0

0
1

文字

分享

0
0
1

人工智慧的「黑箱作業」,類神經網路如何將生物分類的?

MiTalk
・2019/06/08 ・4467字 ・閱讀時間約 9 分鐘 ・SR值 543 ・八年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

  • 作者/吳育瑋 臺北醫學大學醫學資訊研究所助理教授

這篇文章是我在讀到 Nature Methods 在 2018 年 3 月 5 日刊登的文章「Using deep learning to model the hierarchicalstructure and function of a cell」1後,在臉書 MiTalk 社團寫下的三篇短文的整理集結。在這三篇短文中,我簡要地介紹了目前人工智慧的技術基礎「類神經網路」的概念,再將其延伸到這篇文章提及的系統生物學研究,並解釋目前類神經網路之所以被稱為「黑盒子」的原因,以及這項系統生物學研究處理黑盒子的手法。

資訊輸入和輸出,如何用「類神經網路」做出無人車?

我們先來聊聊目前機器學習中最火紅的演算法「類神經網路」究竟是什麼東西?

動物的神經元大致上都有著可以接受來自其他神經元的訊號的樹突 (dendrite),以及可以傳送訊號給其他神經元的軸突 (axon)。類神經網路的單位神經元架構與生物的神經元類似:都有著數個可以接受其他神經元的「輸入 (Input)」,以及數個傳送訊號給其他神經元的 「輸出 (Output)」。將一大堆這樣子的神經元連結起來,就是類神經網路了。

當然,這種連結也不是亂連的。類神經網路通常會分成好幾「層」,而每一層與每一層之間的神經元都會緊密連結著 (fullyconnected),以下我用個實際的例子來說明這所謂的「層」是怎麼回事。

在 1989 年的時候,卡內基美隆大學發明了第一台透過類神經網路控制的無人車 ALVINN 2。這台無人車的主要架構有三個:一台在車子前面隨時拍照的照相機或攝影機,一台執行類神經網路運算的電腦,以及由電腦控制的方向盤,請參考下圖:

  • 第一層(最底層):照相機照出來的 30 x 32 個 pixel 的影像,以及8 x 32 個雷射距離測定器像。總共輸入單位是 30 x 32 + 8 x 32 = 1216 個。
  • 第二層(中層):由 29 個類神經網路神經元構成的隱藏層(最初期的設計只有4 個)。
  • 第三層(最上層):45 個輸出神經元,代表著方向盤要打那個角度;每個神經元代表一個角度,例如第一個神經元代表方向盤往右打 30 度,第二個代表方向盤往右打 28 度,依此類推。
卡內基美隆大學發明了第一台透過類神經網路控制的無人車 ALVINN。圖片取自:LVINN 論文2

這麼簡單的類神經網路,就已經可以讓這台車在路上以 60 英哩的速度行駛了。可見得類神經網路機器學習的威力。

那麼類神經網路是怎麼訓練的呢?簡單地說,我們在訓練類神經網路時,必須要給它一組(通常是數量很多的一大組)已經知道正確答案的訓練樣本,讓類神經網路之間的神經元連結可以自動透過輸入訊號與正確答案的比對調整自身的參數。這樣的訓練會持續上數千或甚至數百萬次,直到正確率無法再提昇為止。比如說 ALVINN 無人車的訓練就是在真人開車時,將每張相機照出來的圖片與人類開車者的方向盤角度(也就是正確答案)進行連結,並持續調整參數直到答案錯誤率很低為止。

換句話說,ALVINN 這台無人車所做的事,就是模仿人類的開車行為。

除了無人車,「類神經網路」也能區分生物種類?

在上一段我們解釋了何謂類神經網路。一句話總結的話就是類神經網路就是連結在一起的人工神經元,而且可以透過無數次訓練盡量提高執行任務(比如說下棋或預測天氣)的準確率。在這一段中我將提到類神經網路與生物網路之間的關係

類神經網路通常是由許多的「層」數以及每一層內的「神經元」數量所構成的;然而究竟需要多少層網路,或是每一層網路需要多少神經元,則沒有一定的準則。

我認為這是類神經網路最關鍵,卻也最難以決定的參數。舉例來說,先前提到過的自駕車 ALVINN 總共只有一層網路(不考慮輸入與輸出層的話),且這一層只包含 29 個神經元節點。但是現在如 Tesla 或其他品牌自駕車的類神經網路絕對比這個架構複雜許多。我們在設計類神經網路的時候,甚至需要不停地 trial-and-error 後才能決定「最佳」的網路架構,而這裡的「最佳」理所當然是由預測準確率來決定的。

