ادغام AI با فناوری نانو شیوه ساخت تراشه ها را از پایه بازنویسی می کند عصر لینک: نتایج یک مطالعه تازه نشان میدهد که ادغام هوش مصنوعی با تولید الکترونیک و فناوری نانو، درحال ایجاد دگرگونی بنیادین در کشف مواد، طراحی دستگاهها و کنترل فرآیندهای ساخت است؛ تحولی که می تواند آینده صنعت نیمه هادی را به سوی «کارخانه های هوشمند و خودمختار» سوق دهد، هرچند محدودیت داده های آزمایشگاهی و چالش های سازگاری با ابزارهای طراحی الکترونیک بازهم مانع اصلی توسعه هستند. به گزارش عصر لینک به نقل از ایسنا، نتایج پژوهشی تازه در نشریه Frontiers in Nanotechnology نشان میدهد ادغام هوش مصنوعی با فرآیندهای تولید الکترونیک و فناوری نانو، درحال باز تعریف بنیادین شیوه کشف مواد، طراحی دستگاه ها، کنترل فرآیندها و بهینه سازی سامانه های الکترونیکی است. روش های مبتنی بر هوش مصنوعی، از مدل سازی پیش بینانه تا کنترل بلادرنگ، سبب افزایش دقت، کاهش خطا و پیشرفت راندمان منابع در تولید نیمه هادی ها و نانوساختارها شده اند. در عین حال، چالش هایی مانند محدودیت داده های دقیق آزمایشگاهی، عدم سازگاری کامل با ابزارهای طراحی الکترونیک (EDA) و نیاز به مدلهای قابل تفسیر فیزیکی، هنوز مانع تحقق کامل تولید خودکار و هوشمند در این صنعت به شمار می آید. محققان حوزه نانوالکترونیک تاکید کرده اند که ترکیب هوش مصنوعی با فناوری تولید الکترونیک، ساختارهای بنیادی این صنعت را دگرگون کرده است. این تحول نه فقط شامل فرآیندهای تولید تراشه ها و مواد نیمه هادی می شود، بلکه کشف مواد جدید، طراحی مدارها و بهینه سازی سامانه های پیچیده را هم تحت تاثیر قرار داده است. بر طبق این گزارش، روش های مبتنی بر یادگیری ماشین و یادگیری تقویتی (Machine Learning و Reinforcement Learning) حالا قادرند بصورت بلادرنگ (Real-Time) پارامترهای حیاتی تولید را تنظیم کرده و فرایند ساخت تراشه ها را با دقت نانومتری کنترل کنند. این قابلیت سبب کاهش نقص های تولید، ممانعت از نوسانات فرآیندی (Process Drift) و بهبود پایداری عملکردی دستگاه ها شده است. محققان می گویند استفاده از هوش مصنوعی در طراحی مواد و ساختارهای نانومقیاس، امکان شبیه سازی های سریع تر و دقیق تر چندفیزیکی (Multi-Physics Simulation) را فراهم نموده است. به کمک الگوریتم های پیشرفته، حالا می توان خواص الکتریکی، حرارتی و مکانیکی مواد جدید را با سرعتی بسیار بیشتر از روش های محاسباتی سنتی پیش بینی نمود و زمان توسعه مواد نو را تا چند برابر کم کرد. اما این دستاوردها بدون چالش نیست. این مقاله اخطار می دهد که دقت و تعمیم پذیری مدلهای هوش مصنوعی به شدت وابسته به داده های آزمایشگاهی دقیق است؛ داده هایی که در خیلی از حوزه های نانوفناوری هنوز محدود یا پرهزینه اند. بعنوان مثال، در طراحی نانوساختارهای جدید، نیاز به مجموعه داده هایی باکیفیت بالا وجود دارد تا مدلها بتوانند رفتار حقیقی مواد را در وضعیت مختلف به درستی پیش بینی کنند. همچنین، یک مانع مهم دیگر در راه استفاده عملی از هوش مصنوعی در تولید نانوالکترونیک، هماهنگی آن با جریان های کاری تولید صنعتی و ابزارهای طراحی الکترونیک (EDA) است. نویسندگان مقاله تاکید کرده اند که لازم است چارچوب های داده ای و معیارهای تعامل پذیری (Interoperability Frameworks) میان نرم افزارهای