Skriv ut

Från miljontals datapunkter till ett enda klick – vad blir nästa steg för deep learning i ytmonteringslinan?


Ladda ner artikeln här (länk, pdf).

Fler tekniska rapporter finns på etn.se/expert

Förmågan hos tillverkningssystem att förutsäga och anpassa sig till oförutsedda situationer, ofta kallad artificiell intelligens (AI), kommer att revolutionera processen för elektronikproduktion. Forskare inom deep learning vid Mycronic förutspår att ytmonteringmiljön inom fem till tio år kommer att ha automatiserats till en nivå som närmar sig noll defekter med liten eller ingen mänsklig inblandning.
– Det här är inte science fiction, vi är på god väg redan nu, säger Romain Roux, som doktorerat på AI och arbetar på Mycronics Center for Deep Learning in Electronics Manufacturing (CDLe) i San Jose, Kalifornien.

På centret bedriver man forskning om deep learning och AI-tillämpningar för elektroniktillverkning.

För att illustrera hastigheten på utvecklingen inom AI påminner Romain Roux om hur Googles AlphaGo, utvecklat av DeepMind, besegrade världens främsta Go-spelare redan 2017. Go anses vara betydligt mer komplicerat än schack eller poker, det är ett abstrakt brädspel för två spelare som placerar ut svarta och vita spelpjäser med målet att kontrollera en större del av spelplanen än motspelaren.

– Denna milstolpe för AI möjliggjordes av något som kallas ”reinforcement learning”, vilket innebär användning av autonoma observationer och beslutsfattande som baseras på studier av tidigare mönster samt att spela tusentals spel mot sig själv, säger Romain Roux och fortsätter:

– Vid den tiden trodde alla att det skulle ta minst 20 år till innan det här målet uppnåddes!

Enligt Romain Roux är det denna nya nivå av deep learning samt ökad datorkraft som öppnar upp enorma möjligheter. Han återvänder till exemplet med Go och schack och konstaterar att det i en genomsnittlig spelomgång med Go genomförs 200 förflyttningar av spelpjäserna jämfört med 37 i schack.

– När IBM:s schackspelande dator Deep Blue slog ledande schackmästare för 20 år sedan behövde den bearbeta färre möjliga drag.

Go däremot innebär upp till 320 miljarder möjliga kombinationer, eller mer.

– Uppenbarligen kan ingen mänskligt regelbaserad programmering hantera detta. Det var AlphaGo:s neurala nätverk som gjorde det möjligt att kreativt gå igenom miljontals datapunkter för att utveckla nya strategier och identifiera nya mönster.

Avsikten med CDLe är att påskynda utvecklingen av deep learning och AI till gagn för kunderna, och Mycronic räknar med att införliva det i produktutvecklingsplanerna år 2020.

– Vårt fokus ligger på Mycronic 4.0 och den intelligenta fabriken som förlitar sig på breda informationsflöden – horisontellt, vertikalt och i molnet, säger han och fortsätter:

– Vår ambition är att erbjuda våra kunder en produktionsprocess med noll fel, och vi samlar redan in data i samarbete med kretskorttillverkare från flera fabriker.

Enligt Romain Roux är en utmaning, förutom att samla in stora datamängder och bildbibliotek, att uppnå repeterbar och korrekt identifiering av elektronikkomponenternas geometrier. Detta innebär att förbättra automatiserade optiska inspektionssystem (AOI) för att säkerställa stabiliteten och noggrannheten när nya komponenter ska definieras, även i dynamiska produktionsmiljöer där designen av kretskort snabbt förändras.

För Mycronics del har detta krävt att företaget skapat ett stort bibliotek med tiotusentals 3D-bilder, inklusive data om komplexa geometrier som snabbt kan identifieras med hjälp av algoritmer.

– Det här är en bra start. Vi kommer att behöva tio gånger eller till och med hundra gånger mer data så att vårt djupa neurala nätverk kan generalisera alla typer av komponenter och alla typer av kort. Det är en ganska normal mängd data för deep learning-applikationer.

