[국가R&D연구보고서]제조검사장비 경량화를 위한 지능형 엣지컴퓨팅 반도체 개발 Development of Intelligent Edge Computing Semiconductor For Lightweight Manufacturing Inspection Equipment원문보기
보고서 정보
주관연구기관
(주)네패스
연구책임자
박연숙
참여연구자
장성준
,
정기석
보고서유형
최종보고서
발행국가
대한민국
언어
한국어
발행년월
2024-02
과제시작연도
2023
주관부처
과학기술정보통신부 Ministry of Science and ICT
연구관리전문기관
정보통신기획평가원 Institute of Information&Communications Technology Planning&Evaluation
□ 연구개발 목표 및 내용 ◎ 최종 목표 o 최종목표 - 경량 제조검사장비 내장을 위한 지능형 엣지컴퓨팅 반도체 개발
o 과제 최종 목표 결과물 ① 딥러닝 가속 H/W IP 통합 제조검사 특화 지능형 SoC/반도체 및 SDK ② 고정밀 제조검사용 최적 딥러닝 아키텍처(모델) 및 학습 S/W ③ 딥러닝 모델 자동 경량화 S/W 및 초경량 제조검사용 딥러닝 모델 ④ 제조검사용(예, 불량검출) 대규모 딥러닝 학습/평가 데이터베이스
o 과제 주요 목표 성능
◎ 전체
□ 연구개발 목표 및 내용 ◎ 최종 목표 o 최종목표 - 경량 제조검사장비 내장을 위한 지능형 엣지컴퓨팅 반도체 개발
o 과제 최종 목표 결과물 ① 딥러닝 가속 H/W IP 통합 제조검사 특화 지능형 SoC/반도체 및 SDK ② 고정밀 제조검사용 최적 딥러닝 아키텍처(모델) 및 학습 S/W ③ 딥러닝 모델 자동 경량화 S/W 및 초경량 제조검사용 딥러닝 모델 ④ 제조검사용(예, 불량검출) 대규모 딥러닝 학습/평가 데이터베이스
o 과제 주요 목표 성능
◎ 전체 내용 o 연구개발 목적 제조검사용 지능형 엣지컴퓨팅 반도체 개발을 통해 기존 PC/워크스테이션 기반의 고가/대형/고전력 제조검사시스템의 초경량화/소형화/저전력화 및 저가화
o 주요 연구개발 내용
① 딥러닝 가속 H/W IP 고도화 개발 - 다양한 딥러닝 모델/아키텍처 구동 위한 (기 보유) IP의 수정 설계/검증 - 딥러닝 모델/아키텍처 변경/재구성을 위한 IP의 수정 설계/검증 - 병렬처리 및 파이프라인 동작 최대화를 위한 아키텍처 고도화 - 데이터 재사용율 극대화를 위한 메모리 계층/아키텍처 최적화 - 병렬 연산처리 유닛의 Utilization 극대화를 위한 스케줄링 최적화 - 딥러닝 가속 H/W IP 아키텍처 탐색을 위한 시뮬레이터 개발 - 제조검사용 특화 딥러닝 모델의 IP 반영 설계/검증 - RTL 코드 개발/검증 및 Timing 향상을 위한 Path Optimization
② 제조검사용 최적 딥러닝 모델(아키텍처) 개발 - 다양한 모델(네트워크) 아키텍처 탐색 및 성능 검증 - 딥러닝 Hyper Parameter 최적화 학습 및 성능 검증 - 정확도 향상을 위한 최적 손실함수(Loss Function) 탐색 - 학습 데이터 증강(Augmentation) 기반 학습 정확도 향상
③ 딥러닝 모델 자동 경량화 S/W Framework 및 초경량 제조검사용 모델 개발 - Knowledge Distillation 기법 기반 경량화 Framework 개발 - 최적 네트워크 Pruning 기법 연구 및 경량화 Framework 개발 - 커널/활성화 데이터의 최적 양자화 기법 연구 및 경량화 Framework 개발 - 경량화 기술 통합 자동화 S/W Framework 개발 - 제조검사용 대규모 학습 데이터셋 및 자동 경량화 S/W Framework 기반 초경량/고정밀 제조검사용 딥러닝 모델 개발
