Machine Learning in the Semiconductor Industry

Interview mit Herrn Dr. Harald Kuhn von Infineon Technologies AG

Herr Dr. Harald Kuhn ist Director bei der Infineon Technologies AG.  Er leitet das Department „Automation and Equipment Technology“, welches kurz AET genannt wird. Auf mehr als 20 Jahre Erfahrung in der Entwicklung sowie der Halbleiterherstellung in den Bereichen Frontend, Backend und Test kann der gebürtige Würzburger nunmehr zurückblicken. Nach seinem Studium der Werkstoffwissenschaften bekleidete Harald Kuhn verschiedene Positionen im Management bei Infineon/Siemens. In seiner aktuellen Rolle ist er verantwortlich für BE Automatisierung sowie auch für das Design und den Bau von differenzierenden Anlagen. Er gilt heute als einer der Pioniere unter den Führungskräften für den Einsatz von Deep Learning.

Herr Dr. Kuhn, beschreiben Sie uns doch einmal kurz Ihren Aufgabenbereich.

Mein Department ist für die zwei großen Bereiche „Sonderanlagen“ und „Automatisierung“ bei Infineon verantwortlich. Diese Bereiche ergänzen sich sehr gut in den Kompetenzen, Methoden, Aufgabenstellungen und Innovationen. Durch die weltweite Verankerung an den Standorten kennen wir die jeweiligen Anforderungen. Das hilft uns Standards als auch Innovationen gezielt und flächendeckend implementieren zu können. 

Vor welchen Herausforderungen stehen Sie bei der Produktion von Halbleitern? Wie kann „Machine Learning“ zur Bewältigung dieser Herausforderungen beitragen?

Gesamt geht es darum die Produktivität und Qualität nachhaltig zu steigern. Dies kann nur gelingen, wenn wir unsere Produktionsanlagen die mit neuster Sensorik ausgestattet sind engmaschiger überwachen. Gleichzeitig müssen wir mit den erzeugten Daten treffsichere real-time Aussagen über den Zustand unserer Maschinen und Produkte machen können. Dazu benötigen wir ML-Algorithmen die steuernd eingreifen können, um den hohen Anforderungen der Produktion hinsichtlich Qualität und Durchsatz gerecht zu werden.

Welche Technologien und Methoden kommen dabei zum Einsatz?

Wir arbeiten mit der gesamten Bandbreite von unsupervised und supervised Methoden der künstlichen Intelligenz. Gerade die hohe Variabilität in unseren Prozessen und Produkten fordert schnelle und übergreifende Lösungen.  Damit so ein breites Spektrum unserer Produktion abgedeckt werden kann, setzen wir einen besonderen Fokus auf die unsupervised Methodiken und das Transfer-Learning. Dabei ist es uns auch wichtig, dass der Erkenntnisgewinn einzelner Methoden aufeinander aufbauen kann, um so die Entwicklung unserer Methoden zu beschleunigen. Natürlich benötigen wir dazu auch die entsprechenden Technologien, um die Algorithmen in der Produktion nutzen zu können.  Hierfür ist ein modularer Aufbau unserer Machine-Learning-Ansätze und die zuverlässige sowie schnelle Verarbeitung großer Datenmengen unerlässlich. Wir setzen dabei auf Technologien wie beispielsweise Hadoop. 

Mit welcher Erfolgsquote werden bei Ihnen Machine Learning Projekte umgesetzt? Woran scheitern Projekte und was sind Faktoren für den Erfolg?

Die Herausforderung ist die Umsetzung vom Use-Case zur produktiven Implementierung und somit zum Harvesting. Hierbei ist es wichtig von Beginn an die produktive Anwendung, den möglichen Benefit als auch eine Gesamtbetrachtung der Produktionskette im Blick zu haben. Der Fokus auf dem Transfer-Leraning kommt auch hier wieder zum Tragen, sodass wir uns bei jeder Entwicklung fragen, wie eine breite Anwendung dafür aussehen und wie zukünftige Use-Cases davon profitieren könnten. Herausforderungen sind im Allgemeinen die Datenqualität und Durchgängigkeit. Erfolgsfaktor ist Motivation und ein Team aus Anwender und AI-Experten als auch Management Guidance.

Wie sind Deep Learning Projekte organisatorisch umgesetzt? Zentralisieren Sie in einer Abteilung oder verteilen Sie Know-How integrativ in einer Abteilung?

Wir haben bewusst keine dedizierte AI-Abteilung bei Infineon, sondern AI-Teams in unterschiedlichen Abteilungen und Verantwortungsbereichen. Die DL-Experten arbeiten abteilungsübergreifend in einem Team zusammen und tauschen sich aus. So erreichen wir sowohl eine schnelle Lernkurve, als auch die Breite im Unternehmen. Beim Rollout wird die jeweilige aufnehmende Abteilung frühzeitig involviert, so dass aus einem push ein pull wird. 

Die Geister scheiden sich bei der Frage, ob die Automatisierung im produzierenden Gewerbe ein gesamtwirtschaftlicher und gesellschaftlicher Vor- oder Nachteil ist. Wie ist Ihre Meinung dazu und welche Rolle wird Data Science in der Zukunft spielen?

Automatisierung eröffnet uns die Möglichkeit in Europa und Deutschland Produktionen für den Weltmarkt attraktiv zu gestalten. Wichtig ist aber eine sachliche Bewertung vom Aufwand/Benefit, um jeweils den richtigen / vernünftigen Grad der Automatisierung umzusetzen. Aus meiner Sicht ist Automatisierung und Digitalisierung ein wichtiger integraler Bestandteil für den Wirtschaftsstandort Deutschland. Aus diesem Grund wünsche ich mir mehr Kooperationen aus unterschiedlichen Unternehmen/Bereichen um Automatisierung/Digitalisierung als Vorteil nutzen zu können.
Data Science wird dabei einen wichtigen Eckpfeiler darstellen, da wir so tiefe Informationen über die Produktion erhalten und die Automatisierungsbemühungen gezielt lenken können.

 


Dr. Harald Kuhn präsentiert am 14. November 2019, dem zweiten Tag der Data Leader Days 2019, über „Machine Learning in the Semiconductor Industry“.

Tickets für die Konferenz finden Sie auf der offiziellen Startseite, unter www.dataleaderdays.com.