希捷Athena项目，让智能制造从自动化迈向智能化

解决方案

该方案需要解决两大问题：每天需要处理的大量数据以及当前基于规则的分析系统存在的缺陷。传统的大数据程序是进行批量处理的，但这完全不适用于24×7×365运行的生产线。

第一步是建立一个具备提高自动化和传感器故障检测洞察能力的深度神经网络（DNN）。神经网络的构建采用Nvidia V100和P4 GPUs*以及希捷的高性能Nytro®X 2U24存储，以支持Athena的深度学习和人工智能系统。 接着，将晶圆图像输入深度神经网络，从而训练人工智能系统区分“合格”和“不合格”的晶圆。Athena的学习方式和人类工程师完全一样——查看成千上万张图片。但得益于深度神经网络的原始处理能力，Athena比人类学得更快、更精准。

一段时间后，Athena获得了分辨流程中潜在缺陷的能力。人工智能助手标记异常图像以供主题专家进行手动评估。Athena还可以基于图像分析操作过程中检测到的异常情况进行规则的建立和细化。

最为重要的是，Athena 可以对电子显微镜生成的图像进行实时接收和分析。深度神经网络能够在每张图片生成的同时进行处理。截至目前，希捷已实现了每天处理当天生成的300万张图像，并能够识别可能被人类工程师遗漏的微小缺陷。

实时处理有助于团队尽早识别和纠正制造中的问题。发现问题越及时，希捷就能越有效地降低其对生产流程和成本的影响。

未来

Athena项目擅长缺陷识别，但它不会也不能完全取代工厂专家。Athena项目的关键在于其为希捷的晶圆专家开拓了新的思路，纠正生产流程中的重大问题。

Athena为解决希捷工厂外的更多问题起到了示范作用。它能够以更迅捷、更高适应性以及更有意义的方式检测到异常，这种能力可以扩展应用到智能工厂之外的其他地方，并在公共安全、自动驾驶汽车和智能城市等各种领域证明其行之有效。

希捷执行副总裁兼运营、产品和技术主管Jeffrey Nygaard表示：“我们希望尽快将Athena 部署到我们所有的生产设施中。随着微型相机和物联网传感器成本的下降，类似的技术也可以应用于其他领域。这是智能制造领域重大革新的第一步，也可以扩展应用于我们其他工厂的基础架构。”

希捷的每个制造工具都包含至少30个传感器，它们每秒钟都会记录机器的健康状况和其他测量数据。生成的信息能够帮助更好地发现不合规操作。将数据输入Athena 深度神经网络，有助于更早地识别生产问题。这为采取积极防御措施进行修复和故障预防提供了机会。

Athena项目的受益人不仅限于希捷。类似的智能工厂技术可以部署到整个制造业，帮助希捷的客户享受到更多类似Athena 能够提供的优势。客户用例或许有所差异，但其基本原理——深度神经网络、人工智能和机器学习——是相同的。

客户需要可靠的技术平台部署人工智能项目，而希捷的解决方案能够满足这些需求。

边缘驱动

为了有效地开展工作，Athena项目需要进行大量的数据处理——为了快速检测到异常，每天要及时处理高达10TB的晶圆图像数据。

未来几年，全球数据创造量将会飙升，而Athena 的存在顺应了该趋势。根据希捷赞助、IDC发布的报告预测，到2025年，全球数据圈将增长至175ZB。

在这个数据密集的新世界中，对速度的需求亟待新的解决方案。边缘计算（Edge computing），作为Gartner 预测的2018年十大战略技术趋势之一是对延迟需求降低的回应，也是对实时处理的关键应用程序的回应。它让计算更靠近数据源，更迅捷地向最终用户交付服务。

如果数据能够在数据源附近得到处理，那么就可以在离最终用户更近的地方生成实时洞察，从而大大降低网络资源的负载并为潜在的新应用打开全新的局面。以这种模式，数据中心技术——计算和存储模式——都将更加接近网络边缘，为新一代应用程序开创机会。

对于Athena项目，在智能工厂处理数据本身就已经实现了生产异常的实时识别。