那麼這和微生物或生命科學有什麼關係呢?這要先從一篇Nucleic Acids Research 論文3 講起。在這篇論文中,卡內基美隆的研究人員試圖透過類神經網路試圖研究不同的細胞(比如說胚胎分化時期的 early-2-cell、late-2-cell、8-cell、16-cell,或不同種類的細胞如 fibroblast、BMDC、以及上皮細胞等),並查看這些細胞的基因表現是否有著明顯的差異。他們的研究標的是不同研究團隊定序出來的 single-cell RNASeq 資料。

簡單來說,他們希望將許多人體內不同種類細胞的 RNASeq 資料透過類神經網路處理後,能夠過濾雜訊,留下最清楚的基因表現訊號。其最終目的當然是透過分群演算法視覺化看出每種細胞的區別

舉例來說,在論文的圖中,我們可以看到不同的人類細胞在經過類神經網路處理後,能夠有著最大化的分群效果;而且群與群之間大致上距離都相當遠,顯示出基因的表現量的確會隨著細胞的不同而不同。

不同細胞的基因表現差異視覺化。圖片取自:Nucleic Acids Research 論文3

在同一項研究中,研究人員也發現如果小心地設計類神經網路架構,並將其與生物意義結合的話,將能達到最好的效果。這裡說的與生物意義結合的意思,指的是在設計的類神經網路層級中考慮到生物網路的數量以及結構。

他們首先算出這些基因表現量資料,並將資料建成 protein-protein interaction (PPI) 與 protein-DNA interaction (PDI) 的網路系統,並找出裡面總共有 348 個彼此之間有關聯的子網路;而就在找出「348」這個神奇數字後,研究人員就將類神經網路的隱藏層設計成兩層,且各有著 348 個神經元節點,分別代表這 348 組 PPI 與PDI 子網路。他們發現這樣子的類神經網路設計將能達到最理想的分群效果。

好的。到底我之所以鋪了類神經網路和生物意義這些梗要幹嘛呢?當然最主要的目的就是要說明 2018 年 Nature Methods的論文1 到底在講什麼。這篇論文雖然也是走類神經網路路線,但是他們網路的設計相當極端:完全按照生物的代謝途徑 (metabolic pathway) 來設計神經元的分佈(作者群在另一篇論文中提到他們就是受到這一篇 Nucleic AcidsResearch 的論文啟發而設計出這種奇妙的架構的)。

換句話說,這篇系統生物學的論文設計的類神經網路事實上已經不太有傳統的「隱藏層」的概念,而是完全按照代謝途徑連結人工神經元。透過這個方法,他們的類神經網路中總共包含了酵母菌的 2526 個子網路系統,分別代表不同的細胞代謝途徑。在經過訓練與比較後,這個經過特殊設計的網路結構可以準確地透過不同的基因表現預測酵母菌的細胞生長,並且預測的準確率比傳統數層緊密連結的類神經網路還要好上許多。

神秘的黑盒子,「類神經網路」是怎麼運作的?

在類神經網路的世界中,常常會聽到一個說法:以類神經網路為基礎架構的人工智慧預測模型是「黑盒子  (black box)」。這裡的黑盒子當然不是飛機出事後可以撿回來分析的那個,而是無法打開無法分析而且完全不曉得裡面到底在幹嘛的系統。為什麼會有這種說法呢?一切都要從類神經網路模型是如何訓練的開始講起。

黑盒子系統就像骰骰子一樣,即使知道力學原理,我們還是無法得知骰盅內部到底發生了什麼?圖/pixabay

在類神經網路的世界中,每一個神經元可以接收來自數十甚至數百個神經元的訊號,並且可以傳送訊號給數十到數百個其他神經元。這種連接方式讓類神經網路的參數異常地多,且輕易就可以上到百萬千萬甚至億這種等級。我再次拿 ALVINN,那台 1989 年的無人車來當例子好了。

ALVINN 的輸入層有 1216 個神經元節點,中間的隱藏層有 29 個神經元,而輸出層有 45個神經元。這個相對來說架構非常簡單的類神經網路的參數就有 1216 X 29 X 45 = 1586880 個參數要考慮了,更別提其他
更複雜的深度學習類神經網路模型了。

事實上,參數數量多還在其次,真正的關鍵在於類神經網路的訓練方式。在訓練類神經網路時,我們往往會做以下兩件事:

