當(dāng)今世界，數(shù)據(jù)為王。世界上價(jià)值最高的公司，無論是亞馬遜、蘋果、Facebook、谷歌、沃爾瑪還是Netflix，都有一個(gè)共同點(diǎn)：數(shù)據(jù)是它們最有價(jià)值的資產(chǎn)。所有這些公司都使用深度學(xué)習(xí)（deep learning，DL）將這些數(shù)據(jù)付諸實(shí)施。
不管你從事什么行業(yè)，你的數(shù)據(jù)都是你最寶貴的資產(chǎn)。你需要做你自己的DL來保護(hù)你的資產(chǎn)。DL成功的最重要因素是擁有足夠的正確數(shù)據(jù)。這就是數(shù)字孿生的由來。
數(shù)字孿生是實(shí)際物理過程、系統(tǒng)或設(shè)備的數(shù)字復(fù)制品。最重要的是，數(shù)字孿生兄弟可能是DL項(xiàng)目成功的關(guān)鍵，尤其是涉及危險(xiǎn)、昂貴或耗時(shí)的過程的DL項(xiàng)目。
深度學(xué)習(xí)帶來的競爭優(yōu)勢
到目前為止，幾乎每一個(gè)行業(yè)（包括半導(dǎo)體制造業(yè)）都認(rèn)識到了DL創(chuàng)造戰(zhàn)略優(yōu)勢的潛力。DL采用神經(jīng)網(wǎng)絡(luò)進(jìn)行高級模式匹配。在人臉識別、語音識別、醫(yī)學(xué)圖像分析、生物信息學(xué)、材料檢測等領(lǐng)域有著廣泛的應(yīng)用。在半導(dǎo)體制造中，DL已經(jīng)應(yīng)用于缺陷分類等領(lǐng)域。大多數(shù)領(lǐng)先的公司都在爭先恐后地在這個(gè)充滿希望的新競爭環(huán)境中取得優(yōu)勢。
隨著公司開始探索DL以及它如何幫助他們，許多公司發(fā)現(xiàn)了兩件事：第一，很容易得到DL原型，第二，很難從“良好原型”的結(jié)果獲得“生產(chǎn)質(zhì)量”的結(jié)果。隨著免費(fèi)的DL平臺、工具和工具包的出現(xiàn)，與傳統(tǒng)的應(yīng)用程序開發(fā)相比，DL應(yīng)用程序的初始開發(fā)是非?？焖俸拖鄬θ菀椎摹Ｈ欢?，生產(chǎn)DL應(yīng)用程序并不比生產(chǎn)常規(guī)應(yīng)用程序容易，而且可能更難。原因在于數(shù)據(jù)。擁有足夠的數(shù)據(jù)，以及足夠的正確數(shù)據(jù)，通常是不能提供生產(chǎn)質(zhì)量結(jié)果的DL應(yīng)用程序和徹底改變處理特定問題的方式的DL應(yīng)用程序之間的區(qū)別。
深度學(xué)習(xí)的數(shù)據(jù)鴻溝
DL是基于模式匹配的，模式匹配是通過向神經(jīng)網(wǎng)絡(luò)提供表示待匹配目標(biāo)的數(shù)據(jù)來“編程”的。需要大量的數(shù)據(jù)訓(xùn)練一個(gè)網(wǎng)絡(luò)來識別目標(biāo)，并且需要知道它何時(shí)不是目標(biāo)。
DL在快速生成原型和提供概念證明方面非常強(qiáng)大。但DL的真正優(yōu)勢并不是開發(fā)速度，而是它釋放了數(shù)據(jù)的力量，使之能夠完成其他任何方式都做不到的事情。
任何DL應(yīng)用程序的成功都取決于培訓(xùn)中使用的數(shù)據(jù)集的深度和廣度。如果訓(xùn)練數(shù)據(jù)集太小、太窄或太“正常”，那么DL方法不會(huì)比標(biāo)準(zhǔn)技術(shù)做得更好——事實(shí)上，它可能做得更糟。重要的是要訓(xùn)練一個(gè)包含代表所有重要狀態(tài)或表示的數(shù)據(jù)的網(wǎng)絡(luò)，足夠的數(shù)據(jù)量讓網(wǎng)絡(luò)學(xué)會(huì)捕捉問題的正確本質(zhì)。
對于一些領(lǐng)域來說，比如自主駕駛或半導(dǎo)體制造，困難在于一些最嚴(yán)重的異常情況（謝天謝地）很少發(fā)生（圖1）。然而，如果你想讓一個(gè)DL應(yīng)用程序識別出一個(gè)孩子在汽車前面飛奔或者一個(gè)致命的光掩模錯(cuò)誤，你就必須用這些場景訓(xùn)練網(wǎng)絡(luò)，這些場景在現(xiàn)實(shí)世界中是非常稀少的。數(shù)字孿生是產(chǎn)生足夠多異常數(shù)據(jù)以正確訓(xùn)練網(wǎng)絡(luò)識別這些條件的唯一方法。
