机/深度学习,这不是很有用。
半导体工程坐下来讨论这个问题和挑战与机器学习在半导体制造业Kurt Ronse在Imec先进光刻项目主任;渔洞,高级营销主任到创新;数据科学家罗曼Roux Mycronic;和阿基》的首席执行官d2。以下是摘录的谈话。本文的第一部分在这里。第二部分是在这里。
唐森:渔洞,罗曼Roux Kurt Ronse安琪》。
SE:机器学习在今天的芯片制造,和在未来将如何改变?
》:深度学习,机器学习的一个子集,是新的。深度学习应用于半导体制造甚至更新。但这不是普遍的。任何有很多软件内容或软件价值最终将由深度学习转变。许多事情仍将被编程以传统的方式,但将插入深度学习提高准确性,或改善运行时,或执行新的任务,以前不切实际。深度学习已经被投入生产流面具商店今天。然而,对于深入学习无处不在,它将需要一些时间。它可能不是从现在开始的一年,但它肯定会是10年后。随着企业开始探索深度学习以及如何帮助他们,许多人发现两件事。首先,它很容易得到一个原型。第二,很难得到好的原型结果生产质量的结果。 Why? Because you need the right amount and the right kind of data to train deep learning networks successfully.
Ronse:如果机器学习的提高,渐渐地,它应该变得更好和更快的比你所能做的手动工具。晶圆厂的所有这些系统变得越来越复杂。也许EUV扫描仪现在最复杂的设备。老师也会产生大量的数据。还有很多的旋钮来调整它。在这里,我们试图做一些机器学习预测情况。每个工具可能会效仿。没有理由限制它。一些工具变得必要比其他的使用它,这取决于过程的复杂性。在抵制开发中,不过,我不认为我们使用机器学习。有许多旋钮。我们没有数据。
SE:机器学习的一些问题或担忧在芯片制造吗?
Ronse:如果你不相信,你不会使用它。如果你试试看,这确实是正确的解决方案,它的工作原理,然后你会越来越多的使用它。所以渐渐地,你可以实现它。
郝:我们应该看看这个在个案基础上。机器学习是伟大的,它可以帮助我们。然而,对于每一个情况下,我们需要看一下是什么问题陈述的原因是什么,我们还没有达到全部潜能。然后我们可以思考什么是理想的解决方案。可能是机器学习。它也可能是纯粹的物理。例如,在计量,我们有所谓的薄膜,包括薄膜沉积的厚度测量。在这种情况下,物理非常成熟,准确、快速计算。所以部署机器学习常见的电影实际上并不理解。然而,在光学临界尺寸(OCD)计量,哪里有更多的样品的复杂性,仅仅建立一个精确的模型变得非常困难或者花太多时间来实现。这是机器学习可以帮助的地方。我相信在机器学习,但它应该是一个案子,案子的情况。
面粉糊:证明深度学习可以提供一个可靠的解决一个给定的问题,你需要良好的数据。激励数据的集合,你需要证明一个潜在的投资回报。为此,你需要良好的数据。打破这个循环对机器学习我们必须建立信任,需要时间和资源——包括领域专家。我们必须小心不要做虚假的承诺,但也留意提供的视角深入学习。这是一个微妙的平衡。
郝:在检查方面,我们创造了很多标签数据集,可以重用。因此,数据集能随着时间的推移而增长。这就是为什么我认为可以应用深度学习更容易。在计量中,标记数据集主要来自参考计量。通常,你必须把晶片。每一个工序或一层基本上是一个特定的用例。和标签的数据集通常需要再生每次当你改变你的过程。很难积累大量数据集应用深度学习。
面粉糊:“色差”是一个问题。这意味着不均匀或违规行为在日本。这是一个类型的缺陷在平板显示器。它能产生重复模式,系统显示错误。人类的眼睛是对这种结构非常敏感。色差可以开发的原因不同,所以它是一种难以描述如何检测的时候写一个面具。然而,我们可以访问日志正常的面具。使用这些,毫升用于模型的正常行为和估算一个面具局部偏离了正常的行为。它很方便,我们不需要描述什么非正常手段或系统的内部状态产生色差。我们只需要获取正常数据和正确的模型意味着什么。
SE:机器学习未来的方向在哪里?
》:一般来说,越来越多的有用的废物将燃料创新和增加对不断增加的需求需要更多的计算能力。有用的废物是当我们使用蛮力计算,让大量计算机处理数据、生成的程序,可以做常规编程不能做的事。单指令多数据(SIMD)计算,gpu在大规模访问本质上是一种计算方法,遵循“有用的废物”的哲学。深度学习和sum-product网络几乎都是当时的例子有用的废物后通过哲学。培训期间的计算进行深度学习是浪费。正在探索的道路没有最终导致了最终的结果。但是最好让今天去只使用蛮力的力量解决问题的计算能力的庞大数量的试错让它发现什么可行,什么不。我相信这种方法将在未来产生更多的突破。很可能他们将人工智能和机器学习的延伸。最有可能会有自动编程方法。
侯我对机器学习和人工智能表示乐观。在不久的将来,人工智能将会帮助人们在生活的各个方面。它还将促进技术进步和帮助物理,这是一切的基础。机器学习可以帮助我们建立更好的芯片,反过来,给了我们更多的计算能力来做更多的物理。
面粉糊:在工业、机器学习可用的工具的工具箱提供了一组工程师,就像光学、图像处理或任何其他领域。机器学习是一个更明显的研发的一部分。其先决条件,数据的可用性,将被认为是在前期设计的产品。问题是我们如何收集数据,我们如何保护它,我们如何跟踪数据在所有设备生产线。与此同时,在学术界,强化学习变得非常有吸引力。基本上,它允许一个模块从经验中学习与环境互动,不仅静态和标记观察监督学习。这种类型的自适应智能很有前途。结合数字双胞胎,其中一个可以模拟环境,强化学习能达到令人难以置信的结果。
Ronse:也许我们需要讨论的是使用错误的目的。这些数据库安全也必须被开发。所以需要这些数据的人,但那些不应该的数据无法获得它。需要软件开发保护的数据,并保护这些智能机器,我们生成。我们需要阻止他们被攻击。这将需要一些时间。此外,自主驾驶明天不会发生。所有这些必须到位。和隐私也很重要。
郝机器学习:在半导体行业,部署需要大量的领域知识。亚马逊和谷歌等公司民主化机器学习,使我们更容易使用。然而,在我们这个行业,使固体的解决方案和有效的,我们需要一起使用机器学习技术领域知识。简单地把我们的数据的深度学习算法将不能正常工作。
》:奇点是一个有趣的问题。我会说“没门”与深度学习或任何奇点的问题今天的机器学习之前因为没有今天在机器学习逻辑推理。但是是逻辑推理可学的多个层次的元学习下面只有模式匹配?我想答案是肯定的,如果你相信大脑都是我们用来思考。我们还很远,但也许只有少数突破。我希望我们用它来快速找到测试和新病毒的疫苗之前,。
有关的故事
|
|
|
|
|
|
|
|
留下一个回复