  1. 『 隨機』初始化類神經網路中的『所有』參數
  2. 隨著每個樣本的預測對錯微調所有的參數

我來用實際生活案例舉個例子好了。假設你要登一座山,目標是山頂。這座山每個地方的地型都完全不一樣。所以從 A 點上山和從不一樣的 B 點或 C 點上山的路都不盡相同。假設隨機把你放在這座山邊的某一點,要你朝著山頂為目標前進。這時候你的每一步就都會是在「那個當下」最佳的往山頂路線。所以從不同的點上山路線就有可能會差異極大,雖然最後都能到山頂就是了。

類神經網路的黑盒子,就是來自這個初始化與細微調整。因為參數太多,而且微調整的方式會隨著初始位置的不同而不同,所以一個調整好的類神經網路雖然可以達到不錯的預測成果,但是幾乎沒有人知道為什麼能夠達到這個預測效果。

  • 題外話,這個議題已經受到機器學習以及人工智慧界的重視了。許多人都在想辦法解開這個「黑盒子之謎」5, 6, 7

再舉個例子。每個人的大腦會隨著發育環境的不同而有著不同的發展軌跡,所以幾乎沒有兩個人的大腦神經連結方式是完全相同的。雖然每個人都知道蘋果可以吃,或者是被打會痛;但是發展出這個知識的「神經元連結」則有可能每個人都不一樣。

參數設定越明確,越能解開「黑箱作業」!

回到主題。在前一段落提到的:完全按照代謝途徑建構的類神經網路,和其他網路系統不同的是,它有著「解開黑盒子」的效果呢。

這是因為這套「酵母菌的類神經網路預測模型」是完全按照「生物的代謝途徑」來連結的,所以雖然每個參數還是會因為類神經網路訓練過程而有所不同,但是我們可以得知某個神經元的總輸入參數值,也就是這個神經元的活化 (activation;中國翻成『激活』) 程度。只要將預測過程中每個神經元被活化的程度彼此比較,就能夠得知那個神經元扮演著最重要的角色;而這個神經元也就會是整個代謝途徑中最關鍵的基因或是調控因子。

下列 a、b 兩圖中皆可在這個類神經網路中,不同的基因活化後將會趨動不同的細胞反應,如 a 圖的 PMT1 與 IRE1 兩條基因與細胞壁的組成與強度有關,而 b 圖則可見 ERV7 與 RAD57 與DNA 的修復有著密切關聯性。

(點圖放大):按照細胞代謝途徑建構的類神經網路系統模擬測試結果。圖/參考文獻 1 ,Figure 3a 與 3d。

回到系統生物學,這套系統之所以對系統生物學的研究很有幫助的原因,在於它是一個可模擬生物在輸入各種訊號(如食物或環境刺激)後,將整個生物代謝途徑中最關鍵的基因標示出來的系統。礙於篇幅沒辦法將所有的元件講的非常清楚(比如說類神經網路本身就有一大堆參數要設定,然後訓練時也往往要扯到方程式微分模型之類的),只是很概略地將最大方向的概念用各種例子來說明。希望各位在讀完這個系列後能夠對何謂類神經網路有著最基本的認知,也能大致理解為什麼類神經網路會被詬病為「黑盒子」的原因。

參考文獻

  1. Ma et al., “Using deep learning to model the hierarchical structure and function of a cell”, Nature Methods, 15:290–298, 2018.
  2.  Pomerleau D., “ALVINN: an autonomous land vehicle in a neural network”, Advances in Neural Information Processing Systems 1, pp. 305-313, 1989.
  3. Lin et al., “Using neural networks for reducing the dimensions of single-cell RNA-Seq data”, Nucleic Acids Research, 45(17):e156, 2017.
  4. Yu et al., “Visible Machine Learning for Biomedicine”, Cell, 173(7):1562-1565, 2018.
  5. Knight W., “The Dark Secret at the Heart of AI”, MIT Technology Review,2017.
  6. Wisdom D., “Deciphering The Black Box of AI”, Medium, 2018.
  7. Castelvecchi D., “Can we open the black box of AI?”, Nature 538:20-23, 2016.

