近年来,“人工智能”(AI)受到很大关注,产生了变革性的影响在几个行业,包括半导体行业。AI和其他相关技术的出现,如机器学习(ML),深度学习(DL)等,半导体行业带来新的前景,导致增强的生产力,效率和性能,同时降低成本。本文主要讨论各种方法的实现人工智能是造成半导体和集成电路技术的重大改进。
图片来源:Gorodenkoff / Shutterstock.com
实现机器学习(ML)在半导体行业
毫升的实现在半导体行业是非常有益的,尤其是预测维护、缺陷检测和过程控制。一篇文章发表在杂志上芯片关注毫升的作用在半导体行业的数据分析。
半导体材料的研究人员分析和制造部门提出努力制定和实施各种新亚博网站下载颖的ML算法有效利用大量的数据。根据这篇文章,大多数机器学习(ML)任务相关的半导体主要涉及分类,预测各种材料特性、设备性能和制造工艺。结果,大多数的ML应用在这个领域主要是基于监督学习。
毫升的实现在半导体的研究可以分为两个不同的类别,即数据模型的开发材料的宏观信息(如晶格常数、空间群,弹性模量,等等),每个原子的位置和类型。这些研究使预测的宏观和微观特性的基础上,每个原子的信息,如机器学习原子间势(MLIP)或MLFF(机器学习力场)。
识别和分类芯片缺陷,研究人员还提出一个自动缺陷分类(ADC)方法。主要的输入是由扫描电子显微镜图像捕获。使用卷积神经网络(CNN)的方法,该系统可以检测几乎没有人类的帮助,证明了方法的高功效实验。
毫升在半导体行业的局限性
机器学习是人工智能的一个类型的计算。一些缺陷主要是由于不适当的统计分析。在材料科学和半导体制造,亚博老虎机网登录有大量的数据,但有时它是构造一般毫升模型的不足,在某些研究或是没有有效利用。模型的通用性越大,所需的训练数据量越大获得一个有效的模型。毫升客观抽象的程度应该对应于训练数据的数量。
一些结果在这个学科缺乏统计分析的结果。很难确保IID条件训练数据和场景之间预计当机器学习应用到半导体。
实际仿真或生产过程的测试不足是另一个重要的限制。大多数的研究这门学科仍在概念化和确认阶段,所以还有许多工作要做。
使用人工智能可扩展的产量预测
有几百个半导体器件的制造中所涉及的操作,和众多的因素影响设备产量。最新的文章发表在应用科学亚博老虎机网登录目标这个问题通过使用一个可扩展的输入预测和基于数据的方法将不同因素通过实现可辩解的人工智能(新品),它使用解释模型改变制备条件。
十个不同的机器学习算法进行了优化和比较选择数据预测模型与最佳性能。选择的射频模型展览增强预测的0.520平均绝对误差和均方根误差为0.648级。这项研究的发现对提高产量有重大影响的多个商品多样化的制造业数据。
人工智能解决供应链瓶颈和芯片的质量
最新的文章国际期刊发表的研究和评论专注于人工智能的实现求解半导体制造相关的几个问题。
是合理使用实时数据构造一个机器学习模型提取电子系统中现存的数据集。这使公司从实际数据收集知识,而不是依靠假设在规划过程中,从而提高预测的精度,使其提前通过开发做出快速响应客户需求和利用生产能力更大的有效性,以及解决机器的问题瓶颈。
此外,人工智能可以用来解决产品质量问题造成的空洞在当前实际测试和外观检查过程和能力。目前方法都依赖于人类,如额外的手工检查的大门,也不仅延长生产周期,增加生产成本。
图片来源:江杰冯/ Shutterstock.com
提出了基于ai的解决方案是使用历史数据来源训练人工神经网络毫升模型与图像处理算法来创建一个灵活的decision-assisting工具更精确的产品检查,使用动态比较的参考照片。提出了人工智能的解决方案,图像的自动光学检测技术传播到FTP服务器将接受一系列的图像预处理技术改进和修复使用分割和提取特征的颜色,半导体芯片上的任何轻微的缺陷很容易被侦测到。
遗传算法对失败的根源
《华尔街日报》科学报告发表了一篇文章,旨在开发一个模型能够预测失败的结果基于失败的区别特征描述。遗传算法(GA)是人工智能的一个子集,模拟自然选择的方法。GA执行搜索操作复杂、大型、多模环境和提供了接近最优的解决方案。GA-DT指文章的组合遗传算法和决策树分类器。最初,失效分析描述X是预处理。第二阶段展示了向量化技术Word2Vec这个词。矢量化预处理数据,第三阶段展示了使用GA变量选择的技术结合决策树、支持向量machine-supervised学习。
算法显示了每个文本的三个最准确的预测样本失效评估结论。蓝色评分量化预测数据和原始集合之间的类比。区别特征选择的建议GA-DT方法提供最准确的预后模型失败的结论基于故障过程的描述。
市场分析
按照发布的报告麦肯锡公司,AI /毫升有机会为半导体组织创造巨大的商业价值。AI /毫升目前提供5美元至80亿美元的年收入。这是惊人的,但它只代表了大约10%的AI /毫升的最大产业价值。AI /毫升之间能产生350亿美元和400亿美元在未来两到三年。这表明半导体行业已经到了一个临界点,不投入大量资源和企业AI /毫升策略可能落后的风险。
从AZoM:区块链技术半导体供应链更好的计划吗?
引用和进一步阅读
Rammal,。et al。(2023)。预测失败根源在半导体行业,遗传algorithm-machine学习方法。4934年Sci代表13日。可以在:https://doi.org/10.1038/s41598 - 023 - 30769 - 8
麦肯锡公司,(2021)。扩展人工智能领域,使它:半导体器件制造商。(在线)
可以在:https://www.mckinsey.com/industries/semiconductors/our-insights/scaling-ai-in-the-sector-that-enables-it-lessons-for-semiconductor-device-makers
卢武铉李Y, Y (2023)。一个可扩展的产量预测框架使用可辩解的半导体制造的人工智能。应用科学。13 亚博老虎机网登录(4):2660。可以在:https://doi.org/10.3390/app13042660
刘等人。(2022)。为半导体机器学习。芯片。1 (4):100033。可以在:https://doi.org/10.1016/j.chip.2022.100033
拉莎等人。(2023)。回顾半导体制造业使用人工智能技术。审查使用人工智能技术在半导体制造业。4 (3):1376 - 1330。可以在:https://ijrpr.com/uploads/V4ISSUE3/IJRPR10490.pd
免责声明:这里的观点是作者表达他们的私人能力,不一定代表AZoM.com T /有限的观点AZoNetwork这个网站的所有者和经营者。这个声明的一部分条款和条件本网站的使用。