皮托科技-案例分享【結合AI與CAE模擬技術，實現半導體製程低碳化】

你可以看到我們已經把model 首先變成是一個APP的介面 所以它已經有一些 我們先看一下影片 在我們這個機臺上面 我們可以很快的去調參數 包含我的功率 我的尺寸 我的材料 很快的就可以去拖拉 那它是一個即時模擬的過程 所以這個拖拉過程 我們在mini seconds之間 我們就可以得到說 它的轉速跟我的壓力 壓差的增幅會是怎麼樣 這是一個很即時的過程 等於說你調一個參數 一般我們模擬可能要花很多時間 那我們現在一下就可以瞭解 那現在看到這兩張曲線是 我們可以把上一個參數 跟這個參數 可以把它記錄下來 可以做個比較 可以看到改了什麼參數 它可以馬上反映出新的結果 那現在這個動作是說 我們來做個比較 如果說沒有AI的話 我直接就是跑一個參數 要花多久的時間 那我們可以看到 它現在正在執行當中 這個是沒有做快轉 這是實際即時去錄下來 所以我們可以知道說 跑一個參數 你這樣的一個 CMG毅力分析的model 它跑多久 現在我們還在等待它算的時候 它現在已經跑到第一個點 就是一個轉速 然後搭配三個剛才講的材料 還有幾何 還有這個功率三個參數 等於四個參數一個弱點 跑一個結果 快花了一分鐘 當然這邊就有一些快轉 那我們跑五個點之後 就跑五個參數組合 我們可以看到它這樣的 再回放一下 還有一點時間 這邊再重新再播一下 我們可以看到 我們現在拓拉參數 設定它的功率 然後它的材料幾何調整 可以馬上得到各個轉速 對應到的壓差結果 所以這等於 你可以把它想像是一個無限多點 很快就可以得到一個結果 那我們可以 把這個結果 跟前一個結果做比較 把現在的這個結果 把它給儲存下來 然後再去拉新的參數 就可以看到 這兩個結果之間就會不一樣 接下來我們纔是 去做一個實際的 就是我們模擬的計算 實際的計算 就是把我們那 四個參數的一個弱點 去跑計算 那我們可以看到 它大概花了一個case 大概這個case by case 一個case花了一分鐘時間 然後我們再跑 第二組參數 又花了一個時間 我們跑五組參數 五組參數組 又花了五倍的時間 以此類推 那你可以看到 我們現在 它還在運算當中 第一個結果出來 這只是一個結果 而不是一個無限多的 一個曲線的結果 那三個參數 快轉一下 三個參數 第三組參數 第四組參數 第五組參數 你可以看到 模擬跟AI預測的結果 是很準確的 但是如果說我們 沒有那麼多時間 我們可能跑的 這個參數點 比較寬鬆的話 它的結果就會 不夠精準 因為我們沒辦法去得知 無限多個位置的一個結果 所以可以看到 就會呈現一個 不準確的結果 所以你要嘛 要花時間跑 要嘛就是不準確 所以你搭配AI 就可以解決這個問題 這是我這個case的一個 一個結論 看下一個 下一個案例 我們再把這個ATP 還有都已經訓練好了 這個AI的model 我們再進一步的來去 結合到這個 數位分身的部分 就是我們這個case 是一個壓力感測器 它可以放在 像我們這個半導體 我們可以去偵測 它的一個壓力的一個sensor 那我們現在呢 把這個壓力sensor 變成是一個 數位的一個sensor 就是有一個虛擬model 那這虛擬model裡面的話 我們可以很快的 可以接受到 外部的壓力的訊號 外部的壓力訊號 是在我們現在最左邊 有四個曲線圖 最上面第一個 就是我們的壓力訊號 壓力訊號你可以看到 我們可以透過這個定時器 每多久時間 收集一筆外部的資料 是多少個壓力的資料 然後我們去計算 這個數位分身 這個虛擬這樣的一個 感測器 然後下面 左邊有三張圖 包含它的這個 位移量 還有包含音力 還有包含它的這個 變壓 那所以我們就可以 透過音力模擬出來的一個 即時模擬出來的結果 就可以知道說 它在多少壓力下 它可能有些音力 會超過我的一個 一個感測器原子 那我會把它記錄下來 那我的位移量呢 也是一樣 它如果超過一個 一個閥值 記錄下來 那 