文章難易度
MiTalk
10 篇文章 ・ 5 位粉絲
MiTalk 由一群微生物領域的科學家組成,希望能讓更多人喜歡上這些有趣的小生物。MiTalkzine 是我們推出的免費電子科普雜誌,歡迎訂閱

1

2
0

文字

分享

1
2
0
金魚的記憶才不只 7 秒!記憶力怎麼回事?好想要超大記憶容量
鳥苷三磷酸 (PanSci Promo)_96
・2022/12/01 ・2720字 ・閱讀時間約 5 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

本文由 美光科技 委託,泛科學企劃執行。

你是不是也有過這樣的經驗?本來想上樓到房間拿個東西,進到房間之後卻忘了上樓的原因,還完全想不起來;到超巿想著要買三四樣東西回家,最後只記得其中兩樣,結果還把重要的一樣給漏了;手機 Line 群組裡發的訊息,看過一轉身回頭做事轉眼就忘了。

發生這種情況,是不是覺得很懊惱:明明才想好要幹嘛,才不過幾秒鐘的時間就全部忘記了?吼呦!我根本是金魚腦袋嘛!記憶力到底是怎麼回事啊?要是能擁有更好的記憶力就好了!

明明才想好要幹嘛,一轉眼卻又都忘記了。 圖/GIPHY

金魚的記憶才不只 7 秒!

忘東忘西,我是金魚腦?!無辜地的金魚躺著也中槍!被網路流傳的「魚只有 7 秒記憶」的說法牽累,老是被拖下水,被貼上「記憶力不好、健忘」的標籤,金魚恐怕要大大地舉「鰭」抗議了!魚的記憶只有 7 秒嗎?

根據研究顯示,魚類的記憶可以保持一到三個月,某些洄游的魚類都還記得小時候住過的地方的氣味,甚至記憶力可以維持到好幾年,相當於他們的一輩子。

還有科學家發現斑馬魚在經過訓練之後,可以很快學會如何走迷宮,根據聲音信號尋找食物。但是當牠們壓力過大時會記不住東西,注意力分散也會降低學習效率,而且記憶力也會隨著衰老而逐漸衰退。如此看來,斑馬魚的記憶特點是不是跟人類有相似之處。

記憶力到底是怎麼回事?

為什麼魚會有記憶?為什麼人會有記憶?記憶力跟腦袋好不好、聰不聰明有關係嗎?這個就要探究記憶歷程的形成源頭了。

依照訊息處理的過程,外界的訊息經由我們的感覺受器(個體感官)接收到此訊息刺激形成神經電位後,被大腦轉譯成可以被前額葉解讀的資訊,最終會在我們的前額葉進行處理,如果前額處理後認為是有意義的內容就有可能被記住。

在問記憶好不好之前,先了解記憶形成的過程。圖/GIPHY

根據英國神經心理學家巴德利 Alan Baddeley 提出的工作記憶模式,前額葉處理資訊的能力稱為「短期工作記憶」,而處理完有意義、能被記住的內容則是「長期記憶」。

你可能會好奇「那記憶能被延長嗎」?只要透過反覆背誦、重覆操作等練習,我們就有機會將短期記憶轉化為長期記憶了。

要是能有超大記憶容量就好了!

比如當我們在接聽客戶電話時,對方報出電話號碼、交辦待辦事項,從接收訊息、形成短暫記憶到資訊篩選方便後續處理,整個大腦記憶組織海馬迴區的運作,如果用電腦儲存區來類比,「短期記憶」就像隨機存取記憶體 RAM,能有效且短暫的儲存資訊,而「長期記憶」就是硬碟等儲存裝置。

從上一段記憶的形成過程,可以得出記憶與認知、注意力有關,甚至可以透過刻意練習、習慣養成和一些利用大腦特性的記憶法來輔助學習,並強化和延長記憶力。

雖然人的記憶可以被延長、認知可以被提高,但當日常生活和工作上,需要被運算處理以及被記憶理解的事物越來越多、越來越複雜,並且需要被快速、大量地提取使用時,那就不只是記憶力的問題,而是與資訊取用速度、條理梳理、記憶容量有關了!

日常生活中需要處理的事務越來越多,那就不只是記憶力的問題,而是有關記憶力容量的問題了……。圖/GIPHY

再加上短期記憶會隨著年齡增加明顯衰減,這時我們更需要借助一些外部「儲存裝置」來幫我們記住、保存更多更複雜的資訊!

美光推出高規格新一代快閃記憶體,滿足以數據為中心的工作負載

4K 影片、高清晰品質照片、大量數據、程式代碼、工作報告……在這個數據量大爆炸的時代,誰能解決消費者最大的儲存困擾,並滿足最快的資料存取速度,就能佔有這塊前景看好的市場!

