הבינה המלאכותית בשירות המטרולוגיה: בדרך לאפס טעויות מדידה

בינה מלאכותית ולימוד מכונה נותנים היום מענה לענפי תעשייה שונים ומגוונים. אחד מהם הוא ענף המטרולוגיה (Metrology) – העוסק בתהליכי מדידה ובדיקות של שבבים – תהליכים העומדים, כידוע, בבסיסם של מותגים כמו נטפליקס, אמזון ואינטל, או מוצרים כמו המכונית האוטונומית, מטוסים, שעונים, משחקי מחשב, טלפונים נייחים או ניידים, ועוד.

ענף המטרולוגיה מוצא היום בבינה המלאכותית מענה לאתגר שמלווה אותו כבר 40 שנה, והוא בידוד הטעות שמכשיר המדידה עצמו מכניס לתהליך. עד היום, ההתמודדות עם האתגר התמקדה בצמצום העיוותים והטעויות הנובעים ממגבלות של המערכות האופטו-מכאניות, דרך שיפור החומרה, יצירת דרכי בקרה טובות יותר, או כיול של כלי המדידה. אולם נדמה כי התעשייה הגיעה לקצה גבול יכולת הייצור, יש שאומרים – לגבולות הפיזיקה היישומית – וכל אנגסטרום בודד של שיפור בביצועים מגולם בעלות של עשרות, אם לא מאות, מיליוני דולרים.

בד בבד, היצרנים שואפים היום, יותר מתמיד, לדיוק אבסולוטי בתהליכי המדידה. על רקע זה, בינה מלאכותית ולימוד מכונה מספקים ערוץ חדש ויצירתי להתמודדות עם האתגר. אנשי המו"פ המובילים בתחום מניחים כי אם ילמדו את הדפוס הקבוע של השגיאות שהמערכת האופטית מכניסה מרגע שהיא מופעלת – ניתן יהיה לבטל אותן.

אך דבר ראשון, כך הבינו, יש להשקיע בבניית בסיס נתונים גדול, שיהווה כר למידה מקיף עבור האלגוריתם עליו מבוסס מנוע ה-AI. המנגנון החכם חייב לאסוף נתונים וללמוד אותם, בזמן שהמכונה עובדת. כך לומד המנוע את קו הייצור באמצעות ביצוע מדידות מקיפות של פרוסות הסיליקון הראשונות. הוא לומד את המכונה עצמה, ואת האינטראקציה שלה עם פרוסות הסיליקון השונות.

מטרולוגיה. תורת המדידה. אילוסטרציה: BigStock

עשרות אלפי נקודות מדידה שונות במשך שעה אחת

קצב הלמידה של מנוע ה-AI הוא פנומנלי, למעשה הוא דוגם עשרות אלפי נקודות מדידה שונות במשך שעה אחת, כך שתוך מספר שעות ניתן לבנות מרכז נתונים אשר מאפשר למנוע להתחיל לעבוד, ומשם הוא רק הולך ומשתפר.

המנוע לומד את השגיאות שמכניסה המכונה, אפילו מבלי להבין את מהותן. הוא לומד את הדפוס שלהן ובאמצעות אלגוריתמים חזקים מצליח לבודד את הטעות מן המדידה עצמה. כך, ניתן כבר היום לצמצם את הטעות לרמה של אנגסטרומים בודדים, ולהתקרב לאידיאל של אפס טעויות.

ומה צופן לנו העתיד? אם היום עובדים בתעשייה על מנועי AI אשר לומדים דפוסי התנהגות של מכונה אחת, הרי שבשלב הבא נשאף לכך שהאלגוריתמים יחשפו למכונות נוספות וילמדו טעויות מסוגים מגוונים. ככל שילמדו יותר מכונות ויחשפו לשינויים רבים יותר בחומרה, ברכיבים המתחלפים וכדומה – כך תשתפר עמידותם ועוצמתם.

בעתיד הרחוק יותר המנועים יכילו אלגוריתמים מבוססי רשתות נוירוניות של למידה עמוקה. בד בבד, טכנולוגית לימוד מכונה תשולב בכל הרבדים של המכונה – כיול, עיבוד תמונה, המוח של המכונה ועוד.

הכותב הוא דירקטור הנדסה וסמנכ"ל פיתוח בחטיבת OVL ב-+KLA