机器学习进入工厂,面具商店

半导体工程坐下来讨论人工智能(AI),机器学习,和芯片与阿基光掩模制造技术》的首席执行官d2;杰里·陈,商业和生态系统在Nvidia开发经理;资深技术专家平Nakayamada NuFlare;和产品区域经理主管和米凯尔Wahlsten Mycronic。以下是摘录的谈话。阅读第一部分,点击在这里。

图1:平Nakayamada唐森,NuFlare资深技术专家;d2首席执行官阿基》;和产品区域经理主管米凯尔Wahlsten Mycronic;陈和杰里,商业和生态系统在Nvidia开发经理。

SE:人工神经网络、机器学习的先驱,在1980年代是一个热门话题。在神经网络中,一个系统处理数据和识别模式。它匹配特定的模式和学习哪些属性是很重要的。为什么没有这个技术第一次起飞?

陈:有三个原因。一是这些模型是如此强大。他们需要消耗大量的数据。是退出潜在的信息在很多数据,但它需要燃料,使深度学习。数据就像燃料。你需要足够的数据来养活这强大的模型。否则,模型吸收了过多的信息,就训练过度。我们还没有对数据的访问,直到最近。

第二件事是,有一些进化的数学技术和工具。我叫算法和软件,现在是一个大社区,构建TensorFlow等之类的东西。甚至英伟达贡献很多底层软件,以及一些更高级的软件,更容易和更容易。

最后一块,当然,非常密集的和廉价的计算。所有的数据需要消化这些花哨的算法。但是你需要用一个实际的一生,所以你需要这种密集计算来处理所有的数据,并拿出一个解决方案或某种表示在世界是什么样子。然后,当然,你把这些物理模型,自己也很计算密集型。这就是为什么很多国家超级计算机设施像峰会机器在橡树岭国家实验室建立吨gpu,近30000 gpu。这就是动力。他们认识到,这些硬币的两面,基于物理计算和数据驱动计算,特别是深度学习,是必要的。

SE:谷歌、Facebook和其他利用机器学习。还有谁正在部署这种技术?

陈:这是几乎每一个垂直行业。这是每一家公司,我们会考虑作为云服务提供商。所以他们提供云基础设施或提供服务可以从云如Siri或谷歌语音。这已经不是什么秘密,他们做了很多东西。最近,我们已经看到,技术迁移到特定的垂直应用程序。显然,有很多的活动在各种医疗空间。这些空间历来很多gpu用于可视化和图形。现在,他们正在使用AI解释他们获取更多的数据,特别是对放射图像3 d卷。我们看到它发生在金融、零售和电信。我们看到很多的应用程序对这些工业、资本密集型的企业类型。 The semiconductor industry is the one that is the most obvious and active. The timing is perfect, and there is a lot of progress that we can make here.

》:医学是一个例子。在医学成像,你真的珩磨哪些细胞癌变。使用深度学习引擎,他们可以缩小到哪些细胞是坏的。这是一个医学的例子。但你可以想象同样的好处,可以推导出半导体生产。

SE:机器学习似乎是进入光掩模的商店和工厂。我们看到公司开始使用电路仿真技术,检查和design-for-manufacturing。我听说使用机器学习对有问题的区域或热点做出预测。这里的目的是什么或这完成什么呢?

》:传统热点探测器需要一系列的过滤器。一个人不可能经历甚至100人类无法穿过整个面具什么的,找到这些地方。它可以只关注可疑区域。一旦机器学习通过深入学习,它只会努力通过一切。所以这将是更加准确。

陈:在许多工业应用中,有时最终精度可能作为人类可比。但是有两个方面的准确性。检测它的一部分,但也有错误的积极的一面。这可能是在其它比半导体企业,虽然在半导体也很普遍。拨号的成本你的灵敏度,以确保你发现一切可能是你产生一大堆假阳性。这可能会非常昂贵。但也有很多证据和研究表明,能够深度学习解决方案,在许多情况下,实现类似或更好的灵敏度,而不是造成的负担大量的假阳性。

SE:最近,d2, Mycronic NuFlare宣布成立深度学习中心电子制造(CDLe)。这里的目标是什么?

》:有三个一般区域。一个是关于人的。在我们的世界里,重要的是要有领域知识。所以你不能雇佣人在深度学习训练,希望他们能够为我们做什么。有很多的知识需要学习。唯一办法深度学习为我们的任何公司工作有深度学习专业知识和人的婚姻在深度学习和专业知识培训。将在一个地方,是一个重要因素。的目标是让人们聚在一起的中心,回到各自的公司,成为深学习领域知识的专家。他们可以帮助别人学习知识。人的一个方面。

第二件事是深度学习的应用程序。所以我们希望能够一起加速杠杆的能力相结合的平台,人民和大家一起带来的协同应用的深度学习每个公司尽快。我们不知道是什么形式的,但也有一些想法。

然后,第三个是一个深度学习引擎本身。深的艺术学习和深度学习的技术非常新。它只发生在几年前。令人惊奇的是走了多远即使它在萌芽阶段。它会改变很多在未来10年。会发生变化,我们认为这将是更具体的类型的问题。这需要大量的数据,7σ精度是必需的。就比一个人不够好我们的许多问题。所以,我们希望能够想出深度学习的基础设施,和深度学习引擎本身,而不是应用程序。

SE:你就不能发展自己的技术?

Nakayamada:深度学习工程师有时很难找到。也许我们可以利用中心和找到他们。

Wahlsten:这种技术是在瑞典。深度学习的学校有专门的课程。但是,为了做到这一点,我们没有那么多知识内部。我们可以使用一些专家的知识。这是一个完美的地区。合作是关键。

SE:其他的一些问题吗?

Nakayamada:有一个与Mycronic协同作用。我们有一个VSB背景。他们有多波束的背景。我们正在开发多波束。与多波束专家一起工作在不同的领域会带来一些好处。

Wahlsten:我们看到的挑战是找到一个“快速失败”模型。机器学习是一个很好的技术,但并不是解决一切。同样重要的是拿走,说:“在这里,我们有一个好的解决方案。但在这里,我们不应该花时间在其他事情。这是合作背后的想法。

相关阅读:

机器学习入侵IC生产

可靠性、机器学习和高级包装

晶圆厂满足机器学习