全球第四大半導體公司—美光科技又領先群雄一步!除了推出 232 層 3D NAND 外,業界先進的 1α DRAM 製程節點可是正港 MIT,在台灣一條龍進行研發、製造、封裝。日前更宣布推出業界最先進的 1β DRAM,並預計明年於台灣量產喔! 

美光不久前宣布量產具備業界多層數、高儲存密度、高性能且小尺寸的 232 層 3D NAND Flash,能提供從終端使用者到雲端間大部分數據密集型應用最佳支援。 

美光技術與產品執行副總裁 Scott DeBoer 表示,美光 232 層 3D NAND Flash 快閃記憶體為儲存裝置創新的分水嶺,涵蓋諸多層面創新,像是使用最新六平面技術,讓高達 232 層的 3D NAND 就像立體停車場,能多層垂直堆疊記憶體顆粒,解決 2D NAND 快閃記憶體帶來的限制;如同一個收納達人,能在最小的空間裡,收納最多的東西。

藉由提高密度,縮小封裝尺寸,美光 232 層 3D NAND 只要 1.1 x 1.3 的大小,就能把資料盡收其中。此外,美光 232 層 NAND 存取速度達業界最快的 2.4GB/s,搭配每個平面數條獨立字元線,好比六層樓高的高速公路又擁有多條獨立運行的車道,能緩解雍塞,減少讀寫壽命間的衝突,提高系統服務品質。

結語

等真正能在大腦植入像伊隆‧馬斯克提出的「Neuralink」腦機介面晶片,讓大腦與虛擬世界溝通,屆時世界對資訊讀取、儲存方式可能又會有所不同了。

但在這之前,我們可以更靈活地的運用現有的電腦設備,搭配高密度、高性能、小尺寸的美光 232 層 NAND 來協助、應付日常生活上多功需求和高效能作業。

快搜尋美光官方網站,了解業界最先進的技術,並追蹤美光Facebook粉絲專頁獲取最新消息吧!

參考資料

  1. https://pansci.asia/archives/101764
  2. 短期記憶與機制
  3. 感覺記憶、短期記憶、長期記憶  
  4. 注意力不集中?「利他能」真能提神變聰明嗎?

文章難易度
所有討論 1

1

1
1

文字

分享

1
1
1
葡萄酒變酸了?這可不能忍!巴斯德揪出「乳酸菌」,成功拯救法國的釀酒業──《厲害了,我的生物》
聚光文創_96
・2022/09/12 ・2154字 ・閱讀時間約 4 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

國安危機!為什麼葡萄酒變酸了?

在上一集中,我們聊到了十七世紀,荷蘭科學家 aka 手作達人雷文霍克,以他那充滿手工溫度的兩百五十臺顯微鏡,以及一百七十二塊鏡片,為世人展示了「微型動物」(微生物)的世界。

然而在雷文霍克之後,除了斯巴蘭札尼神父曾經投以關愛的眼神,做了一些相關的實驗與研究,微生物似乎逐漸被眾人遺忘。

一直到微生物學的奠基者,巴斯德(Louis Pasteur)的出現,微生物的存在終於開始閃閃發光。一開始,巴斯德是打算進行「自然發生說」的相關實驗,沒想到,一個可能動搖國本的問題卻找上了他。

巴斯德(Louis Pasteur)被譽為微生物學的奠基者,也是研發出狂犬病疫苗的科學家。圖/Wikipedia

在浪漫優雅的法國,飲酒文化與釀酒事業同樣歷史悠久,然而,當時的酒商與釀酒廠負責人卻天天急得跳腳,一點也浪漫不起來。

原來,釀酒這門手藝太過精細,只要一不小心,酒廠生產的酒很可能就會酸化變質,不僅造成商譽與營運的巨大損失,也會影響市場供應的穩定性。

生活不能缺少微醺的感覺,釀酒業的危機,簡直就是國安危機,巴斯德義無反顧的決定伸出援手。

於是,巴斯德拿出科學家的精神,仔細研究了整個釀酒過程,收集、觀察製程中,不同時間的發酵液,並且分析、比較這些酒液的不同。

經過一次一次的培養與試驗,巴斯德終於發現,在顯微鏡下,正常的發酵液中,有一種形狀圓圓的球體小生物(也就是酵母菌);而那些發酵失敗、變酸的酒液中,則可以看見一種又細又長的桿狀小生物(乳酸菌是也)。

