人工知能(AI)および機械学習(ML)は、半導体ファブ、先進パッケージング、電子機器製造におけるスマートマニュファクチャリングでさまざまな用途に活用可能であり、その実現には通常、センシング、コネクティビティ、予測、制御といういくつかの重要な要素が関わっています。多くの業界団体が認めているように、スマートマニュファクチャリングは、「事後対応型」、「予防型」、「予測型」、「自律型」といういくつかの段階を経て成熟していきます(図1)。
適応制御は、半導体スマート製造におけるAI/MLの「聖杯」です。業界には、サプライチェーン管理、新製品導入(NPI)、生産計画、トレーサビリティから、予知保全、生産性向上、プロセス改善、歩留まり向上に至るまで、幅広く活用できるさまざまなAI/MLプラットフォームが存在します。最新のAI/MLプラットフォームは、センシング、コネクティビティ、予測、制御をオールインワンを実現し、すべての主要要素をシームレスかつ段階的に統合する、スケーラブルでオープン、かつコスト効率に優れたプラットフォームを提供します(図2)。
このAI/MLプラットフォームは、多くの場合、追加のセンサーを必要とせずに、機械内に既存のセンサーから得られるデータを活用できます。この「エッジファースト」ソリューションは、他のクラウドおよびエッジベースのサービスと統合可能であり、レガシーシステムのデータをほぼすべての主要なオートメーションベンダーのコンポーネントと接続できるほか、複雑なエンタープライズのエッジからクラウドへのネットワークアーキテクチャ全体で、OTデータを安全かつ確実に転送するための柔軟なデータ管理ツールを提供します。 MLモデルは、機械の性能や製造プロセスに対する予測最適化機能を提供します。また、その制御インテリジェンス機能は、顧客の承認を得れば、機械と直接連携して、機械自体の適応制御を行うことができます。このように、AI/MLプラットフォームは、可観測性やモニタリング機能を提供するだけでなく、予測分析、最適化、制御においても優れた機能を提供します(図3)。
エッジベースのアーキテクチャ
一例として、このソフトウェアソリューションは、高度なAI/MLと分散型のエッジベースのアーキテクチャを組み合わせています(図4)。 このプラットフォームは、複数のエッジデータストリーム(プロセスログ、マシンデータ、計測データなど)を、時間同期された形でリアルタイムに接続・取り込みます。その処理サイクルはミリ秒単位です。また、顧客のエンドツーエンドの運用からフルスタックデータを収集し、重要なシステムデータのリアルタイムな同期と検証を行うことも可能です。
柔軟でコンテナ化されたアーキテクチャは、エッジ側でさまざまなプロトコル(独自のブラウンフィールドプロトコルの導入を含む)をサポートできるため、プラットフォームは産業用機器と容易に連携してデータを収集することができます。分散型エッジ環境向けに特別に構築されたオープンでスケーラブルなアーキテクチャにより、最初からすべてのデータをクラウドや集中管理拠点へ移動させる際のオーバーヘッドを回避することができます。 このオープンで拡張性の高いアーキテクチャにより、プラットフォームはエッジからハイブリッドクラウドまでの展開トポロジーをサポートし、サードパーティ製技術との容易な統合を実現します。
このように、グローバル企業は、データ仮想化やエッジでの教師なし学習といったデジタルトランスフォーメーションの技術要素を容易に統合し、機械間、製造ライン間、および地理的に分散した拠点間で、スケーラブルかつ柔軟、そしてコスト効率の高い方法で転移学習を行うことができます。これにより、顧客はクラウドに依存することなく、イノベーションを加速させ、具体的なビジネス変革の成果を実現することが可能になります。
推論モデルは、エッジでリアルタイムデータを収集・保存・分析し、生産環境向けにミリ秒単位で予測データインテリジェンスを提供します。この時間トリガー型アーキテクチャは、例えば、監視対象のデータ測定値が許容範囲内にあるかどうかをミリ秒単位で予測することができます。 データが許容範囲を外れた場合、いくつかの異なる対応をトリガーすることができます。これにより、顧客は、コストのかかるシステム統合や時間のかかるIT導入を行うことなく、生産システムの制御権を取り戻すことができます。MLモデルが成熟し、顧客の承認が得られれば、プラットフォームは機械本体と直接連携して、適応制御や最適化を行うことが可能になります。
スマート製造の応用例
このAI/MLプラットフォームは迅速に導入可能であり、ほとんどの場合、導入当日から重要なシステムレベルのデータにアクセスできます。このデータと、数週間かけて開発されるMLモデルを組み合わせることで、顧客は機器の劣化を予測し、故障を未然に防ぎ、予期せぬダウンタイムを削減し、資産の状態と稼働率を向上させることができます。 このプラットフォームにより、半導体業界のお客様は、事後対応型のメンテナンス戦略に依存する状態から、ますます複雑化する機械やシステムを伴うエンドツーエンドの運用における予測的な監視・制御へと移行することが可能になります。このノーコード/ローコードソリューションは、迅速かつ容易に導入でき、ニーズの拡大に応じて拡張可能です。さらに、このプラットフォームは製造設備に対する予測分析を行うだけでなく、必要に応じて遠隔でのテストや制御も行うことができます。
可観測性、可視化、およびトレーサビリティは、現場やラインレベルから機械のセンサーレベルに至るまで、かつては想像もできなかったほどの細かさで実現可能であり、最適化や継続的な改善に向けた、これまでにない洞察と知見をもたらします。機械学習(ML)モデルは、リアルタイムでの継続的な改良を通じて、予知保全(異常検知による)に活用されるほか、さらに重要な点として、機械やプロセスの適応制御に直接活用されます。
これらの機能は、半導体ファブ、先進パッケージング、トランシーバー用光ファイバー、SMTの精密実装、その他の難易度の高いプロセスにおいて、複数のグローバル大手企業によって活用されており、サイクルタイムや設備のダウンタイムを削減しつつ、プロセス歩留まりを大幅に向上させています。これは、半導体業界で生産能力が不足している状況において特に有用です。例えば、ある大手多国籍半導体企業は、マイクロデバイス組立生産ラインの管理にAI/MLプラットフォームを導入しました。 予期せぬダウンタイムを最小限に抑えるため、すべての装置のモーター軸の動き、コンポーネントの動作、およびサブシステムの位置が25ミリ秒ごとに追跡されています。このソフトウェアプラットフォームは、外部リスクからのデータセキュリティを確保し、超低遅延でのプログラム実行時間を保証するために、顧客の施設内でローカルに稼働しています。
このプラットフォームは機種に依存しないため、工場内の生産ライン上のさまざまな機械に導入することができます。これにより、上流および下流の機械が「連携」して、全体として同期的な最適化を図れるようになるため、特に大きな威力を発揮します。データソース間の多変量的な関係を含む複雑なモデルを、「プロセス速度」で現場(イン・シチュ)で稼働させることが可能になります。
半導体ファブ、先進パッケージング、組立、およびテストにおけるスマート製造のインテリジェント・エッジ・オートメーションには、AI/MLを活用した多くの応用可能性が存在します。先進技術の進展に伴い、製造プロセスの複雑化が進む中、これは業界のイノベーションを推進するための重要なツールとなっています。詳細については、[email protected] をご覧ください。


