimizdir. Sonuçta, en iyi sonuçları elde etmek için insan sezgisini ve bilgisini makine öğrenimi ile eşleştirmemiz gerekiyor."

Lam Research, bir simülasyon deneyinde mühendisin sezgisinin/bilgisinin makine öğrenimi sonuçlarıyla optimum şekilde eşleştirilmesinin mümkün olduğunu keşfetti. [1] Teknik Genel Müdür Keren Kanarik, "Mühendisler arasında, alan bilgisi olmadan veri biliminin pek bir değerinin olmadığı yönünde bir atasözü vardır" dedi. Lam Araştırma. "Aynı şekilde, veri bilimi olmadan alan bilgisi, rekabetçi yarı iletken dünyasında yeterince hızlı yenilik yapmanıza olanak vermeyecektir. Lam yakın zamanda bu fikri, hedefe yönelik en düşük maliyetle (yani en az sayıda deneyle) yarı iletken bir süreç geliştirmede insanları yapay zekayla karşılaştıran sanal bir oyun yaratarak test etti. Sonuçlar, alan uzmanlığının veri bilimiyle nasıl birleştirileceği konusunda kuralcı bir yaklaşım sundu."

Azaltın ve önceliklendirin
ML tabanlı modellerin en büyük çekiciliği, birden fazla girdi parametresini çeşitli sonuç parametreleriyle doğrusal olmayan ilişkilere bağlama yetenekleridir. Ancak günümüz modelleri için çoğu uzman, önemli girdi parametrelerinin sayısının genellikle 10 civarında olduğu konusunda hemfikirdir. Bu sınırın, yanlış sonuç için optimizasyon, eğitilen modelin açıklanması ve ilişkilerin görülmesi dahil olmak üzere çeşitli nedenleri vardır.

Şekil 2: Bir model oluşturmak için makine öğrenimi oluşturma hattı. Kaynak: A. Meixner/Yarı İletken Mühendisliği

“Karmaşık algoritmaların başarılı bir şekilde uygulanmasının anahtarı görselleştirmedir. Kullanıcıların algoritmaların sonuçlarını ve sınırlarını anında yorumlayıp anlamalarına yardımcı olacak güçlü bir görsel sunum sağlamanız gerekir. Görsel görüntü izleyicinin gözlerinin tam ortasına çarptığında verim mühendisleri harekete geçebilir" dedi. DR Verimi.

ML eğitim algoritmaları daha fazla parametreyi daha kolay keşfedebilir; ancak parametre azaltma, model geliştirme sürecinde hayati bir adımı temsil eder.

Sandbox Semiconductor CEO'su Meghali Chopra, "Çoğu ML modelinin kara kutu niteliğinden dolayı, bazen kullanıcıların süreç performansını haftanın günüyle ilişkilendirirken bulmaları korkusu var" dedi. “ML, önemli veri ilişkilerini aydınlatmak için tasarlandı, ancak içerideki çöp, çöpün çıkışına eşittir. İyi bir ML modeli yaklaşımı ve boru hattı, sinyali gürültüden ayırmak için tasarlanmıştır. Parametre alanını sınırlamak için fizik destekli yapay zeka kullanıyoruz. Ayrıca, en önemli parametrelerin kullanıcılarımıza açıklanmasını sağlamak için veri ön işleme ve boyut azaltma tekniklerine de büyük yatırım yapıyoruz."

Mühendislere önemli parametrelerin aydınlatılması, önce bir parametre, sonra iki ve muhtemelen üç parametre olmak üzere kademeli bir şekilde sağlanabilir.

AI çözümlerinden sorumlu başkan yardımcısı Jeff David, "Aracımızda iki seviye var" dedi. PDF Çözümleri. “Biri tek değişkenli tahmin. Tek değişkenliyle başlıyoruz çünkü anlaşılması ve görselleştirilmesi kolaydır. Örneğin, A parametresi yaklaşık 2.7 ise ve 2.7'nin altında olduğunda daha fazla hata görüyorum, o zaman bir sonraki adımda iki parametre arasında bir etkileşim var demektir. Daha sonra bu iki parametrenin etkileşimindeki ayrıntıları gösteriyoruz. Ama biz ikide duruyoruz çünkü üçe ve dörde gittiğinizde görselleştirmek ve keşfetmek çok zorlaşıyor.”

Kullanılan parametre sayısıyla ilgili diğer uyarı yanlış korelasyonlardır.

Sandbox Semiconductor'dan Chopra, "Bu tür bir uygulama için (asit tarifi geliştirme), süreçler o kadar karmaşık ki kök neden analizi, bu karmaşıklığın modellenmesinin neden gerçekten önemli olduğunu gösterebilir" dedi. "Bu kadar çok parametreyi modellemenin tehlikesi, hatalı korelasyonlar, yani süreç sonucunun haftanın günüyle olan ilişkisini bulmanızdır. Kaçınmak istediğiniz şey budur. Boyutsallığın azaltılmasına büyük yatırım yapıyoruz. Ve sonra sabitleyici fiziğe dayalı modelimizi kullanıyoruz, bu yüzden sorunu aşırı karmaşıklaştırma konusunda hiçbir zaman fazla endişelenmiyoruz çünkü iyi bir modelleme hattı aslında tüm önemli süreç parametrelerini sizin için bulacaktır."