乳酸菌平常也許是不錯的東西,但要是跑到酒裡面可就不好了。圖/envatoelements

抓出讓酒精變質的小小兇手

一八五七年八月,巴斯德發表了他的研究成果,這篇論文,可以說是現代微生物學的開山之作。論文中指出,發酵,是涉及某些特定的細菌、黴菌、酵母菌等微生物的活動。

這些研究不僅拯救了釀酒業,也影響著食品業與醫藥產業。當時的科學界一度認為,發酵與食物腐敗、傷口發炎等現象,是可以畫上等號的,因此啟發了一名外科醫師的抗菌革命之路(這段故事我們後面再聊,先賣個關子)。

回到釀酒業的危機處理之上,雖然揪出了讓酒變酸的凶手,但巴斯德的工作還沒有完成,還得找出一勞永逸的方法,才算是功德圓滿。

經過一番苦思冥想,巴斯德最後採用的是加熱滅菌法,這種方法,如今也被稱為「巴斯德消毒法」(pasteurization)。

我們都知道,加熱是個有效的滅菌方式,巴斯德將釀好的酒,短暫、而且小心翼翼的加熱,直到攝氏五十至六十度,藉此殺死那些可能讓酒變質的細菌。如此一來,不僅能讓酒長斯保存,也不會犧牲酒的口感,是不是很讚!

感謝巴斯德讓我們今天能喝到沒有壞掉的酒。圖/聚光文創

陷入絕境的養蠶業:蠶寶寶為什麼會生病?

感謝飛天小女警,啊不,是巴斯德的努力,一天又平安的過去了,釀酒業終於恢復了平靜。然而,一八六五年,法國農村再次遭遇危機。

雍容華貴的絲綢,是廣受貴族喜愛的高級布料,養蠶、攪絲、織布,也是當時法國農村的一大主力產業。沒想到,一種傳播快速、並且容易致死的疾病,卻在蠶寶寶界蔓延開來,蠶農們對此束手無策,養蠶業因此陷入絕境。

在昔日師長的建議之下,巴斯德決定投身於蠶病研究,為蠶寶寶尋得一線生機。

在此之前,他並沒有養過蠶,也缺乏相關知識。於是他動身前往法國南部,花了五年的時間,在第一線的蠶病疫區進行研究。

透過顯微鏡,巴斯德在病蠶的身體裡,發現了一些微小的病原體。

不曉得大家小時候有沒有養過蠶寶寶呢?圖/envatoelements

同樣的,溯源之後還得找出根治方法,巴斯德除了研究鑑定方法,以幫助蠶農辨認染病的蠶寶寶之外,也建議蠶農對病蠶進行隔離。

篩檢與隔離,加上選擇性育種與提高蠶群的清潔度,巴斯德提出的「蠶界防疫新生活」,不但拯救了無數蠶寶寶的性命,也讓瀕臨崩潰的法國絲綢獲得喘息。

在釀酒業與養蠶業分別取得成功之後,巴斯德於是將目光從經濟產業轉向醫療產業。

這些肉眼看不見的微生物,既然可能讓酒變酸,也可能讓蠶生病,是不是也可能引發人類的疾病?如果真是如此,只要知道如何躲避生物的攻擊,或許就能增加戰勝疾病的可能性。

大家努力待在家防疫的時候也別忘了記得動一動。圖/聚光文創

──本文摘自《厲害了,我的生物》,2022 年 9 月,聚光文創,未經同意請勿轉載。

所有討論 1
聚光文創_96
6 篇文章 ・ 2 位粉絲
據說三人出版社就算得上中型規模,也許是島嶼南方太過溫暖,我們對出版業的寒冬始終抱持著浪漫與天真。 作者們說,出版市場很艱困,但我們依然想在翻譯領軍的文學市場中,為本土的作者、原創故事發聲。 喜歡做為升學孩子減輕壓力的書,不要厚重百科類型、沒有艱澀的專有名詞,很多重大發現的背後故事更值得我們好好品味。

0

5
1

文字

分享

0
5
1
從「自動化」進化成「智動化」——智慧製造是半導體產業的未來趨勢
鳥苷三磷酸 (PanSci Promo)_96
・2022/08/15 ・3611字 ・閱讀時間約 7 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

  • 文/曾繁安

台灣擁有傲視全球、成熟完整的半導體產業聚落,在世界科技領域中扮演舉足輕重的角色。這個國家的經濟命脈,經過全自動化的時代後,即將迎來另一次生產技術的大變革——智慧製造。

當訂單越來越多,人力卻不夠,半導體業者該怎麽辦?

