0
• 希捷打造了一个切实可行的、实用的人工智能（AI）平台以提升生产线效率和产品质量。该平台可以将生产所需的新型无尘室投资成本降低达20%，而流程耗时则缩短10%。
• 该项目在希捷内部被拟定代号为雅典娜（Athena），系统每天处理数以百万计的显微镜照片。
• 通过深度学习和自我训练，Athena比人类专家更为迅速精准地识别缺陷。
• 希捷能够以更快的速度、更低的成本解决不规范问题和流程问题。通过提高效率和完善质量管理，希捷预计有望获得高达300%的投资回报率。
• Athena项目技术为制造业的所有客户提供了广泛的应用。这是智能制造迈出的最重要的第一步，也证明了工业4.0已经到来。
希捷已在其位于明尼苏达州诺曼代尔（Normandale）的晶圆制造工厂成功部署了有史以来第一个深度学习制造项目。晶圆片（小片半导体材料）被用来生产硬盘上的读写头。
希捷工厂中，记录传感器的年生产量超过10亿。为保障最高标准的质量水平，必须对这些传感器进行分析和测试以检测是否存在制造缺陷。
传感器是什么？它们与晶片和驱动器有什么关系？这得从原材料说起，其原材料实际上是一种薄的半导体基板。经过光刻工艺过程，基板变成薄的、扁平的、水晶般的晶圆片。晶圆切割并进行进一步处理后，就变成了传感器（也称为滑块）——一个能够在旋转的磁盘记录表面进行数据读写的部件。
测试过程漫长、复杂且需要大量人力。每张200毫米的晶圆上有10万个需要检测的滑块。诺曼代尔工厂每天拍摄数百万张的显微镜照片，产生的数据量高达10TB，这些照片需要在晶圆组装入硬盘前得到筛选以检测潜在的产品缺陷。
由于需要分析的传感器数量庞大，工程师不可能对所有传感器进行检测。即使制造过程漫长，也没有足够的时间来检查每一张图像。这就意味着有缺陷的部件有时候确实能够躲过即时检测，在随后的过程中才被发现，而届时付出的成本则要高很多。
希捷需要一种能够在更短时间内检测更多图片的方式。但是仅仅靠雇用更多的图像分析专家还没有办法完全处理1700万张图片。
希捷团队采用基于规则的图像分析，实现了一定程度的自动化。采用这种方法，只要系统首先获知它要寻找什么，就有可能识别出异常。而规则是人工建立起来的，这是一个耗时且必须经过不断调整和完善的过程。
基于规则的系统建立慢、完善慢并且可能会得出不同的结果。除了产生很多误报之外，规则只能检测出已知问题。这可能造成潜在风险—即有问题的晶圆在组装进读写磁头前，可能逃过检测。
得益于人工智能、机器学习以及物联网感应器的发展，一个新的可以规避上述风险的解决方案应运而生，这就是希捷的Athena 项目。
该方案需要解决两大问题：每天需要处理的大量数据以及当前基于规则的分析系统存在的缺陷。传统的大数据程序是进行批量处理的，但这完全不适用于24×7×365运行的生产线。
第一步是建立一个具备提高自动化和传感器故障检测洞察能力的深度神经网络（DNN）。神经网络的构建采用Nvidia V100和P4 GPUs*以及希捷的高性能Nytro®X 2U24存储，以支持Athena的深度学习和人工智能系统。
接着，将晶圆图像输入深度神经网络，从而训练人工智能系统区分“合格”和“不合格”的晶圆。Athena的学习方式和人类工程师完全一样——查看成千上万张图片。但得益于深度神经网络的原始处理能力，Athena比人类学得更快、更精准。
一段时间后，Athena获得了分辨流程中潜在缺陷的能力。人工智能助手标记异常图像以供主题专家进行手动评估。Athena还可以基于图像分析操作过程中检测到的异常情况进行规则的建立和细化。
最为重要的是，Athena 可以对电子显微镜生成的图像进行实时接收和分析。深度神经网络能够在每张图片生成的同时进行处理。截至目前，希捷已实现了每天处理当天生成的300万张图像，并能够识别可能被人类工程师遗漏的微小缺陷。
实时处理有助于团队尽早识别和纠正制造中的问题。发现问题越及时，希捷就能越有效地降低其对生产流程和成本的影响。
Athena项目擅长缺陷识别，但它不会也不能完全取代工厂专家。Athena项目的关键在于其为希捷的晶圆专家开拓了新的思路，纠正生产流程中的重大问题。
Athena为解决希捷工厂外的更多问题起到了示范作用。它能够以更迅捷、更高适应性以及更有意义的方式检测到异常，这种能力可以扩展应用到智能工厂之外的其他地方，并在公共安全、自动驾驶汽车和智能城市等各种领域证明其行之有效。
希捷执行副总裁兼运营、产品和技术主管Jeffrey Nygaard表示：“我们希望尽快将Athena 部署到我们所有的生产设施中。随着微型相机和物联网传感器成本的下降，类似的技术也可以应用于其他领域。这是智能制造领域重大革新的第一步，也可以扩展应用于我们其他工厂的基础架构。”
希捷的每个制造工具都包含至少30个传感器，它们每秒钟都会记录机器的健康状况和其他测量数据。生成的信息能够帮助更好地发现不合规操作。将数据输入Athena 深度神经网络，有助于更早地识别生产问题。这为采取积极防御措施进行修复和故障预防提供了机会。
Athena项目的受益人不仅限于希捷。类似的智能工厂技术可以部署到整个制造业，帮助希捷的客户享受到更多类似Athena 能够提供的优势。客户用例或许有所差异，但其基本原理——深度神经网络、人工智能和机器学习——是相同的。
客户需要可靠的技术平台部署人工智能项目，而希捷的解决方案能够满足这些需求。
为了有效地开展工作，Athena项目需要进行大量的数据处理——为了快速检测到异常，每天要及时处理高达10TB的晶圆图像数据。
未来几年，全球数据创造量将会飙升，而Athena 的存在顺应了该趋势。根据希捷赞助、IDC发布的报告预测，到2025年，全球数据圈将增长至175ZB。
在这个数据密集的新世界中，对速度的需求亟待新的解决方案。边缘计算（Edge computing），作为Gartner 预测的2018年十大战略技术趋势之一是对延迟需求降低的回应，也是对实时处理的关键应用程序的回应。它让计算更靠近数据源，更迅捷地向最终用户交付服务。
如果数据能够在数据源附近得到处理，那么就可以在离最终用户更近的地方生成实时洞察，从而大大降低网络资源的负载并为潜在的新应用打开全新的局面。以这种模式，数据中心技术——计算和存储模式——都将更加接近网络边缘，为新一代应用程序开创机会。
对于Athena项目，在智能工厂处理数据本身就已经实现了生产异常的实时识别。雷锋网雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