④ 통합(딥러닝 가속 H/W IP + 초경량 제조검사용 딥러닝 모델) SoC 및 SDK 개발 - 제조검사 전용/특화 SoC 구조 개발/검증 - 딥러닝 가속 H/W IP 통합 SoC 개발/검증 - 딥러닝 가속 H/W IP 및 딥러닝 모델 구동을 위한 SDK 개발/검증 - 반도체 개발 및 검증(Front/Back-End 설계/검증) - 반도체 활용을 위한 RDK(Reference Design Kit) 개발
⑤ 제조검사용(불량검출) 대규모 딥러닝 학습/평가 데이터베이스 개발 - 학습 데이터 자동/고속 취득 환경 구축 - 학습 정확도 향상을 위한 Annotation 기술 개발
⑥ 개발 결과물의 제조라인 검사장비 실장 테스트 - 주관기관-㈜네패스 제조라인에서 반도체 제조 불량 검출 자동화 시스템 개발에 결과물(반도체/RDK) 적용/테스트
o 연구개발 추진체계 (산·학·연 공동/협력 개발 추진)
- 주관기관 : 인공지능 비즈니스 모델/로드맵 보유 팹리스 기업 : 자사 제조 라인/공장 보유 제조 기업(개발 결과물 적용 및 학습 데이터 취득 가능/용이)
- 공동연구기관 (인공지능반도체 핵심기술 보유 기관) : [연구소] 딥러닝 연산 가속 H/W IP 보유 기관 : [대학] 딥러닝 네트워크 모델(아키텍처) 설계/최적화 기술 및 S/W 보유 기관
- 공동/협력 개발 추진 : 공동연구기관은 딥러닝 학습 데이터베이스 및 SoC 플랫폼을 주관기관으로 부터 제공받아 제조검사용 최적/초경량 딥러닝 모델과 딥러닝 가속 H/W IP를 고도화 개발 : 이를 주관기관에서 통합하여 반도체/SDK/RDK를 개발하여 자사 제조라인에 선적용하여 검증하고 추후 고객사로 확대 적용
□ 연구개발성과 o 연구개발성과 (성과1) 딥러닝 가속 H/W IP 통합 제조검사 특화 지능형 SoC/반도체 개발 ● 개발 내용 - 딥러닝 가속 H/W IP 설계 및 검증 - 제조검사 특화 SoC 아키텍처 설계 및 검증 - 지능형 SoC/반도체 제작 및 테스트 - SDK 개발 ● 주요 결과 - 딥러닝 가속 H/W IP 전력효율 : 1.4TOPS/W 이상 - 제조검사 특화 SoC 아키텍처 : 딥러닝 모델 실행 속도 향상 - 지능형 SoC/반도체 : Standalone type으로 모듈 양산 단가 감소 - SDK : 다양한 제조검사 환경에 대한 지원, 사용자 편의성 향상
(성과2) 고정밀 제조검사용 최적 딥러닝 아키텍처(모델) 및 학습 S/W 개발 ● 개발 내용 - 고정밀 제조검사용 최적 딥러닝 아키텍처 연구 - 대규모 제조검사 데이터 기반 딥러닝 모델 학습 - 학습 S/W 개발 ● 주요 결과 - 고정밀 제조검사용 최적 딥러닝 아키텍처 : 불량 검출 정확도 97.3% 이상 달성 - 대규모 제조검사 데이터 기반 딥러닝 모델 : 20만장 이상의 데이터 활용 학습 - 학습 S/W : 자동 학습 기능, 사용자 편의성 향상
(성과3) 딥러닝 모델 자동 경량화 S/W 및 초경량 제조검사용 딥러닝 모델 개발 ● 개발 내용 - 딥러닝 모델 자동 경량화 S/W 개발 - 초경량 제조검사용 딥러닝 모델 개발 ● 주요 결과 - 딥러닝 모델 자동 경량화 S/W: 모델 크기 96.88% 이상 감소 - 초경량 제조검사용 딥러닝 모델: 실시간 실행 가능, 정확도 96.5% 이상 유지
(성과4) 제조검사용(예, 불량검출) 대규모 딥러닝 학습/평가 데이터베이스 구축 ● 개발 내용 - 다양한 제조검사 이미지 수집 및 전처리 - 딥러닝 모델 학습 및 평가를 위한 데이터베이스 구축 ● 주요 결과 - 22만 개 이상의 제조검사 이미지 데이터베이스 구축 - 13 class 이상의 다양한 불량 유형 포함, 고품질 이미지 데이터 확보 - 불량 데이터셋 취득 및 학습 환경 구축
o 과제 주요 목표 성능 최종 결과치
