Félvezetők gyártási hibájának automatizált felismerése tömeges szenzor-adatok alapján
Az önmagában is automatizált tömeggyártás kapcsán a gyártási folyamat szenzoros megfigyelése magától értetődően képes big-data-jellegű erőtereket felkínálni a félvezetők esetén is (vö. SECOM-adatbázis). Az elemzési kérdés is látszólag egyértelműen adott: olyan modelleket kell fejleszteni, melyek alapján a tanulási adathalmazban eleve alacsony arányszámban fellelhető hibás termékek a szenzoradatok alapján úgy ismerhetők fel, hogy a levezetett összefüggés az (éles) tesztadatokra is racionális pontossággal érvényes lesz. A probléma azért látszólagos, mert ennyiből még közel sem triviális, mennyi hibátlan félvezető tévesen hibásként való klasszifikálása és/vagy mennyi hibás, de hibátlannak vélt félvezető piacra dobása milyen hasznossági hatásmechanizmusokkal bír? Más megfogalmazásban: mi a hatás-szintű ekvivalencia (értékazonosság) eltérő jóságrétegekkel rendelkező modellek esetén? Még általánosabban: melyik modell a legjobb? Ezen elméleti kérdés is tételesen értelmezésre kerül az anti-diszkriminatív modellezésre támaszkodva, ahol a centrális kihívás annak bizonyítása – lehet-e minden kontingencia-táblázat másként egyformán értékes – különösen a teoretikus alapvetéshez, mint potenciális normához képest, ahol a rel. alacsony előfordulási gyakoriságú hibás félvezetőkre vonatkozó modellbecslés nem létezik. A lépcsős függvény-alapú klasszifikáló modell-láncok, melyek itt és most bemutatásra kerülnek képesek arra, hogy alapvetően a hibátlanságot, mint olyat egyetlen egy becslési értékként legyenek képesek megjeleníteni, ahol tehát a tanulási adatok esetén soha nincs hibás termék. A hibátlanságért felelős modell-outputérték a tesztadatok esetén azonban sajnos nem kizárt, hogy továbbra is tartalmaz hibás termékeket, s hasonlóképpen: a speciális output-értéken kívüli minden más becslési érték zömmel hibás termékre utal, de itt sem kizárólagosan. Ezt a képességet egyrészt sűrített, nem-monoton lépcsős függvényekkel és súlyozott output-értékekkel lehet elérni, ahol a sűrítés és a súlyozás maga is optimalizálható. Emellett az egyetlen karakteres outputértékkel jellemezhető objektumok kizárása a tanulási mintákból sokkal gyorsabb tanulást és jobb teszteredményeket tesz lehetővé. Maga az irányítatlan lépcsős függvény, ill. a lépcsős függvény-típusok és rétegek hibridizációja modell-orientált beavatkozás. Így a modell-centrikus és adat-centrikus mesterséges intelligencia-fejlesztés kapcsán egyszerre kerülnek innovációk bemutatásra.
szerző
-
Pitlik Marcell
Mechatronikai mérnöki mesterképzési szak
mesterképzés (MA/MSc)
konzulens
-
Ibriksz Norbert
doktorandusz, Gyártástudomány és -technológia Tanszék
