Disclaimer: Απαγορεύεται η αναδημοσίευση, αναπαραγωγή, ολική, μερική ή περιληπτική ή κατά παράφραση ή διασκευή ή απόδοση του περιεχομένου του παρόντος διαδικτυακού τόπου με οποιονδήποτε τρόπο, χωρίς αναφορά στο RAWMATHUB.GR (με ενεργό link) ή χωρίς την προηγούμενη γραπτή άδεια του RAWMATHUB.GR. 

Η LG Innotek ανακοίνωσε την ανάπτυξη και εφαρμογή του πρώτου συστήματος επιθεώρησης εισερχόμενων πρώτων υλών με βάση την Τεχνητή Νοημοσύνη (AI) στον κλάδο των υποστρωμάτων ημιαγωγών, σχεδιασμένο να ανιχνεύει ελαττώματα στο σημείο παραλαβής και να αποτρέπει τη χρήση πρώτων υλών κατώτερης ποιότητας στην παραγωγική διαδικασία.

Το σύστημα επιθεώρησης αναπτύχθηκε συνδυάζοντας πληροφορίες για τα υλικά και τεχνολογίες επεξεργασίας εικόνας μέσω τεχνητής νοημοσύνης στη διαδικασία RF-SiP (Radio Frequency System-in-Package). Πρόσφατα, η τεχνολογία εισήχθη επίσης στην διαδικασία FC-BGA (Flip Chip Ball Grid Array) και αναμένεται να ενισχύσει περαιτέρω την ανταγωνιστικότητα και την ποιότητα των, υψηλής αξίας, προϊόντων υποστρώματος ημιαγωγών της LG Innotek.

Προηγουμένως, οι εισερχόμενες πρώτες ύλες υποβαλλόταν μόνο σε οπτικό έλεγχο πριν εισέλθουν στην παραγωγική διαδικασία. Ωστόσο, η συνεχής πρόοδος της τεχνολογίας υποστρωμάτων ημιαγωγών και οι συνεπαγόμενα αυξημένες απαιτήσεις ποιότητας, κατέστησαν παρωχημένη αυτή τη διαδικασία. Ακόμη και μετά την αναγνώριση και βελτίωση όλων των αιτιών ελαττωμάτων κατά τη διαδικασία, οι αποτυχίες στις αξιολογήσεις αξιοπιστίας των παραγόμενων προϊόντων, συνέχισαν να αυξάνονται. Αυτό οδήγησε την ποιότητα των εισερχόμενων υλικών να αναδειχθεί ως αποφασιστικός παράγοντας που επηρεάζει τις αξιολογήσεις αξιοπιστίας των παραγόμενων προϊόντων.

Οι βασικές πρώτες ύλες (Prepreg (PPG), Ajinomoto Build-up Film (ABF) και Copper-Clad Laminate (CCL)), οι οποίες χρησιμοποιούνται ευρέως σε υποστρώματα ημιαγωγών, φτάνουν στις εγκαταστάσεις παραγωγής ως μείγμα ινών γυαλιού, ανόργανων ενώσεων και άλλων συστατικών. Στο παρελθόν, τα κενά αέρα (διάκενα μεταξύ των σωματιδίων) ή τα ξένα σωματίδια που δημιουργούνταν κατά τη διαδικασία ανάμιξης των υλικών, δεν επηρέαζαν σημαντικά την απόδοση του παραγόμενου προϊόντος. Ωστόσο, καθώς οι προδιαγραφές του υποστρώματος, όπως η ελάχιστη απόσταση των κυκλωμάτων που μπορεί να δεχθεί, γίνονται όλο και πιο αυστηρές, η παρουσία κενών αέρα και ξένων σωματιδίων, ανάλογα με το μέγεθος τους, έχει αρχίσει να προκαλεί μη αποδεκτά ελαττώματα στο παραγόμενο υπόστρωμα.

Ως αποτέλεσμα, είναι σχεδόν αδύνατο να προσδιοριστεί ποιο μέρος της πρώτης ύλης είναι υπεύθυνο για το ελάττωμα χρησιμοποιώντας παραδοσιακές μεθόδους οπτικής επιθεώρησης, κάτι που έχει γίνει μια σημαντική πρόκληση για τη βιομηχανία.

