ナレッジセンター
目次

杭州:工場AI要件分析

工場 AI 要件分析の核心は、半導体製造で人、機械、材料、方法、環境が生み出す膨大なデータを、実行可能なコスト削減・効率向上のアクションに変えることである。杭州には半導体設計、製造、パッケージ・テスト企業のかなりの集積があり、その AI 投資判断はインテリジェント製造の進展速度を直接左右するため、体系的な要件分析はあらゆる AI プロジェクトの第一歩である。

1. 工場AI要件分析の核心概念と定義

工場 AI 要件分析とは、人工知能技術を導入する前に、メーカーが自社の生産工程、データ基盤、業務上の痛点、投資収益を体系的に評価し、どのシナリオが AI に適し、どのデータが必要で、成功をどう測定するかを決めることを指す。IT 部門のソフトウェア購入リストではなく、データ取得、アルゴリズムの実現可能性、工程適合性、組織能力をカバーする業務と技術の共同診断である。

杭州の半導体産業ではこの分析がとくに重要である。半導体製造は工程が長く、設備が高価で、歩留まりへの感度が高く、清浄度の要件も厳しい。1枚のウェハは数百の工程を経て、どのパラメータのドリフトもロット廃棄を招きうる。AI は欠陥検査、歩留まり分析、設備保全でパターンを見つける助けになるが、明確な要件分析がなければ、プロジェクトは見栄えはよいが測定可能な効果の出ないデモになりやすい。

2. 主要な機能モジュールと技術的要点

完全な工場 AI 要件分析は通常、次のモジュールをカバーする。

イラスト

1. データ取得とガバナンスのモジュール。半導体設備のインターフェースは多様で、SECS/GEM、OPC UA、Modbus プロトコルが併存し、データ量も膨大である。分析ではデータソース、サンプリング周波数、保存方法、品質上の問題を明確にし、ラベリングコストとデータサイロを評価する必要がある。

2. 欠陥検出と分類のモジュール。マシンビジョンと深層学習でウェハ表面欠陥やパッケージ外観欠陥を自動識別する。技術的な要点は、撮像ソリューション、欠陥サンプルのバランス、モデルの汎化性、誤判定の抑制である。

3. 歩留まり分析と予測のモジュール。過去データのマイニングで歩留まりに影響する重要工程パラメータの組み合わせを特定し、予測モデルを構築する。技術的な要点は、特徴量エンジニアリング、因果推論、モデルの解釈可能性である。

4. 設備予知保全のモジュール。エッチング装置、露光装置、薄膜成膜装置の重要部品の健全性を評価し、故障を早期に警告する。技術的な要点は、センサー選定、残存寿命のモデリング、アラーム閾値の設定である。

5. インテリジェントなスケジューリングとディスパッチのモジュール。半導体工場は多品種少量の混流生産が一般的であるため、AI スケジューリングは設備能力、段取り時間、レチクル制約、仕掛品の流れを考慮し、納期と設備稼働率のバランスを取る必要がある。

要員教育と知識の定着という点では、電子標準作業手順書のソリューションが、AI 分析から得られた新しい工程パラメータや新しい作業標準を作業台に迅速に配信し、分析結果を標準的な行動に変える支援ができる。ZEVON ESOP は更新されたSOPを作業台端末に配信し、版管理と確認記録を残せるため、工程規律の要求が厳しい半導体工場にとって実用的である。

イラスト

3. 半導体における代表的な適用シナリオ(想定)

杭州・浜江のパワー半導体パッケージ・テスト工場で、主力製品が IGBT モジュールと MOSFET の工場を想定する。この工場はパッケージ外観欠陥の検査を人手の目視に頼り、歩留まりが不安定で、顧客クレームの原因分析も遅い。その AI 要件分析は次のシナリオに分解できる。

シナリオ1:パッケージ外観の AI 外観検査。モールディング、トリム・フォーム後、産業用カメラで製品の6面画像を取得し、ひび割れ、ボイド、傷、ピン変形を識別する欠陥検出モデルを学習させ、結果を選別機構に自動連動させる。要件分析では、欠陥カテゴリ、検出可能な最小欠陥サイズ、許容できる見逃し率を定義しなければならない。

シナリオ2:ボンディング工程パラメータの最適化。ワイヤのプル強度不足はよくある欠陥である。AI がボンダーの出力、時間、圧力、温度とプル強度の関係を分析し、パラメータの組み合わせを推奨する。要件分析では、設備パラメータを取得できるか、プル試験データが完全か、モデルを設備に組み込むのか外部システムにするのかを確認する必要がある。

シナリオ3:設備の健全性警告。ボンダーやモールディングプレスに振動・電流監視を追加し、AI モデルが摩耗傾向を判断して事前に保守を計画する。これには、センサーの設置箇所、データのアップロード頻度、保守対応プロセスを明確にする必要がある。

杭州・銭塘区のウェハ工場で、露光工程のクリティカルディメンジョン均一性に注力する工場を想定する。その AI 要件分析は、露光量、フォーカス、重ね合わせなどのパラメータでクリティカルディメンジョンのドリフトを予測できるか、どのデータ粒度が必要か、モデルを既存の SPC システムにどう統合するかに焦点を当てる。こうした分析は通常、工程エンジニアとデータサイエンティストが共同で進める必要がある。

イラスト

4. 選定と導入のアドバイス

第一に、AI の選定を論じる前にデータの健全性チェックを行う。杭州の半導体企業はまずデータの完全性、ラベリング品質、リアルタイム性を評価すべきである。高品質のデータがなければどのアルゴリズムも成果を出せないため、プラットフォームやモデルを選ぶ前にデータ基盤を評価する。

第二に、価値の高い小さなシナリオから始める。最初から全工場の AI を目指さない。ROI が明確で期間の短い欠陥検査やパラメータ早期警告を選び、組織の自信とデータ資産を築く。

第三に、エッジコンピューティングとリアルタイム性を重視する。半導体ラインは高速で、AI 推論をすべてクラウドに頼ることはできない。要件分析では、どのモデルをエッジ機器に配備し、どれをクラウドで動かすかを明確にし、ネットワークと計算資源を計画する必要がある。

第四に、AI 運用チームを構築する。AI モデルは劣化するため、継続的なラベリング、再学習、版管理が必要である。工程エンジニアと並走する AI エンジニアの役割を設け、モデルが生産で有効であり続けるようにする。

第五に、説明可能性を重視する。半導体の工程エンジニアは、AI がなぜその推奨をするのかを理解する必要がある。選定時には、特徴量重要度の分析と可視化を備えたプラットフォームを優先する。

5. 今後の展望

今後3年間、杭州の半導体工場における AI 要件は3つのトレンドを示す。第一に、単独の AI から AI と産業ソフトウェアの統合へ。AI 能力は MES、SPC、設備管理に組み込まれ、独立して存在しなくなる。第二に、経験主導からデータ主導の工程最適化へ。AI 支援のパラメータ調整が日常になる。第三に、単一工場の最適化からサプライチェーン協働へ。歩留まりと能力のデータが工場やパッケージ工場をまたいでつながる。

実務では、要件分析の価値は分厚い報告書を作ることではなく、どのシナリオから着手すべきか、どのデータを必ず収集すべきか、その後誰がモデルを運用するかを明確にすることにある。杭州の半導体企業にとって、この基盤が堅固であるほど、その後の歩留まり改善、コスト削減、納期保証の作業が円滑に進み、業務を理解する前にモデルを作ってしまうというよくある落とし穴を避けやすくなる。

分野: スマート工場百科