Künstliche Intelligenz in der Halbleiterfertigung von OSRAM

Der OSRAM Podcast: Episode #7 mit Dr. Maike Stern & Dr. Jörg Schäfer über künstliche neuronale Netzwerke


Herzlich willkommen zum Photonstudio, dem Podcast von OSRAM. Mein Name ist Karin Steinmetzer und ich darf Sie heute zu einem höchst spannenden Thema begrüßen. Mit mir vor Ort bei OSRAM Opto Semiconductors in Regensburg sind die Datenwissenschaftlerin Dr. Maike Stern und der Fertigungsleiter Dr. Jörg Schäfer. Von Ihnen will ich wissen, was künstliche Intelligenz in der Halbleiterfertigung leisten kann.

Denn bei der Herstellung einer LED fallen eine Menge Daten an. Was wäre, wenn Maschinen daraus selbstständig Erkenntnisse gewinnen könnten? Ich möchte erfahren, welche Projekte aktuell in der Fertigung laufen und ob selbst lernende Maschinen unseren Ingenieuren eines Tages die Arbeit abnehmen könnten.

Karin: Maike, Jörg, Herzlich willkommen! Bevor wir mit Maike in die Datenwissenschaft eintauchen, habe ich die erste Frage an Jörg: Wofür brauchen wir künstliche Intelligenz in unserer Halbleiterfertigung überhaupt?

Jörg: Es gibt in der Halbleiterfertigung und in der Chip-Fertigung sehr komplexe Prozessabläufe. Die Wechselwirkung dieser Prozessabläufe im Gesamten zu verstehen ist eine große Herausforderung. Eine künstliche Intelligenz, die diese Zusammenhänge aufnimmt und Lösungsvorschläge erarbeitet wäre eine unheimliche Erleichterung im Fertigungsalltag. Das sind Datenmengen und Zusammenhänge, die vom Menschen sehr schwer zu greifen sind. Aufgrund der Menge der Daten und aufgrund der Abhängigkeiten voneinander. Da glaube ich wäre KI ein großer Nutzen für uns im Fertigungsalltag.

Karin: Einen ersten Schritt, den Fertigungsalltag mit Methoden wie künstlicher Intelligenz zu erleichtern, hast du ja gemacht Maike. Du hast Computern beigebracht, Bilder von Wafern, also den Halbleiterscheiben auf denen sich die Chips befindenden, zu interpretieren. Wie lernt ein Computer Bilder zu verstehen? Ihm fehlt ja nicht nur das Expertenwissen, sondern auch die menschliche Seherfahrung und das Verständnis, Bildinhalte einzuordnen.

Maike: Genau, das lässt sich am besten erklären anhand eines Beispiels. Und nicht anhand von einem LED-Wafer, denn den hat jetzt vermutlich niemand vor Augen, sondern anhand von Hunden und Katzen. Wenn wir einem Computer beibringen, wie er diese Hunde und Katzenbilder unterscheiden kann, kann man sich vorstellen, wie wir das selbst im Kopf lösen. Wenn wir mal an eine Katze denken, dann hat sie ganz andere Merkmale als z.B. einen Hund. Das heißt die Ohrenform ist unterschiedlich, die Schnauze des Tieres ist unterschiedlich und vielleicht auch die Fellfarbe. Und genau das nutzen wir aus, wenn wir dem Computer beibringen, diese Bilder zu unterscheiden. Wenn wir jetzt an einen klassischen Algorithmus denken, dann würde man hier verschiedene Filter einsetzen, die bestimmte Merkmale aus dem Bild hervorheben. Und wenn man jetzt verschiedene Filter einsetzt, können wir ganz verschiedene Merkmale in den Bildern hervorheben, zum Beispiel die unterschiedlichen Ohrformen der Tiere. Und wenn wir diese Merkmale dann sammeln, dann können wir einen Fall aufmachen. Dann haben wir mehr Beweise dafür, dass sich auf dem Bild ein Hund befindet oder dafür, dass sich auf dem Bild eine Katze befindet. Und so lernen Computer Bilder zu erkennen. Das heißt wir geben ihnen eine Aufgabe vor, setzten verschiedene Algorithmen ein, um Merkmale zu sammeln und erhalten dann eine Klassifizierung des Bildes.

Karin: Was heißt das konkret übertragen auf Bilder von Wafern?

Maike: Hier haben wir ja LED-Chips, die okay sind und wir haben andere LED-Chips, die vermutlich defekt sind. Und diese beiden Klassen haben auch verschiedene Merkmale. Diese Merkmale extrahieren wir dann auch wieder aus den Bildern, um so eine Klassifizierung zu erhalten.

Karin: Das Ziel ist ja, dass der Algorithmus auch neue Bilder selbstständig interpretieren kann. Wie genau funktioniert es, dass er lernt dies auf neue Bilder zu übertragen?