Για να γίνει καλύτερα αντιληπτό, ας θεωρήσουμε ότι πρέπει να συγκρίνουμε μια παρτίδα μίγματος πρώτων υλών (μονάδα πρώτων υλών με τα ίδια χαρακτηριστικά που προωθείται στη διαδικασία παραγωγής) με μια παρτίδα ζύμης μπισκότων. Προφανώς είναι αδύνατο για το μάτι να αντιληφθεί τη συγκέντρωση αλατιού ή ζάχαρης σε ένα συγκεκριμένο σημείο της ζύμης, τον αριθμό των οπών αέρα στη ζύμη ή τον αριθμό των ξένων σωματιδίων.

Η LG Innotek βρήκε έναν τρόπο να ξεπεράσει αυτή την πρόκληση με την τεχνητή νοημοσύνη. Το σύστημα επιθεώρησης εισερχόμενων πρώτων υλών που βασίζεται στην τεχνητή νοημοσύνη, έχει εκπαιδευτεί με δεκάδες χιλιάδες δεδομένα σχετικά με τη σύνθεση υλικών που είναι είτε κατάλληλα ή ακατάλληλα για την παραγωγή υποστρωμάτων ημιαγωγών. Με βάση αυτή τη γνώση, το σύστημα επιθεωρεί την πρώτη ύλη για ελαττώματα σε ένα μόνο λεπτό, με ποσοστό ακρίβειας άνω του 90%, και οπτικοποιεί τις ποιοτικές αποκλίσεις σε κάθε παρτίδα πρώτων υλών.

Χρησιμοποιώντας τεχνικές μηχανικής μάθησης για την οπτικοποίηση, την ποσοτικοποίηση και την τυποποίηση διαμορφώσεων υλικών βελτιστοποιημένων για την παραγωγή ποιοτικών υποστρωμάτων, η LG Innotek κατάφερε να αποτρέψει την είσοδο ελαττωματικών πρώτων υλών στη διαδικασία παραγωγής. Η εταιρεία μπορεί να αλλάξει το σχεδιασμό του υλικού με βάση τις πληροφορίες απόκλισης ποιότητας που προκύπτουν από το σύστημα τεχνητής νοημοσύνης, επιτυγχάνοντας τη διασφάλιση ότι η ποιότητα της παρτίδας πρώτων υλών είναι ομοιόμορφη σε κατάλληλο επίπεδο πριν εισέλθει στη διαδικασία παραγωγής.

Ένα στέλεχος της LG Innotek σχολίασε: «Με το σύστημα επιθεώρησης εισερχόμενων πρώτων υλών που βασίζεται στην τεχνητή νοημοσύνη, ο χρόνος που απαιτείται για την ανάλυση των ελαττωμάτων έχει μειωθεί έως και 90% και το κόστος επίλυσης των αιτιών των ελαττωμάτων έχει μειωθεί επίσης σημαντικά». 

Η LG Innotek σχεδιάζει να βελτιώσει τις δυνατότητες ανίχνευσης του συστήματος AI, μοιραζόμενη μέσω ψηφιακών συνεργασιών δεδομένα που σχετίζονται με τις πρώτες ύλες με πελάτες και προμηθευτές στον τομέα των υποστρωμάτων ημιαγωγών.

Επιπλέον, η εταιρεία στοχεύει να επεκτείνει την εφαρμογή του συστήματος σε οπτικές λύσεις, όπως κάμερες, όπου η ανίχνευση ελαττωμάτων υλικού με βάση την εικόνα σε πραγματικό χρόνο, μπορεί να διαδραματίσει κρίσιμο ρόλο.

Ο CTO της LG Innotek S.David Roh δήλωσε: «Με το σύστημα επιθεώρησης εισερχόμενων πρώτων υλών που βασίζεται στην τεχνητή νοημοσύνη, θα ολοκληρώσουμε το μοναδικό οικοσύστημα τεχνητής νοημοσύνης της LG Innotek, το οποίο προσφέρει εξαιρετική αξία στους πελάτες, εντοπίζοντας τις αιτίες των ελαττωμάτων του προϊόντος νωρίς στη διαδικασία παραγωγής», ενώ πρόσθεσε ότι «θα συνεχίσουμε να καινοτομούμε στην ψηφιοποίηση της τεχνολογίας παραγωγής για να δημιουργήσουμε προϊόντα κορυφαίας ποιότητας με το χαμηλότερο κόστος και στο συντομότερο χρόνο».

Με πληροφορίες από prnewswire.com

ΜΕΤΑΦΡΑΣΗ - ΕΠΙΜΕΛΕΙΑ: ΣΥΝΤΑΚΤΙΚΗ ΟΜΑΔΑ RAWMATHUB.GR