光刻机也绕不过的人工智能，2021年有这五大趋势！

人工智能正在成为很多领域的专业化工具，不论是医疗、汽车、商业、金融还是前沿科技……就连光刻机这样绝对“卡脖子”的领域也不例外。

在纳米制造技术中，光刻是控制芯片大小的基本制作过程，这其中有一个非常关键的环节就是层与层之间的堆砌，一旦连接失败或是偏离预期，会严重影响产量甚至芯片质量。

全球光刻机领导者ASML为了改进半导体制造中的对准计量环节，开发出了基于机器学习的虚拟计量技术。通过在开发流程中引入机器学习和神经网络训练，能够利用校准计量数据，对每个晶圆的对准数据进行预估和测量，从而极大地降低了生产制造的风险。

ASML在该方案中应用了MATLAB软件建立并训练神经网络，通过神经网络模型从对齐计量中去预测对准计量。根据ASML一名工艺工程师反馈，他本人对神经网络和机器学习没有任何经验，MATLAB示例会帮助他寻找并确定生成虚拟计量的最佳机器学习函数。通过建立并训练模型，AI帮助他免去了重新收集数据、编写算法的过程，并完成了潜在的制造改进、降低了维护开销。

在千行百业都在拥抱AI的今天，设计、仿真与验证软件正在发生哪些变化？又有哪些趋势不可逆转？带着这些疑问，与非网采访MathWorks首席战略师Jim Tung，在他看来，2021年AI主要呈现五大趋势。



趋势一：AI会成为工程师和科学家的应用主流


正如开篇光刻机的应用案例所展示，构建基于AI的解决方案的工具，正在从数据科学家扩展到专业的工程人员。借助这些工具，工程师可以将AI驱动的功能和模型注入到应用程序中，而无需专业数据科学家的参与。

Jim Tung指出，AI系统越来越庞大，不可能一个工具完成所有事情，MATLAB、Simulink作为平台，可以融合更多工具，帮助用户更容易上手，完成AI相关项目或产品设计。目前，MathWorks提供了很多工具箱和相关的参考案例，例如激光雷达工具箱、预测性维护工具箱、无线工具箱、控制强化学习的工具箱等，还有针对自动驾驶的工具箱、虚拟道路仿真工具箱、以及无人机导航工具箱等细分方向的专用工具箱。

趋势二：AI正在成为跨学科、跨领域、跨平台的应用


“AI的实施，是开发、运营、部署的有机结合，传统上的开发运营模式通过与软件服务的无缝连接，正在实现系统化的升级，从而成为有机结合的整体系统”，Jim Tung表示。

MathWorks工具正在与开发/部署工作流中的行业标准技术和平台进行集成，MATLAB、Simulink主要集中在设计和测试阶段，以减少返工量；在具体的操作方面，也会支持新的部署系统类型，例如在嵌入式系统、边缘设备、IT/OT系统甚至云端等。从设计到部署，提供完整的解决方案，实现无缝连接。

阿特拉斯（Atlas）是全球知名的空调机公司，其高性能空调需要7*24小时工作。基于MathWorks的工具箱，阿特拉斯实现了全球超过12万台机器的联网以及全面的优化维护策略，目的就是实现这些设备的健康管理、维护，以及现场升级。通过MATLAB、Simulink，阿特拉斯实现了避免重复工作的标准化平台，使得整个产品系列的效率提高了10%。

趋势三：AI模型的可解释性和可视化进一步提高


高安全领域比如军工、航空航天、汽车等，对代码、系统的安全性要求比较高，一直以来，这些领域非常重视AI模型的可解释性，需要清晰了解模型每一层的主要特征，以及训练模型的网络所使用的特征。但是，AI模型的黑盒特性即不可解释性，一度阻碍了在这些高安全系统中的应用。

Jim Tung认为，通过可视化的方法可以帮助模型解释是如何以及为什么做出相应的决策，通过特征标识可以向用户、工程师或科学家展示是如何通过算法以及特征值被用来决定做出最后的决策。

MATLAB从R2017a版本，一直到最新的R2020b，专门针对模型可视化进行了升级，让科学家和工程师知道算法过程中的特殊参数值。其次，高安全性系统领域有很多行业标准，随着AI的发展，原有的方法对于新的AI、机器学习、深度学习算法等可能会有偏差，因此新的认证标准也非常关键，MathWorks正在和行业协会、组织等共同推动标准方面的建设。

趋势四：通过仿真合成数据可以改善AI数据集


数据对于AI的实施非常重要，并且往往是需要大量的数据。在一个AI项目中，第一步就是数据的准备，然后是数据的清洗、提取，通过数据特征值进行模型的训练，仿真和测试，最后才是部署。