Maike: Wenn wir jetzt möchten, dass der Algorithmus auch neue Bilder erkennen kann, gehen wir davon aus, dass die Merkmale, die wir gelernt haben, auch auf neue Bilder übertragbar sind. Das heißt, der Algorithmus hat gelernt, dass bestimmte Defekte bestimmte Merkmale aufweisen. Und wir gehen jetzt davon aus, dass neue Defekte ähnliche Merkmale aufweisen. Das heißt, der Algorithmus überträgt sein Wissen auch auf neue Beispiele. Das erklärt aber auch, warum diese Deep Learning oder Machine Learning Algorithmen so viele Daten brauchen. Denn je mehr Daten ich dem Algorithmus gebe, desto besser kennt er die Daten und desto besser kann er dann generalisieren.

Karin: Das Stichwort Daten würde ich gerne aufgreifen und Jörg etwas fragen. Machine Learning Anwendungen, also künstliche Intelligenz braucht ja vor allem drei Dinge: Algorithmen, enorme Rechenkapazität und viele Daten in guter Qualität. Haben wir letztere in unserer Fertigung und falls nicht, wie bekommen wir diese?

Jörg: Die Datenmengen wachsen, die uns zur Verfügung stehen. Die Anlagen und Technologien, die wir nutzen, sind mehr und mehr mit Sensoren ausgestattet. Das heißt die Datenmengen, die generiert werden, die steigen kontinuierlich, was uns dann in die Lage versetzt, diese künstliche Intelligenz sinnvoller einzusetzen. Wo wir sicherlich noch deutlich Arbeit reinstecken müssen, ist die Datenqualität. Hier laufen gerade diverse Projekte bei uns in der Fertigung, um die Datenqualität in ausreichendem Maße zur Verfügung zu stellen.

Karin: Maike, kannst du das vielleicht kurz noch aus deiner Sicht ergänzen? Aus der Sicht derjenigen, die diese Daten in intelligenten Algorithmen verarbeiten muss.

Maike: Da kann ich nur zustimmen, da tut sich unheimlich viel bei uns in der Firma, was die Datenqualität und Quantität angeht. Das ist aber auch so, dass diese Algorithmen sehr Datenhungrig sind. Aber wir können auch mit wenige Daten nochmal unheimlich viel durch den Algorithmus herausholen. Man denkt immer, der Programmierer müsste bei künstlicher Intelligenz überhaupt gar keine Arbeit mehr reinstecken. Aber eigentlich ist die Arbeit nur verlagert. Während ich mir zum einen unheimlich viel Gedanken darüber machen muss, wie ich die Daten dem Algorithmus präsentiere, muss ich auch sehr genau darüber nachdenken, wie ich diesen Algorithmus aufbaue. Denn in dem Aufbau des Algorithmus befindet sich schon unheimlich viel Wissen. Das zeigt sich auch dadurch, dass es ganz unterschiedliche Algorithmen gibt. Algorithmen für Sprachverarbeitung sehen ganz anders aus, als Algorithmen für die Bildverarbeitung. Wenn wir jetzt Datensätze haben, die eher klein sind, können wir unser Wissen aus der Zusammenarbeit mit den Fachexperten nutzen, um den Algorithmus mit mehr Vorwissen besser auf das Problem auslegen. Dadurch können wir diese geringen Datenmengen ein Stück weit ausgleichen.

Karin: Damit zurück an Jörg: wo siehst du die hauptsächlichen Anwendungsfelder für maschinelles Lernen?

Jörg: Es gibt da ein konkretes Beispiel, an dem auch schon gearbeitet wird. Und zwar über unsere Wertschöpfungskette von der Epitaxie bis zum fertigen Produkt. Hier haben wir sehr viele Prozessschritte, welche die Wellenlänge, die Helligkeit und die Farbe des Produktes bestimmen und beeinflussen. Um diese Zusammenhänge über die gesamte Wertschöpfungskette darzustellen und zu verstehen, sind unheimlich viel Datenmengen notwendig. Da sehe ich schon eine Chance, dass man über die künstliche Intelligenz einen deutlichen Schritt weiterkommt. Nicht nur um zu verstehen, was heute an Ergebnissen da ist, sondern auch um Vorschläge zu bekommen, wie das besser synchronisiert werden könnte. Das ist für mich ein konkretes Beispiel, an dem auch schon gearbeitet wird. Sicherlich wird es noch eine Weile dauern, bis man dort Ergebnisse bekommt.

Karin: Maike schaust ein bisschen kritisch, ist das eher fernere Zukunft?

Jörg: Für mich ist die künstliche Intelligenz aus der Fertigungssicht eh perspektivisch, aber wir müssen diese perspektivischen Themen auch angehen. Neben diesem Thema gibt es auch noch andere Themen, wie die logistischen Abläufe zu verbessern und ein Prozessverständnis zu generieren. Aber hier geht es nicht nur darum, die Datenverarbeitung von der KI machen zu lassen, sondern auch Vorschläge zu generieren. In einer idealisierten Welt werden diese dem Ingenieur dann unterbreitet und er kann nochmal drüber schauen und entscheiden, ob er diesen Vorschlag annimmt oder nicht. Auch sowas wie eine präventive, vorausschauende Instandhaltung oder Wartung ist ein Thema, das sehr interessant ist. Es wird sicherlich nicht in den nächsten 1-2 Jahren spruchreif werden, aber wenn wir jetzt nicht damit anfangen uns dahin zu bewegen, werden wir auch in 4-5 Jahren nicht soweit sein. Bis dahin müssen wir aber soweit sein, um unsere Konkurrenzfähigkeit zu verbessern.