可以看到呢 它如果超過一個值之後呢 我們會有一個 我們不想要的值 它會把它記錄下來 那這有什麼目的呢 就是我們可以透過 這樣的一個記錄呢 就即時 實時的去追蹤 我們這個虛擬的這個分身呢 它到底面臨到 多少壓力的情況下 會有什麼樣的一個記錄 我們透過音力分析呢 我們就可以去做一個 它的一個疲勞老化的一個 預先的預測 也就是說我們可以做一個 預防性維護的動作 那透過這樣的一個 位移量的話呢 我們就可以呢 去分析 它會不會有過大的一個 變形 造成這個 壓力的這個洩漏 那所以呢 這樣子的話呢 我們就可以去減少 我們在安裝其他的一個 其他種類的sensor的一個數量 所以這也可以減少一些能耗 那另外呢 透過最後一個 最後一組是壓力 電壓圖 因為我們這是一個sensor 它是由壓力跟那個 就是壓阻效應做轉換 所以我們可以即時追蹤 它一個老化狀況 然後把它當成一個歷史數據 再去 更新去校正 這樣的一個數位分析 所以 透過這樣的一個 虛擬的這樣的一個 分身的這樣的一個model 我們就可以把 真實的感測進來 做一個分身出來 然後做 預防性維護 然後減少 其他sensor值的量 還有呢 去做一個 必要的一個校正 減少它的準確度 那這是我們這個 第二個 要分享的一個案例 那我們看第三個 第三個是一個 無塵室的一個熱流的一個 數位分身的一個model 那在這個model裡面的話呢 我們會 放在一個 整個場域裡面的 其中一個機臺 我們假設 它會有一些熱源會生存 但是我們希望 當然在這個無塵室裡面呢 我們希望它的這個 溫度能控制在一個水平的範圍 就介於一個合適的範圍 避免它的一個 溫度的不均勻 流暢的擾動 造成整個冷沉 或者說它操作條件的一個不適當 那所以我們這裡呢 就一樣 把這個無塵室的 這樣的一個場域 建立成一個熱流的一個 AI的這個model 那我們在這個case呢 我們可以去體驗一下 就是說呢 我們可以呢 也是一樣 跟上面case一樣 我們可以去讀錄一個 有類似的一個 外部的訊號 或者是我們可以 額外去給另一個 手動的訊號 我們可以看一下 一樣看一下影片 這是我們整個 整個的一個場域 然後左邊那個曲線 就是我們可以讀的那個 熱源發生的一個位置點 所以它現在在一個位置上面 那當然我們可以透過 即時的讀錄訊號 或者說我們手動去給 一個就等我們機臺操作裡面 我知道我在這個位置 會發生一個熱源 我們可以去點一個位置 那它的位置的坐標就改變了 那可以看到呢 在某些位置下呢 它的這個熱點 會造成整個系統的這個溫度 會達到一個 超過一個法指 那這時候我們就可以 去把這個 額外的這個 風的風量 給提高 提高的話呢 我們就可以 把這個溫度降到一個 在可以操作下的一個 水平的範圍 那如果說 我們熱點發生在某個位置下 因為這個位置 已經有其他的風扇 還有原本風扇的一個足夠的風量 可以來去提供一個 有效的降雨 那這種情況下呢 它就不需要額外的這個 增加它的這個風量 所以它的風扇就不會動 然後 它的這個風速的話 就維持比較低的一個 一個風量的水平 那所以我們透過這樣的一個 建置這樣的一個 數位分身這樣的一個AI的 這樣的一個代理模型 我們就可以很快的預測說 任何會發生熱點的位置的 一個情況下 我們可以透過這種 虛擬的model 很快去算說 它需不需要去啟動額外的 增加額外的這個風量 那如果需要的話 它風量要到多少就夠了 不需要 太強 太強的話會增加額外的能耗 那我們只要 維持在一個我們可以接受的一個 溫度的範圍的情況下就可以 所以我們透過這樣的model的話呢 我們就可以 很有效的 來把這樣的一個 無程式內部的這個 熱點的這個 溫度的一個分佈呢 做一個合理化的配置 做到有效的這個 低能耗 無碳化的一個配置 好 這就是以上分享的 這個三個案例啦 就是結合CAE 還有AI 限制這樣一個代理模式 或者再進一步的結合到 跟硬體結合的這樣的一個 數位分身的一些案例 我們把目前這些影片 給大家做分享