Diğerleri ise parametreleri azaltan ve önemli ilişkiler bulan bir modelleme hattına duyulan ihtiyaç konusunda hemfikirdir.

PDF'den David, "Parametre sayısında kesinlikle bir sınır var" dedi. "Ancak, sahip olduğunuz verilerle bir modeli eğitip onu doğrulayana kadar belirli bir kullanım durumunu bilemezsiniz. Platformumuz, eğitim hattımızla müşterilerimizin bunu otomatik olarak yapmasına olanak tanır. Eğitim hattımız, müşterilerimizin, veri alımından eğitimli modellere kadar, eğitimli modellerinde görmeleri gereken ölçümleri birkaç saat içinde görmelerine olanak tanıyacak şekilde ölçeklendirilir. Ardından, eğitilen modeller değer gösterirse kullanıcı, modelleri ModelOps platformumuzla otomatik olarak dağıtabilir."

Çoklu sonuçların dengelenmesinde de ödünler vardır.

Herlocker, "Temel olarak, bir süreç mühendisinin katılımı olmadan bu denetleyicileri oluşturmanın hiçbir yolu olmadığı doğrudur, çünkü verilmesi gereken ödünleşimlerle ilgili kararlar vardır" dedi. “Birçok şeyi aynı anda optimize etmeye çalışıyorsunuz. Örneğin CD için optimizasyon yapmaya çalışıyorsunuz ama aynı zamanda kullandığınız enerji miktarını da en aza indirmeye çalışıyorsunuz. Mühendislerin şu konularda verdiği doğal insani kararlar vardır: 'Süreç kalitesine, enerji kullanımına, kimyasal tüketimine ve kimyasal emisyonlara ne kadar önem veriyorum?' Ancak makine öğrenimi eğitimi hangisinin daha önemli olduğunu bilmiyor. Bunu yalnızca mühendisler yapıyor, dolayısıyla orada olmaları gerekiyor.”

Dağıtın ve bakımını yapın
ML'nin geliştirildikten sonra doğrulanması, bir üretim ortamına dağıtılması ve bakımının yapılması gerekir. Bu, en iyi şekilde yarı iletken fabrikalarında sistematik ve güvenilir bir süreçle gerçekleştirilir ve bir makine öğrenimi işlemleri (ML Ops) süreç/yöntem platformu gerektirir. Bu, diğer endüstrilerdeki makine öğrenimi uygulamalarında standart hale geldi ve şu anda yarı iletken endüstrisinde de gerçekleşiyor.

Mühendisler makine öğrenimi modellerini tek başına geliştirirler. Geliştirmeden üretim ortamına geçiş, yazılım sistemlerinin dağıtımına yönelik DevOps'a benzer bir dizi uygulamayı içerir. Model üretime girdiğinde, bir ML Ops platformu dağıtım otomasyonunda artışa ve model kalitesinde iyileşmeye olanak tanır. [2] Dolayısıyla tüm ML modeli yaşam döngüsü için geçerlidir.

PDF'den David, "Son on yıldır, ML'nin birçok kullanım durumunda yarı iletken üretimine nasıl değer katabileceği konusunda çok fazla heyecan var" dedi. “Fakat sıra bunu üretime uygulama zamanı geldiğinde insanlar mücadele ediyor. Örneğin, eğitimli modelinizin yapması gerekeni yapıp yapmadığını nasıl izlersiniz? Değilse başvuru yolu nedir? Peki ya sıra tahminlerde bulunmaya gelirse ve verileriniz orada değilse? Bu istediğimizden daha sık oluyor. Eğitilen modelinizin dayandığı girdi verilerindeki bir kaymayı nasıl tespit edersiniz? Bu konuda ne gibi önlemler alıyorsunuz? Ne yapıyorsun? ML Ops temel olarak tüm bu şeylerin üretimde çalıştırılmasının ve böylece gerçekten kullanılabilmesinin uygulanmasıdır."

Ayrıca modellerin yeniden eğitim kabiliyetine sahip olması gerekir. "Yeni makine öğrenimi algoritmalarında, çoğu derin öğrenmeyle ilgili olan pek çok atılım yaşandı. Derin öğrenme büyük bir yatırım alanıdır ve sektör olarak, özellikle büyük modellerle çalışmak söz konusu olduğunda, daha önce mümkün olmayan pek çok şeyi yapabiliyoruz. Model yeniden eğitim otomasyonu alanındaki pek çok iyileştirmenin, ML modellerinin yüksek hacimli üretim ortamlarında geniş çapta dağıtımı için gerekli olduğu kanıtlanıyor," dedi Tignis'ten Herlocker.