طراحی و سامانه های کنترل هوش مصنوعی توسعه یابد تا این فناوری ها بتوانند بطور مؤثر در خطوط تولید ادغام شوند. از طرفی، محققان بر اهمیت توسعه مدلهای قابل تفسیر (Interpretable AI) تاکید کرده اند؛ مدل هایی که علاوه بر قدرت پیش بینی بالا، منطق و روابط فیزیکی حاکم بر تصمیمات خودرا هم آشکار کنند. چنین مدل هایی با ترکیب دانش فیزیک مواد و الگوریتم های هوش مصنوعی، قادر خواهند بود رفتار مواد و دستگاههای نوظهور را در شرایطی که هنوز داده تجربی کافی وجود ندارد، به درستی تخمین بزنند. یکی از حوزه های مهم آینده، بهینه سازی خودکار فرآیندها با استفاده از چارچوب های خودمختار و مدلهای دوقلوی دیجیتال (Digital Twin) است. در این تکنیک، نسخه ای دیجیتال از هر دستگاه یا فرایند صنعتی ایجاد می شود تا در زمان حقیقی با داده های حقیقی هماهنگ شده و بهینه سازی مستمر انجام دهد. ترکیب دوقلوهای دیجیتال با الگوریتم های یادگیری تقویتی می تواند چرخه نمونه سازی (Prototyping Cycle) را کوتاه تر کرده و انعطاف پذیری تولید را بطور شایان توجهی افزایش دهد. به نقل از ستاد نانو، این مقاله همینطور بر لزوم ایجاد روش های دقیق برای سنجش عدم قطعیت (Uncertainty Quantification) در پیش بینی های هوش مصنوعی تاکید دارد. بدون ارزیابی میزان خطا و اعتمادپذیری پیش بینی ها، استفاده از نتایج مدلها در تصمیم گیری های صنعتی می تواند ریسک زا باشد. بگفته نویسندگان، آینده صنعت نانوالکترونیک به نوآوری مستمر در الگوریتم های هوش مصنوعی، همراه با پیشرفت در فناوری های شناسایی و اندازه گیری تجربی مواد وابسته است. ترکیب داده های دقیق آزمایشگاهی با مدلهای یادگیری پیشرفته، راه را برای ساخت سامانه های تولید کارآمدتر، مقیاس پذیرتر و سازگارتر با محیط زیست هموار خواهد نمود. به باور متخصصان، مقصد پایانی این مسیر، خودکار سازی هوشمند و پایدار کل زنجیره تولید الکترونیک است؛ از کشف مواد جدید گرفته تا طراحی تراشه، ساخت، آزمون و بازیافت. چنین تحولی می تواند در سالهای آینده منجر به ظهور «کارخانه های هوشمند نانویی» شود؛ کارخانه هایی که با تأکید بر یادگیری خودکار، نه فقط عملکرد اقتصادی بالایی دارند، بلکه مصرف انرژی و مواد را هم به حداقل می رسانند.به طور خلاصه، اما این دستاوردها بدون چالش نیست. از طرفی، محققان بر اهمیت توسعه مدل های قابل تفسیر (Interpretable AI) تأکید کرده اند؛ مدل هایی که علاوه بر قدرت پیشبینی بالا، منطق و روابط فیزیکی حاکم بر تصمیمات خودرا هم آشکار کنند. در این تکنیک، نسخه ای دیجیتال از هر دستگاه یا فرآیند صنعتی ایجاد می شود تا در زمان واقعی با داده های واقعی هماهنگ شده و بهینه سازی مستمر انجام دهد. منبع: asrelink.ir 1404/08/28 11:01:35 6 0.0 / 5 تگهای مطلب: ابزار , اقتصاد , الكترونیك , تراشه این پست عصر لینک را می پسندید؟ (0) (0) تازه ترین مطالب مرتبط هوش مصنوعی، چاره ای بنیادین برای کاهش اتلاف منابع و بحران های مالی دولت نسخه جدید چت جی پی تی با ۸ شخصیت جدید می آید مذاکره برای رفع فیلترینگ در دانشگاه ها ادامه دارد مهندسی پزشکی باید از پل هوش مصنوعی عبور کند استفاده از قابلیت های قانون جهش تولید دانش بنیان برای توسعه شهرهای هوشمند نظرات بینندگان در مورد این مطلب نظر شما در مورد این مطلب نام: ایمیل: نظر: سوال: = ۶ بعلاوه ۱