圖1. 標(biāo)準(zhǔn)差正態(tài)分布曲線的圖解。在半導(dǎo)體制造業(yè)中，與開車一樣，“離群”事件非常罕見，但神經(jīng)網(wǎng)絡(luò)必須接受同樣多的訓(xùn)練，因?yàn)樽顗那闆r下的事件會(huì)導(dǎo)致芯片故障；使得平均效果不夠好。
數(shù)字孿生彌補(bǔ)了鴻溝
數(shù)字孿生，即實(shí)際進(jìn)程、系統(tǒng)和設(shè)備的虛擬表示，是創(chuàng)建正確數(shù)量的正確數(shù)據(jù)以成功訓(xùn)練DL網(wǎng)絡(luò)的關(guān)鍵工具。使用數(shù)字孿生兄弟創(chuàng)建DL培訓(xùn)數(shù)據(jù)有以下幾個(gè)原因：
數(shù)據(jù)屬于客戶，因此不能將其用于DL培訓(xùn)。
創(chuàng)建DL所需數(shù)據(jù)資源已被完全投入到客戶項(xiàng)目中。
已經(jīng)開發(fā)了DL應(yīng)用程序，但發(fā)現(xiàn)需要特定的數(shù)據(jù)來調(diào)整和訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以達(dá)到所需的精度水平，但是使用maskshop/fab資源創(chuàng)建數(shù)據(jù)的成本令人望而卻步。
無法找到足夠的異常數(shù)據(jù)來充分訓(xùn)練您的DL網(wǎng)絡(luò)。
最后一個(gè)案例幾乎是普遍的。理想情況下，要保持對數(shù)據(jù)的完全控制，需要三個(gè)數(shù)字孿生體：在制造流程中原有流程/設(shè)備的數(shù)字孿生體，為您自己的流程模擬提供輸入數(shù)據(jù)；您自己的流程/設(shè)備的數(shù)字孿生體；以及在制造流程中跟隨您的流程/設(shè)備的數(shù)字孿生兄弟，以便您可以將輸出反饋到下游進(jìn)行驗(yàn)證。
在2019年的SPIE光掩模技術(shù)會(huì)議上，D2S提交了一篇文章，展示了使用使用DL技術(shù)創(chuàng)建的兩個(gè)數(shù)字孿生體：一個(gè)掃描電子顯微鏡（SEM）數(shù)字孿生體，一個(gè)曲線反光刻技術(shù)（ILT）數(shù)字孿生體（圖2顯示了掃描電子顯微鏡數(shù)字孿生體的輸出）。雖然數(shù)字孿生的輸出通常不足以精確到制造業(yè)，但這些數(shù)字孿生已經(jīng)被用于訓(xùn)練DL神經(jīng)網(wǎng)絡(luò)和驗(yàn)證。重要的是，這些數(shù)字孿生體是由深度學(xué)習(xí)產(chǎn)生的，而不是通過仿真產(chǎn)生的。這是一個(gè)使用DL作為生成其它DL所需數(shù)據(jù)的工具的示例，它演示了投資DL的復(fù)合收益。
圖2. 由SEM數(shù)字孿生生成的掩模SEM圖像和真實(shí)SEM圖像的兩個(gè)示例。顯示了在同一位置的水平切割線上的圖像強(qiáng)度。不僅圖像看起來非常相似，而且邊緣的信號響應(yīng)也相似。
一般來說，人工操作人員執(zhí)行的繁瑣/容易出錯(cuò)且很難用傳統(tǒng)算法實(shí)現(xiàn)自動(dòng)化的工藝過程，是進(jìn)行深度學(xué)習(xí)的良好候選者。無論是通過目視檢查還是其它方式，檢查特定情況的專業(yè)人員都很有可能正確執(zhí)行任務(wù)。但在許多類似情況下，人類會(huì)犯錯(cuò)誤，變得越來越不可靠。特殊情況下，DL可能不如人類做得好。但它在一些情況下的成功概率卻和時(shí)間和次數(shù)無關(guān)。隨著執(zhí)行任務(wù)的次數(shù)和/或時(shí)間的增加，人類會(huì)犯更多的錯(cuò)誤，但DL的成功概率不會(huì)隨著時(shí)間和數(shù)量的增加而降低。
縮小與DL成功的差距
一旦您確定了一個(gè)DL項(xiàng)目，就有各種可用的資源可以讓您走上成功的道路，同時(shí)仍然可以讓您對自己的數(shù)據(jù)保持嚴(yán)格的控制。如果您是新手，并希望為您的試點(diǎn)項(xiàng)目提供全面的支持，您可以加入電子制造深度學(xué)習(xí)中心（CDLe，www.cdle.ai網(wǎng)站)，一個(gè)由行業(yè)領(lǐng)袖組成的聯(lián)盟，旨在匯集人才和資源，為獨(dú)特的問題推廣DL的最新技術(shù)，并加速DL的采用，以改進(jìn)產(chǎn)品。
如果您已經(jīng)開始了您的DL項(xiàng)目，但由于DL數(shù)據(jù)鴻溝而遇到了問題，D2S可以幫助您構(gòu)建數(shù)字孿生兄弟。
