Tom's Hardware Italia
Storage

Hard disk Seagate senza difetti? Si può con Project Athena

Seagate ha parlato di Project Athena, la sua intelligenza artificiale per migliorare la produzione degli hard disk eliminando i difetti dalle testine.

Come produrre hard disk più rapidamente, in modo meno costoso ma assicurando un’alta qualità? Semplice, creando un’intelligenza artificiale. No, non è fantascienza, stiamo parlando di Project Athena, il sistema di deep learning che Seagate ha installato e messo all’opera a Normandale, Minnesota, dove nascono le testine di lettura e scrittura degli hard disk.

Secondo l’azienda, Project Athena garantisce una “riduzione fino al 20% in nuovi investimenti per le camere bianche richieste per la produzione” e “fino al 10% di ore spese nel processo di produzione. Athena ha una vasta gamma di applicazioni per tutti i nostri clienti che operano nel settore manifatturiero. È un primo passo significativo nella produzione intelligente e un esempio di Industria 4.0 che si sta concretizzando proprio ora”.

Seagate produce nei propri impianti oltre un miliardo di trasduttori ogni anno, che devono essere analizzati e testati per rilevare difetti produttivi. La loro progettazione parte da un materiale grezzo, essenzialmente un sottile substrato semiconduttore. Nel corso del processo litografico, il substrato diventa un wafer cristallino piatto e sottile. Il wafer, con ulteriore lavorazione, diventa un trasduttore – anche detto slider – una parte capace di leggere e scrivere dati sulla superficie dei piatti di registrazione.

Il processo di test è lungo, complesso e intensivo dal punto di vista manuale. Sono 100.000 gli slider in ogni wafer da 200mm che devono essere controllati. L’impianto di Normandale scatta ogni giorno milioni di immagini al microscopio, generando 10 TB di dati che devono essere analizzati per rilevare potenziali difetti produttivi prima che i wafer vengano assemblati nei dischi.

Dato l’enorme volume di trasduttori che necessita di analisi, è chiaro che gli ingegneri non possono testarli tutti. Di conseguenza a una prima ispezione di tanto in tanto possono sfuggire unità difettose, che poi vengono rilevate in seguito, con un aumento dei costi.

Seagate aveva quindi bisogno di un modo per controllare più foto in meno tempo. Assumere semplicemente più esperti di analisi delle immagini non sarebbe sufficiente e così ha pensato bene di introdurre dell’automazione nell’intero processo. Il primo passo è stato fare un’analisi delle immagini basata su regole. Questo approccio permetteva d’identificare alcune anomalie, purché il sistema sapesse cosa doveva cercare. Le regole dovevano essere stabilite manualmente, un processo non solo dispendioso in termini di tempo ma anche soggetto a una costante ottimizzazione.

Il sistema inoltre era lento da configurare, ottimizzare e produceva risultati variabili. Oltre ai falsi positivi, le regole potevano rilevare solo i difetti noti, impedendo così di rilevare con certezza i wafer fallati prima dell’assemblaggio in testine di lettura e scrittura. Ed è qui che è entrato in gioco Project Athena.

Il primo passo di Seagate è stato quello di costruire una deep neural network (DNN) in grado di generare maggiori informazioni per migliorare l’automazione e il rilevamento dei problemi sui trasduttori. Per mettere a punto la rete neurale Seagate ha usato GPU Tesla V100 e P4, mentre l’archiviazione si è affidata a una propria soluzione Nytro X 2U24.

Le immagini di wafer sono state poi date in pasto alla rete per allenare il sistema di IA a distinguere tra wafer buoni e cattivi. Athena impara nello stesso modo degli ingegneri umani – esaminando migliaia di fotografie. Grazie alla potenza di calcolo della DNN, Athena può però imparare più rapidamente e accuratamente.

Nel corso del tempo Athena ha acquisito la possibilità di rilevare potenziali difetti nel processo. L’assistente di intelligenza artificiale segnala immagini anomale per la valutazione manuale da parte di un esperto in materia. Athena è inoltre in grado di costruire e perfezionare le proprie regole in base alle anomalie rilevate nel corso dell’analisi.

Più importante, Athena accetta e analizza immagini generate dal microscopio elettronico in tempo reale. La DNN è in grado di processare ogni immagine non appena viene creata. Seagate adesso può processare 3 milioni di immagini generate ogni giorno e identificare piccolissimi difetti che sfuggirebbero all’occhio umano.

L’elaborazione in tempo reale consente inoltre ai team di identificare e correggere tempestivamente i problemi produttivi, minimizzando il loro impatto sul processo di produzione e sui costi. Secondo l’azienda, Project Athena non rimpiazzerà totalmente gli esperti umani, ma sarà un aiuto importantissimo. “Ci aspettiamo di installare Athena in tutti i nostri impianti produttivi a tempo debito“, ha affermato Jeffrey Nygaard, Executive Vice President of Operations, Products and Technology di Seagate.