データから学ぶニューラル
ルールで裏付けるシンボリック
ニューラルAIは、検査画像や製造データからパターンを学習します。シンボリックAIは、工程どうしの関係やルール、品質基準といった現場の知識を、明確なルールとして扱います。両方を組み合わせることで、根拠を説明でき、検討や管理もしやすい判断を支援します。
2つの知能を、1つの技術業務フローへ
ニューロシンボリックAIは、データに基づく学習と、明示的な知識表現を組み合わせます。半導体製造では、モデルの予測を、各工程に関係する技術知識や制約と結び付けることを目指します。
ニューラル：製造データから学ぶ
深層学習は、検査画像、センサー信号、その他の高次元な製造データに含まれるパターンを捉えることができます。
シンボリック：技術知識を表現する
オントロジー、工程間の関係、装置仕様、品質ルールは、推論やレビューに活用できる明示的な知識を提供します。
両者の統合：予測と制約を結び付ける
モデルの出力と技術知識を組み合わせ、整合性の確認、関連条件の特定、人によるレビューに向けた分析結果の提示を行います。
パターン認識から、根拠を踏まえた意思決定へ
ニューロシンボリックな手法は、製造知識を用いてAIの出力を解釈する必要がある場面に適しています。適用するルール、根拠、レビュー手順は、生産環境によって異なります。
品質基準を踏まえた欠陥分類
ニューラルモデルによる欠陥予測を、定義された欠陥カテゴリや検査基準と結び付けます。関連する画像の根拠と品質上の背景情報を提示し、技術者によるレビューを支援します。
4Mの変化を踏まえたドリフト調査
人・設備・材料・方法に関わる変化を調べます。監視結果と工程知識を組み合わせ、モデルの挙動や運用上の前提を見直す必要があるかを評価します。
知識に基づく技術分析
整理された工程の知識や過去の記録をもとに、AIの分析結果が現場で何を意味するのかを読み解きます。技術者が確認した判断や結果を蓄積し、次の分析に活かします。
技術知識を、AIの推論の一部に
ニューラルモデルは複雑なパターンの学習に有効ですが、予測だけで技術要件への適合が確認できるわけではありません。シンボリックな知識は、関連するルールや前提を明示し、より体系的な説明とレビューを支援します。システム全体としての検証は、引き続き不可欠です。
深層学習を単独で用いる場合
データから統計的なパターンを学習します。分野固有の制約、トレーサビリティ、レビュー手順には、一般に追加のシステム構成要素が必要です。運用条件が変わった場合の性能も評価する必要があります。
BFAIのニューロシンボリック・アプローチ
ニューラルモデルの予測を、半導体オントロジー、因果分析、定義された技術的制約と結び付けます。製造業務の流れの中で、追跡可能な分析結果、明確なレビュー基準、管理された意思決定を支援することを目指します。
この比較は、目指す統合アプローチを示したものです。トレーサビリティ、適用する制約、性能については、導入環境ごとに検証する必要があります。
ニューロシンボリックAIを支える連携
BFAIのプラットフォームは、モデル、構造化された知識、因果分析、ライフサイクル管理を組み合わせます。各構成要素が、統合された技術業務フローの異なる部分を支えます。
製造AIに構造化された推論を
検査や工程の業務フローへのニューロシンボリック手法の適用について、ご相談ください。