但是，在现实应用中，极限工况的数据很难获取，需要耗费大量人力物力，甚至会对系统造成破坏。比如在油气行业，采油的液压泵一旦发生泄露损失非常大。如何预测它何时泄露？故障原因可能是什么？这方面的数据很难获取，但缺少就会影响算法的完整度。怎么办？

在这种情况下，就可以通过仿真罕见的系统故障来建立模型，在模型中提取极限工况的数据，然后将这些数据导入到AI模型训练的序列中，分析可能会有的故障因素，从而进行预测与维护、故障诊断等，最后部署到实际系统中，在现实世界中避免这些故障的发生。

此外，也可以仿真传感器数据，比如在自动驾驶汽车上所使用的激光雷达，价格非常昂贵，在系统测试过程中，同样难以在现场获取到极端工况的数据。通过仿真数据，导入到自动驾驶模型中，可以对自动驾驶系统进行分析。自动驾驶方面，MathWorks还推出新的RoadRunner工具箱，用来设计自动驾驶的3D场景，它可以方便快捷地搭建起道路、城市等外部环境，也可以和MATLAB、Simulink的算法相结合，实现对于自动驾驶的仿真和测试。

Jim Tung强调，单独的AI模型是没有意义的，因为最终要应用在整个系统中，所以评估也要放在整个系统中。在把AI算法模型集成到整个系统中时，要在转移硬件之前对它进行仿真，并且要充分验证有效性，完成和系统其它算法的整体测试，这些都是最关键的。例如在自动驾驶系统中，定位、路基规划、环境管理、互助算法等协同起来，才能保证车辆在任何情况下都能正常行驶。但这也意味着，基于模型的开发工作流必不可少，这样才能建立完整的仿真环境，快速实现产品开发。

在他展示的客户案例中，Denso Ten是丰田旗下的汽车电子主要供应商，致力于自动驾驶等前沿科技。Denso Ten正在越来越多地把基于深度学习的AI算法、模型融合到整个开发流程和模型中，以提高效率。MathWorks为其提供了深度学习工具箱、嵌入式代码生成器以及用于深度学习、ECU仿真/实现的Simulink。不过，一个鲜为人知的插曲是，该公司最初希望使用的是Python，但是在转换成可以应用于ECU的C代码时遇到问题，这导致它无法和其他基于模型开发的算法相结合，最终使用了MATLAB。

趋势五：AI模型将会被部署到更多低功耗、低成本的嵌入式设备中


自动化的代码生成工具深受业界欢迎，因为无需人工干预，可以根据特定领域的应用需求，通过算法生成不同类型的代码。不论是CPU、GPU、FPGA，可以将编码无误地部署到任何处理器中，大大降低了编程技能的门槛。

Jim Tung给出了一个嵌入式计算机视觉和机器学习算法方面的应用案例，IDNEO公司开发了用于解释血型结果的嵌入式计算机视觉和机器学习算法。由于医院的医护人员每天会大量抽血，包括血型的检测结果，很多需要进行比对。通过机器学习算法，实现了自动化地对工作人员所使用的视觉卡片进行解释，来确定患者血液抗原的分型。该公司使用MATLAB开发、测试和生成图像分析和机器学习算法的嵌入式代码，节省了代码生成时间，完成了额外迭代，可以快速部署到嵌入式系统中。

写在最后


人工智能在各行各业落地时，所面临的痛点需求千差万别。

消费电子企业会告诉你，在生产过程中不在乎最快的算法，而是最可靠、最稳定的算法；政府部门则关心“一个可持续维护的健壮的解决方案”；汽车行业反馈说，“我们努力与现实保持联系，将真实的系统和人工智能连接起来，这是最关键的挑战”； 航空航天的AI总监则表示，“如果可以组合来自多个供应商的工作流，那么这样的产品将会非常强大”……

面对千差万别的需求，设计、仿真、验证的软件工具能够发挥出什么样的价值？

细分到应用，深入到场景，MathWorks在帮助从业人员更快、更好地上手AI，并落地实际应用中。三大优势分别是：一是许多工程师、科学家早已熟悉MATLAB环境，它也提供强大的文档支持；二是MathWorks正在通过越来越多的MATLAB应用程序和工具箱，通过特定任务或工作流引导用户使用AI；三是MathWorks非常重视与流行的AI框架的互操作性，并推动AI部署到嵌入式、边缘和云端系统中。

『本文转载自网络,版权归原作者所有,如有侵权请联系删除』