半導體產業包含了矽晶圓[註]、相關化學品與氣體及導線架等封裝材料,其中又以晶圓厰為大宗,例如台積電便是全球規模最大的晶圓代工厰。素有「現代科技應用的大腦與心臟」之稱的半導體,是現代多數電子產品的核心單元,因為各項產品正是利用半導體電導率變化的特性來處理資訊。然而,目前半導體製造業卻面臨人力資源跟不上產量需求提高的挑戰。

晶圓是積體電路製程中的載體基片。圖/wikimedia

一般半導體廠場域面積大,人力短缺使企業面臨管理人手吃緊,再加上人員進出無塵室的過程繁瑣耗時,也是另一大負擔。與此同時,在廠內儀器參數比對和規劃生產計劃上,傳統人力也可能有出現誤差的風險。疫情時代也促成在宅經濟和 5G 應用的高速發展,各領域對晶片的需求大增,造成半導體產業出現產量需求高,但人力短缺的現象。

因此對不少業者而言,可有效緩解人力不足、大幅提升作業效率的數位轉型(Digital Transformation),可謂勢在必行。

從「自動化」升級到「智動化」的智慧製造

那半導體產業的數位轉型,該怎麽做?所謂數位轉型,不僅僅只是將資料或作業數位化,還包括導入人工智慧(Artificial Intelligence,簡稱 AI)與數位科技,來改變企業的整個營運生產模式。AI 指的是電腦程式可模擬人類思維過程的能力,而在 AI 概念下的機器學習(Machine Learning,簡稱 ML),即為機器可以根據已收集的大量數據,經由建立模型對新數據進行推測,學習找出最佳解、改善效能

結合 ML 的製造執行系統,需搭配裝置在工廠各處的多個傳感器(Sensor),來收集與回傳各樣的生產數據。它們與工廠設備的相互連接,即是運用了物聯網(Internet of Things)的技術。有賴於 5G 科技的發展,數據可以達成高速率傳輸與低延遲,使得機器與機器之間可以達成溝通,在整合分析各方數據資訊後,有效率地完成各種指令操作,可以比自動化製造系統,更進一步為人類代勞工廠運作的大小事務。

舉例來説,當工廠的生產過程出現問題,自動化系統只會跳出異常通知,還是需要仰賴人員來進行手動排除;但換作應用 ML 系統的話,便可透過自我學習,來自動調整製作流程以解除異常狀況,無需人力介入便可自主解決,提升良率,達成「智動化」智慧製造(Smart Manufacturing)的最終目的。

機器可以根據已收集的大量數據,經由建立模型對新數據進行推測,學習找出最佳解、改善效能。 圖/elements

懂得精益求精、提高品質產量的智慧工廠

一座運用智慧製造的半導體工厰,不但能自主克服製程中的疑難雜症,更能幫助提高晶圓的產量品質。在研發方面,AI 可以協助理解高複雜、高維度的製程開發挑戰,也可與 ML 軟體分析感測資料和檢測影響,進行品質管理與缺陷檢查。

此外,數據治理和數位分身,也是智慧製造的關鍵策略。對企業整體的數據進行管理和控制以提高數據的價值將因為數據產生的成本風險降到最低,是數據治理(Data Governance)的核心精神。

在兼顧資訊安全下,數據治理的體系能使跨部門間的數據共享更為方便暢通。輔以 AI 及 ML 的運算,便可以使業務部門的客戶需求、供應鏈管理等資料,與工廠生產部門的設備控制與品管等流程,有更迅速緊密的配合,規劃好合適的未來生產計劃,指導人員進行相關作業。

如同我們可以在電玩游戲或社交媒體上,按照自己的個人形象,來打造自己的虛擬化身,工厰也能藉助現今的科技,來為產品的物理實體,在資訊化平臺或系統的虛擬空間中,打造一個類比實物數位分身(Digital Twin)

數位分身模型之概念圖。圖/wikimedia

數位分身也是物聯網的應用之一,半導體廠中,由傳感器所收集到的晶圓製造數據,在 AI、ML 和軟體分析的協助下被整合,對映成數位空間中「雙胞胎」的存在。這位孿生兄弟不僅能夠隨物理實體的變化而即時做出相應變化,還可以提供無法在實體產品上測試計算的數據。