Karin: Maike, arbeitet ihr daran schon?

Maike: Man kann definitiv sagen, dass wir daran schon arbeiten. An ganz verschiedenen Stellen gibt's Kollegen und Kolleginnen in der Firma, die sehr ausgeklügelte Algorithmen entwickeln. Und so ein System, wie der Jörg ja gerade beschrieben hat, besteht ja aus ganz vielen verschiedenen Algorithmen mit verschiedenen Aufgaben.

Karin: Kurz vielleicht ein bisschen konkreter zu den Möglichkeiten. Was machen intelligente Algorithmen in unserer LED-Produktion möglich, was wir mit herkömmlichen Methoden nicht leisten können? Wo finden sich vielleicht ganz neue Lösungswege?

Maike: Um ganz neue Lösungen zu finden, setzen wir eine Methodik namens Reinforcement Learning ein. Das ist ein Algorithmus, der lernt, sich allein in der Welt zurechtzufinden. Wir setzen diesen Algorithmus momentan ein, um auf neue LED-Chip Designs zu kommen. Das heißt, wenn wir einen Chip designen, dann gibt es verschiedene Materialien, die wir in verschiedenen Dicken aufeinander aufbringen. Zum einen kann man variieren, wie viele Schichten wir aufbringen möchten, mit welchem Material und wie dick diese Schichten sein sollen. Dadurch haben wir unendlich viele Möglichkeiten, wie dieser Chip am Ende aussieht. Das Reinforcement Learning gibt uns die Möglichkeit, im Gegensatz zu klassischen oder genetischen Algorithmen, diesen Sucherraum, den wir aufspannen, intelligenter zu durchsuchen, sodass wir viel schneller auf eine bessere Lösung kommen. Außerdem ist es klassisch für diese Algorithmen, dass sie sich auch unbekannte Gebiete anschauen. Dadurch können wir auch Chip Designs entdecken, auf die wir vorher nicht gekommen wären.

Karin: Ist künstliche Intelligenz dann immer die beste Lösung oder gibt's auch Fälle, in denen wir mit klassischen Methoden trotzdem weiterkommen? Wo macht künstliche Intelligenz wirklich Sinn?

Maike: Bei uns in der Firma gibt es ganz viele Beispiele, wo es deutlich mehr Sinn macht, keine Machine Learning Methoden einzusetzen. Das Schöne ist, dass bei mir in der Gruppe ganz viele Programmierer und Programmiererinnen mit klassischen Methoden arbeiten und da ein unheimliches Wissen haben. So können wir schauen, ob unsere Algorithmen denn wirklich besser sind. Grundsätzlich macht es immer dann Sinn Machine Learning oder Deep Learning Methoden einzusetzen, wenn die Daten sehr viele Variationen enthalten und wir mit klassischen Methoden nicht mehr weiterkommen.

Karin: Erst einmal danke an euch beide für den Einblick, wo KI unsere Fertigung verändern kann. Zum Schluss noch die Frage an Jörg, auch wenn sie schon einen Bart hat, da sie seit der Erfindung der Dampfmaschine gestellt wird: heißt es eines Tages, selbst ist die Maschine und unsere Kollegen in der Fertigung sind überflüssig?

Jörg: Klare Antwort: Nein! Wir haben über die letzten Jahrhunderte immer wieder gesehen, dass sich ein Berufsbild verschiebt. Die Inhalte gewisser Tätigkeiten verschieben sich und die künstliche Intelligenz ist für mich genau das Gleiche. Die Tätigkeiten der Ingenieure beispielsweise werden sich verschieben. Sie werden teilweise erleichtert, aber dadurch ergeben sich neue Aufgaben und Problemstellungen, die durch den Menschen bearbeitet werden müssen. Der Computer unterstützt und hilft. Überflüssig wird der Mensch nicht!

Karin: Herzlichen Dank an euch beide, dass euch die Zeit genommen habt für das spannende Gespräch!

Maike: Dankeschön dir auch!

Jörg: Danke gleichfalls!

Die aktuelle Episode unseres Photonstudios können Sie wie immer auf Soundcloud, iTunes, Spotify und Google Podcast hören. Wer noch mehr über den Einsatz von Machine Learning bei OSRAM wissen will, dem empfehle ich die Online-Version unseres Innovations Magazins ON auf www.osram-group.de/innovation findest du zudem viele weitere spannende Artikel aus der Photonik. Bis zur nächsten Episode im Photonstudio!

Photonik ist DIE Schlüsseltechnologie von OSRAM