ML Ops'un başka bir yönü de benzer tahminler için modellerin farklı ürünlerde daha hızlı dağıtılmasıdır. Ürün özelliklerinden dolayı aynı giriş parametreleri farklı çıkış verileriyle sonuçlanabilir. Bu aynı zamanda farklı bir eğitim yaklaşımının bir veri seti için daha iyi bir eşleşme olduğu anlamına da gelebilir. ML işlem hattı ve ML Ops'un devreye girdiği yer burasıdır.

PDF'den David, "A, B ve C ürünü başına farklı bir model eğitmek istiyorsunuz ve bunu otomatik bir şekilde yapmak ve bunların her birini hızlı bir şekilde dağıtmak istiyorsunuz" dedi. “Belki de rastgele orman bu veri seti için en iyi orman değildir. ML Ops ile veri kümenizi alır, parçalara ayırır ve farklı türde algoritmik yaklaşımlar uygularsınız. Bunlar, çapraz doğrulama adı verilen yöntemle doğrulanabilen veri kümesinin hiper parametreleridir. [3] Daha sonra modeli en iyi algoritma yaklaşımınızı kullanarak oluşturursunuz, bu daha sonra modele dahil edilir ve ardından bunu üretim için dağıtırsınız. Bu çipten çipe farklılık gösterebilir. Sektörde ML Ops'a şiddetle ihtiyaç duyuluyor ve hatta müşterilerden bu ML OPS platformunu, bir modeli algoritmayla eğitme yeteneğinden daha fazlasını istediklerini duyuyorum. Sonuçta bunun nedeni, ML'yi üretimde gerçekten dağıtmak istemeleridir. Bunu yapacak bir platform olmadan başka hiçbir şeyin önemi yok.”

Sonuç
Ekonomi, etkililik ve verimlilik baskıları nedeniyle yarı iletken fabrika mühendisliği ekiplerinin, çalışmalarını desteklemek için ML modellerini kullanması gerekecek. ML, tarif geliştirmeyi hızlandırmanın, verimi artırmanın ve birkaç yüzde puanlık getiri elde etmenin bir yolu olarak ortaya çıktı. ML'nin mekansal özelliklere ve zamansal durumlara bağlı karmaşık etkileşimleri ele alma yeteneği sayesinde gelecekteki ML modelleri, süreç adımlarında birlikte optimizasyon sağlayarak yeni kimyasal mekanizmaların anlaşılmasını hızlandıracak ve çok daha fazlasını yapacaktır.

Ancak araç kutularındaki tüm araçlarda olduğu gibi mühendislerin de makine öğreniminin sınırlamalarını anlaması gerekir. Bunu etkili bir şekilde yapabilmek için geliştiren, doğrulayan, dağıtan ve izleyen sağlam bir makine öğrenimi modeli hattına ihtiyaçları var. Ve proses mühendislerinin hâlâ uygulamayı yönlendirmesi ve kolaylaştırması gerekiyor.

Herlocker, "Bulduğumuz şeylerden biri, günümüzün makine öğrenimi çözümlerinin bir süreç mühendisine, yazılım mühendisine, veri bilimcilerine ve bir BT personeline ihtiyaç duymasıdır" dedi. “Vizyonumuz gereği kritik kişi süreç mühendisidir. Proses mühendisinin bunu başkaları olmadan yapmasına olanak tanıyan bir yazılım oluşturabiliriz. Bu hedefe ulaşmaya ve böylece süreç mühendisinin makine öğrenimini etkili bir şekilde kullanmasına olanak sağlamaya yaklaşıyoruz."

Referanslar

1. Kanarık, K., ve diğerleri. “Yarı iletken süreç gelişimini iyileştirmek için insan-makine işbirliği,” Nature 616, 707–711 (2023). https://doi.org/10.1038/s41586-023-05773-7
2. https://en.wikipedia.org/wiki/MLOps
3. https://en.wikipedia.org/wiki/Hyperparameter_(machine_learning)

İlgili hikayeleri
Fab'larda AI/ML Ne Zaman ve Nerede Uygulanmalı?
Daha akıllı araçlar süreç kontrolünü iyileştirebilir, sapmaların nedenlerini belirleyebilir ve tarif geliştirmeyi hızlandırabilir.

Geliştirilmiş Fab Planlama için ML'yi Kullanma
Araştırmacılar, büyük veri koleksiyonlarındaki kalıpları tanımlayarak levha işleme verimliliğini artırmak için sinir ağlarını kullanıyor.

Arıza Analizinde ML'yi Uygulamak
Makine öğreniminin en iyi ne zaman ve nerede kullanıldığı ve doğru modelin nasıl seçileceği.

Çip Üretiminde Veri Sorunları Artıyor
Ana veri uygulamaları, ürün mühendislerinin ve fabrika BT mühendislerinin çeşitli veri türleri ve kalitesiyle ilgilenmesini sağlar.

Fabrikada Yapay Zeka ve Mühendislik Uzmanlığını Dengelemek
Her ikisi de yeni süreç geliştirme için kullanıldığında sonuçlar büyük gelişmeler gösteriyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://semiengineering.com/fabs-begin-ramping-up-machine-learning/