理想情況下,數位分身可以經由機器學習,分析過去的歷史資料或多重來源的數據,來推估實體的未來情境。因此在危機或異常事件發生前,業者便可預先進行預測性的設備維護與產品的良率分析,比起傳統人力的判斷更加精確,降低技術風險,大大提高生產效率。

工業 4.0 浪潮來襲,智慧製造是產業未來趨勢

運用通訊科技、資料庫和電腦系統達成全自動化生產,已不是新鮮事,如今人類社會正迎來第四次工業革命的新一波浪潮。主打網絡與機械相互連接的核心精神,導入人工智慧、機器學習、物聯網感測與大數據分析等人機協作的智慧製造,是因應多變市場需求的時下趨勢。

在半導體領域中,企業龍頭台積電可説是數位轉型的成功案例,從二十年前的全自動化製造系統,如今致力於打造組織內部友善 AI 的工作環境,努力向智慧製造全面轉型。數位轉型的技術支援不能沒有半導體產業製造的晶片,而如今數位轉型也有望帶領半導體產業突破產能吃緊、人才短缺的困境,走向智慧製造的新紀元。

以台灣在地企業的智慧製造覆蓋率而言,就已在短短 6 年內成長 50%。舉全台最大的國際半導體展 SEMICON Taiwan 為例,智慧製造相關的展商在近六年內的成長幅度也同樣攀升了 50%。

今年高科技智慧製造特展將以歷年最大規模之姿登場,與全台最大半導體盛宴 SEMICON Taiwan 2022 國際半導體展同期同地舉辦,匯集橫跨高科技製造業智慧製造解決方案業者、系統整合、軟硬體商及智慧製造需求端業者,如盟立自動化、倍福自動化、家登精密、攝揚企業、日商 JEL 等不容錯過。

今年高科技智慧製造特展將以歷年最大規模之姿登場,與全台最大半導體盛宴 SEMICON Taiwan 2022 國際半導體展同期同地舉辦。圖/SEMI

因應疫情下數位轉型成為全球企業的重要任務,今屆展覽中的「高科技智慧製造論壇」將由美光科技、 Lam Research、 Rockwell Automation、Siemens 等知名企業專家以人工智慧工廠為主軸,探討 GEC 技術藍圖,內容包含五個部分包含數據管理、智能分析、數位分身預測等重點實務經驗分享,從晶圓厰到設備製造商和解決方案提供者的角度,讓參與者得以探究 AI 智能工廠的前景和挑戰,跟上數位轉型的步伐。

除了智慧製造議題,展覽期間共有超過 20 場重磅級的國際趨勢論壇,豐富主題涵蓋先進製程、異質整合、化合物半導體、車用晶片、永續製造、半導體資安及人才。論壇將在今年 9 月 13 日率先開幕,展覽則於 9 月 14 日至 16 日於臺北南港展覽館一館盛大開場,規模創歷年新高,届時將有 700 間國內外指標性大廠共襄盛舉,現場將有 2,450 個攤位展出,完整串聯全球半導體供應鏈,目前展會參觀與論壇皆已開放報名,參與席次有限,有興趣者趕快手刀至官網報名起來!

註:晶圓(Wafer)是半導體晶體圓形的簡稱,是從半導體材料如最常見的矽,經過拉製、提煉等一系列處理過程,製成的圓柱狀半導體晶體經過切片、抛光而來。這些圓形薄切片被用於積體電路製程中的載體基片,也可用來製作太陽能電池。

參考資料

  1. 半導體是什麼?晶片產業一次看懂
  2. About SEMI Smart Manufacturing initiative
  3. 【獨家披露】台積電數位轉型的下一步,靠AI推動全面轉型(上
  4. 【獨家披露】台積電數位轉型的下一步,靠AI推動全面轉型(下)
  5. 泛科學:每分鐘 15 次的駭客攻擊,5G 世代的臺灣資安挑戰——資安所王仁甫策略總監專訪
  6. Data Governance – 臺灣人工智慧行動網
  7. 「數據治理」:人工智慧企業的基本功
  8. 科技大觀園:從全自動化製造邁向智慧製造
  9. 聯剛科技股份有限公司
  10. 【新興領域:9月焦點8】數位分身(Digital Twin)技術發展趨勢與不同層次應用模式
  11. 半導體資安的新挑戰!後疫情時代,如何全面打造半導體供應鏈數位韌性
  12. 工業4.0大全,從淺到深一篇搞懂它!