Han förklarar att ”machine learning” – vilket är nödvändigt för en rad olika autoprogrammerande, prediktiva och slutna system för Mycronics produkter idag – innebär att gå igenom och strukturera data för att träna algoritmer enligt fastställda kriterier. Deep learning, ett underfält till machine learning och AI, strukturerar algoritmerna i lager för att skapa ett artificiellt neuralt nätverk som kan generera och simulera nya situationer för att förbättra beslutsfattandet utan att förlita sig på regelbaserad programmering.

När ett neuralt nätverk har tränats kan det installeras i molnet, på ett lokalt nätverk eller på den lokala hårdvara som också samlar in data.

– Vilken lösning man väljer beror på utrustningens tillgänglighet till molnet, förklarar Romain Roux och fortsätter:

– Bandbredden i det lokala nätverket, komplexiteten i det neurala nätverket och storleken på data och behovet av inferens i realtid är också viktiga aspekter när man ska välja lösning.

När man beslutar var man ska köra nätverket beror det oftast på sammanhanget för dataanalysen. Vid exempelvis offlineprogrammering av tillverkningsutrustning kan man använda en dedikerad server eftersom latenskravet inte är en begränsning, och den lokala offlineprogrammeringsstationen (en vanlig bärbar dator) kanske inte uppfyller grundläggande specifikationer. I inlinesystem med mycket tuffa krav på snabbhet och latens kanske vi inte har något annat val än att köra neurala nätverk på lokal hårdvara. Slutligen kan behov av att skydda data helt enkelt förbjuda molntjänster.

När neurala nätverk körs i molnet eller på en dedikerad serverlösning behövs stor bandbredd för att undvika för mycket fördröjning mellan frågan till det neurala nätverket och svaret. När det gäller maskinvara krävs för det mesta minst en GPU för beräkningsenheten som det neurala nätverket körs på.

Under träningsfasen kan man använda så kallad distribuerad träning för att snabba upp beräkningarna. I vissa extrema fall kan träningen av komplexa neurala nätverk med stora databaser kräva veckor av beräkningar. Genom att fördela träningen på GPU-processorer kan man reducera beräkningstiden dramatiskt.

– I sådana fall är cloud computing-tjänster från företag som Amazon, Google och IBM ett enkelt sätt att få tillgång till anpassade beräkningsplattformar. På CDLe har vi tillgång till ett fjärrsystem med många avancerade GPU:er från D2S.

I dag bygger forskare inom deep learning virtuella kopior av fysiska fabriker och kombinerar detta med AI och analyser för att simulera verksamhet i realtid. Den här nya metoden kallas ofta digitala tvillingar och gör det möjligt att analysera data och system (i den virtuella modellen) för att avvärja problem innan de uppstår i den fysiska fabriken. Enligt Romain Roux kommer detta att möjliggöra prediktivt underhåll, tillverkning med noll fel och kreativa produktdesignlösningar i simulerade miljöer. Han uppskattar att en utbredd användning av digitala tvillingar i SMT-branschen kan ligga tio år fram i tiden. Det hänger också på ett annat viktigt genombrott: synkroniserad datakorrelation av alla system i de olika maskinerna – något som inte är möjligt i dag.

Mycronic har redan utvecklat en avancerad programsvit som ger bättre kontroll och förbättringsmöjligheter inom produktkvalitet och processautomatisering. Den erbjuder datakorrelation mellan SPI- och AOI-system från samma produktionslinje och från flera linjer utan att det krävs ett överordnat system för produktionsstyrning (MES). Programsviten förbättras kontinuerligt med hjälp av större mängder högkvalitativa träningsdata.

– Inkluderandet av deep learning-funktionen kommer att lyfta det här systemet till en helt ny nivå under de närmaste åren, avslutar Romain Roux.