0
? 希捷打造了一個切實可行的、實用的人工智能（AI）平臺以提升生產線效率和產品質量。該平臺可以將生產所需的新型無塵室投資成本降低達20%，而流程耗時則縮短10%。
? 該項目在希捷內部被擬定代號為雅典娜（Athena），系統每天處理數以百萬計的顯微鏡照片。
? 通過深度學習和自我訓練，Athena比人類專家更為迅速精準地識別缺陷。
? 希捷能夠以更快的速度、更低的成本解決不規范問題和流程問題。通過提高效率和完善質量管理，希捷預計有望獲得高達300%的投資回報率。
? Athena項目技術為制造業的所有客戶提供了廣泛的應用。這是智能制造邁出的最重要的第一步，也證明了工業4.0已經到來。
希捷已在其位于明尼蘇達州諾曼代爾（Normandale）的晶圓制造工廠成功部署了有史以來第一個深度學習制造項目。晶圓片（小片半導體材料）被用來生產硬盤上的讀寫頭。
希捷工廠中，記錄傳感器的年生產量超過10億。為保障最高標準的質量水平，必須對這些傳感器進行分析和測試以檢測是否存在制造缺陷。
傳感器是什么？它們與晶片和驅動器有什么關系？這得從原材料說起，其原材料實際上是一種薄的半導體基板。經過光刻工藝過程，基板變成薄的、扁平的、水晶般的晶圓片。晶圓切割并進行進一步處理后，就變成了傳感器（也稱為滑塊）——一個能夠在旋轉的磁盤記錄表面進行數據讀寫的部件。
測試過程漫長、復雜且需要大量人力。每張200毫米的晶圓上有10萬個需要檢測的滑塊。諾曼代爾工廠每天拍攝數百萬張的顯微鏡照片，產生的數據量高達10TB，這些照片需要在晶圓組裝入硬盤前得到篩選以檢測潛在的產品缺陷。
由于需要分析的傳感器數量龐大，工程師不可能對所有傳感器進行檢測。即使制造過程漫長，也沒有足夠的時間來檢查每一張圖像。這就意味著有缺陷的部件有時候確實能夠躲過即時檢測，在隨后的過程中才被發現，而屆時付出的成本則要高很多。
希捷需要一種能夠在更短時間內檢測更多圖片的方式。但是僅僅靠雇用更多的圖像分析專家還沒有辦法完全處理1700萬張圖片。
希捷團隊采用基于規則的圖像分析，實現了一定程度的自動化。采用這種方法，只要系統首先獲知它要尋找什么，就有可能識別出異常。而規則是人工建立起來的，這是一個耗時且必須經過不斷調整和完善的過程。
基于規則的系統建立慢、完善慢并且可能會得出不同的結果。除了產生很多誤報之外，規則只能檢測出已知問題。這可能造成潛在風險—即有問題的晶圓在組裝進讀寫磁頭前，可能逃過檢測。
得益于人工智能、機器學習以及物聯網感應器的發展，一個新的可以規避上述風險的解決方案應運而生，這就是希捷的Athena 項目。
該方案需要解決兩大問題：每天需要處理的大量數據以及當前基于規則的分析系統存在的缺陷。傳統的大數據程序是進行批量處理的，但這完全不適用于24×7×365運行的生產線。
第一步是建立一個具備提高自動化和傳感器故障檢測洞察能力的深度神經網絡（DNN）。神經網絡的構建采用Nvidia V100和P4 GPUs*以及希捷的高性能Nytro?X 2U24存儲，以支持Athena的深度學習和人工智能系統。
接著，將晶圓圖像輸入深度神經網絡，從而訓練人工智能系統區分“合格”和“不合格”的晶圓。Athena的學習方式和人類工程師完全一樣——查看成千上萬張圖片。但得益于深度神經網絡的原始處理能力，Athena比人類學得更快、更精準。
一段時間后，Athena獲得了分辨流程中潛在缺陷的能力。人工智能助手標記異常圖像以供主題專家進行手動評估。Athena還可以基于圖像分析操作過程中檢測到的異常情況進行規則的建立和細化。
最為重要的是，Athena 可以對電子顯微鏡生成的圖像進行實時接收和分析。深度神經網絡能夠在每張圖片生成的同時進行處理。截至目前，希捷已實現了每天處理當天生成的300萬張圖像，并能夠識別可能被人類工程師遺漏的微小缺陷。
實時處理有助于團隊盡早識別和糾正制造中的問題。發現問題越及時，希捷就能越有效地降低其對生產流程和成本的影響。
Athena項目擅長缺陷識別，但它不會也不能完全取代工廠專家。Athena項目的關鍵在于其為希捷的晶圓專家開拓了新的思路，糾正生產流程中的重大問題。
Athena為解決希捷工廠外的更多問題起到了示范作用。它能夠以更迅捷、更高適應性以及更有意義的方式檢測到異常，這種能力可以擴展應用到智能工廠之外的其他地方，并在公共安全、自動駕駛汽車和智能城市等各種領域證明其行之有效。
希捷執行副總裁兼運營、產品和技術主管Jeffrey Nygaard表示：“我們希望盡快將Athena 部署到我們所有的生產設施中。隨著微型相機和物聯網傳感器成本的下降，類似的技術也可以應用于其他領域。這是智能制造領域重大革新的第一步，也可以擴展應用于我們其他工廠的基礎架構。”
希捷的每個制造工具都包含至少30個傳感器，它們每秒鐘都會記錄機器的健康狀況和其他測量數據。生成的信息能夠幫助更好地發現不合規操作。將數據輸入Athena 深度神經網絡，有助于更早地識別生產問題。這為采取積極防御措施進行修復和故障預防提供了機會。
Athena項目的受益人不僅限于希捷。類似的智能工廠技術可以部署到整個制造業，幫助希捷的客戶享受到更多類似Athena 能夠提供的優勢。客戶用例或許有所差異，但其基本原理——深度神經網絡、人工智能和機器學習——是相同的。
客戶需要可靠的技術平臺部署人工智能項目，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項目需要進行大量的數據處理——為了快速檢測到異常，每天要及時處理高達10TB的晶圓圖像數據。
未來幾年，全球數據創造量將會飆升，而Athena 的存在順應了該趨勢。根據希捷贊助、IDC發布的報告預測，到2025年，全球數據圈將增長至175ZB。
在這個數據密集的新世界中，對速度的需求亟待新的解決方案。邊緣計算（Edge computing），作為Gartner 預測的2018年十大戰略技術趨勢之一是對延遲需求降低的回應，也是對實時處理的關鍵應用程序的回應。它讓計算更靠近數據源，更迅捷地向最終用戶交付服務。
如果數據能夠在數據源附近得到處理，那么就可以在離最終用戶更近的地方生成實時洞察，從而大大降低網絡資源的負載并為潛在的新應用打開全新的局面。以這種模式，數據中心技術——計算和存儲模式——都將更加接近網絡邊緣，為新一代應用程序開創機會。
對于Athena項目，在智能工廠處理數據本身就已經實現了生產異常的實時識別。雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
