Rychlý pokrok v polovodičové technologii snížil náklady na počítačové čipy, ale zároveň přinesl jejich výrobcům nové potíže a výzvy. Výroba je čím dál složitější a její řízení tedy komplikovanější. Slibným řešením je vytvoření specializované „umělé inteligence“, která by dokázala reagovat rychleji a přesněji než člověk. Jak by měla umělá inteligence (AI — artificial intelligence) vypadat, co zvládá a může efektivně spolupracovat s lidmi? Tyto otázky klade v časopise Nature Keren Kanariková se svými kolegy. Konkrétně se věnovali otázce, jak lze využít AI ke snížení nákladů na navrhování polovodičových procesů, aniž se ohrozí kvalita návrhu. Jejich přístup založený na hře ukazuje, že umělá inteligence se nejlépe osvědčuje v pozdních fázích vývoje procesu a že hybridní strategie zahrnující lidi i umělou inteligenci může výrazně snížit náklady ve srovnání s výrobní linkou bez umělé inteligence. Autoři vytvořili virtuální hru, která ověřuje, jak dobře „hráči“ zvládnou jeden krok v procesu výroby čipů. Zahrnuje plazmové leptání, při němž se plazma používá k „vytváření“ určených prvků v povrchu pevné látky. V daném případě šlo o vytvoření určeného otvoru ve vrstvě oxidu křemičitého. Tým použil existující data a fyzikální model plazmatu k simulaci realistického výstupu leptání na základě souboru vstupních parametrů, jako je tlak a teplota, které si hráč zvolil. Cílem hry bylo minimalizovat náklady na výrobu vyleptaného otvoru se sadou cílových charakteristik, jako je hloubka a průměr. Experimentu Kanarikové a jejích kolegů se zúčastnili tři starší inženýři, tři mladší inženýři a tři „hráči“ bez relevantních zkušeností. Všichni inženýři provedli rychlé počáteční „hrubé ladění“ návrhu předcházející dotažení návrhu. Strategie zkušenějších odborníků stály přibližně o polovinu méně než strategie jejich mladších kolegů. Vítězným lidským hráčem byl seniorní inženýr, který na splnění cíle vynaložil pouhých 105 tisíc dolarů. Autoři pak použili strojové učení k vytvoření „počítačových hráčů“, kteří dokázali držet krok s lidmi bez zkušeností. Tyto umělé hráče hodnotili pak na základě toho, jak často se jim podařilo překonat výkon (tedy mít nižší náklady) než vítězný inženýr. To se podařilo pouze ve 13 z 300 pokusů. Tým autorů dospěl k závěru, že algoritmy se vítěznému člověku nevyrovnají, zřejmě proto, že kvůli nedostatku odborných znalostí ztrácejí čas zkoumáním celého spektra možných postupů. Tato hypotéza přiměla autory otestovat strategii „nejdřív člověk — potom počítač“, při níž expert provedl první úpravy a ladění. Pak předběžný návrh předal algoritmům k doladění. Zjistili, že tato implementace snížila náklady. Nejúspěšnější algoritmus dosáhl cíle s náklady pouhých 52 000 USD. Úspěšnost ovšem závisela na tom, v které části procesu se počítačový hráč vzdal kontroly nad hrou. Pokud algoritmus přičiněním hráče získával přístup k většímu množství odborných dat, náklady klesaly — ale jen do určitého bodu. Po jeho překročení další expertní data náklady naopak zvyšovala, algoritmu už nepomáhala. Z toho vyplývá, že algoritmy potřebují ke zlepšení od lidí „radit“, pokud však člověk vede software „za ruku“ příliš dlouho, stává se jeho role kontraproduktivní. Výsledky naznačují, že uplatnění strategie „nejdřív člověk — potom počítač“ na další procesy v polovodičovém průmyslu vyžaduje pečlivé zvážení nejvýhodnějšího bodu, kdy přejít od vývoje řízeného člověkem k vývoji algoritmickému. Kromě navrhování procesů by se strategie autorů mohla uplatnit i jako prostředek sledování výskytu anomálií během výroby. Rostoucí složitost polovodičové technologie ztěžuje diagnostiku a klasifikaci poruch omezuje na vyhodnocování dat na výstupu. Podle odborníků jsou proto čím dál více zapotřebí inteligentní zařízení se schopností autodiagnostiky a automatické úpravy parametrů, aby bylo zajištěno přesné odhalení a rychlá oprava poruch. Ta zase závisí na integraci pokročilých algoritmů umělé inteligence a analýzy velkých dat na základě technických znalostí. Nezbytné jsou i lidské vstupy. Například proces iontové implantace (při němž jsou do čipového zařízení záměrně vpravovány nečistoty za účelem zlepšení jeho vodivosti) zahrnuje cílené zasažení polovodiče vysokorychlostním iontovým svazkem. Přesné zacílení má zásadní význam pro zajištění rovnoměrnosti procesu a zachování výtěžnosti zařízení, avšak pro výrobce, kteří upřednostňují rozmanitost a přizpůsobení výrobků před velkými objemy produkce, musí tyto paprsky splňovat nejrůznější požadavky. Schopnost dynamicky řídit rovnoměrnost, sílu a stabilitu elektrického proudu iontového svazku je proto nezbytná. Zkušení inženýři mají obvykle za úkol ručně dolaďovat desítky parametrů zařízení, aby takové kontroly dosáhli. V posledním desetiletí několik výrobců čipů investovalo do vývoje „inteligentních systémů“ podobných tomu, který zkoumali Kanariková s kolegy. Navzdory tomu se při efektivní implementaci těchto technologií objevují značné problémy. Jedním z klíčových problémů je, že tyto procesy jsou závislé na externích dodavatelích, z nichž mnozí nejsou schopni poskytnout integrované a inteligentní zařízení, zejména v oblasti softwaru a datového inženýrství. Přechod od pouhé výroby hardwaru k poskytování softwarových řešení vyžaduje změnu myšlení, která však v konečném důsledku posune polovodičový průmysl do digitální budoucnosti. Článek Kanarikové a kol. ukazuje, že kombinace umělé inteligence s lidskými odborníky je plodnou strategií, ale že pro její úspěch je rozhodující pečlivé načasování. I v této spolupráci rozhodují malé detaily. /jj/