□ 연구개발성과 활용계획 및 기대 효과 o 연구개발성과 활용계획 ① 사업화 계획 ● 개발된 Reference system을 주관기관의 공장/반도체 제조공정에 시험 및 결과를 토대로 사업화 추진 : 시장 분석, 경쟁력 분석에 따른 상용화 제품 고도화 ● 사업화 대상 : 불량 검출 솔루션 제품, IP 제품화, NPU SoC 제품화 ② 생산 계획 ● 제품 형태 : 불량 검출 솔루션 제품, IP 제품화, NPU SoC 제품화, 검사장비용 소형 인공지능 엔진 모듈 솔루션 등 ● 예상 수요처 : 제조 공정 자동화 솔루션 개발업체. 검사장비용 광학 시스템 개발업체 등 ● 개발 투입인력 및 기간 - 개발 단계 : 30명(연구 인력) / 4년(과제 수행 기간 포함) - 사업화 단계 : 31명(개발/양산 인력) / 5년 ③ 해외 시장 진출 계획 ● ㈜네패스 해외공장 반도체 공정에 검사장비 솔루션 적용, 성공 사례 확보 ● 지역 거점을 통한 프로모션 및 고객사 개발 지원 인력 확보 - 계열사 : 네패스 야크 등 9개 / 해외공장 : 중국, 러시아, 필리핀 - 해외영업소 및 연구소 : 미국, 독일, 중국, 일본, 홍콩, 인도네시아
o 기대 효과 ① 기술적 측면 ● 본 과제에서 개발된 경량 제조검사장비 내장 지능형 엣지컴퓨팅 반도체는 고성능 딥러닝 처리 엔진을 탑재함으로써 딥러닝 처리 속도를 향상시키고, 딥러닝 기반 이미지 분석 기술과 모델 학습을 통해 다양한 유형의 불량을 검출하여 제조검사의 정밀도를 높임 ● 검사장비 내에서 딥러닝 추론 처리가 가능하게 하는 엣지 컴퓨팅 기술을 적용함으로써, 제조검사장비 경량화 및 저전력화, 제조 공정 자동화 및 스마트화로 데이터 기반 의사 결정, 예측 유지 보수 및 실시간 불량 검출 및 분석을 진행하며, 생산 효율성, 제품 경쟁력 향상 등 다양한 기대 효과를 가져올 수 있음 ● 제조 현장 환경에 적합한 장비 내장형 솔루션 제공 및 엣지 컴퓨팅 환경 적응을 통해 제조 현장에서 효율적으로 활용될 수 있으며, 제조 산업 자동화 및 스마트화를 촉진하는 핵심기술로써 중요한 역할을 할 것으로 기대 ● 제조 환경에 특화되고 클라우드 서버와의 네트워크 트래픽을 감소시키고 불량 검출이 가능한 지능형 프로세서를 개발함으로써, 인공지능 연구자들의 딥러닝 관련 다양한 어플리케이션 개발 가속화를 가능케 할 뿐만 아니라 안전사고 감소 및 작업 환경 개선, 신규시장 창출 및 산업 경쟁력 강화 같은 추가적인 효과도 기대 ② 경제적, 산업적 측면 ● 경제적 측면 : 신경망 기술이 탑재된 엣지형 불량검출 솔루션을 적용함으로써 불량률을 감소시키고 생산 속도 증가로 생산성 향상 및 불량 제품 감소로 고객 만족도 및 브랜드 가치 상승 : 유지 보수 비용, 에너지 비용 절감을 통해 기대되는 수익 증대뿐만 아니라 4차 산업혁명의 핵심기술로써, 신규 시장 창출 및 경제 성장에 기여할 수 있으며, 본 기술을 기반으로 해외 시장 진출을 통한 수출 증대의 성과를 이뤄낼 수 있음 ● 산업적 측면 : 인공지능 기반 불량 검출 및 분석으로 제조 산업 자동화 및 데이터 기반 의사 결정을 통한 생산 최적화 효과와 핵심 기술 개발 : 시장 선점을 통한 국가 경쟁력 강화, 해외 기술 의존도 감소 및 기술 수출 증대와 연구개발, 영업, 서비스, 생산 등의 고용 창출 효과 그리고 관련 기업 및 연구기관과의 협력을 통한 기술 혁신 및 시너지 효과를 창출할 수 있는 산업 생태계를 구축하여 경제 성장에 기여할 것으로 기대 ③ 사회적 측면 ● 인공지능 기반 불량 검출 기술로 인해 작업자의 숙련도에 따른 인간 오류 감소, 작업 환경 개선, 위험 작업 자동화를 통해 안전사고 감소 등의 효과를 도출할 수 있고, 불량 제품 출고 감소 및 제품 품질 향상에 따른 고객의 만족도 증진에 기여 ● 인공지능, 엣지 컴퓨팅, 반도체 등 첨단 기술 분야 전문 인력 양성 및 미래 산업 성장을 위한 인재 확보뿐만 아니라 연구개발, 영업, 서비스, 생산 등 다양한 분야에서 고용 창출, 신기술 교육 및 훈련 프로그램을 제공함으로써 평생 학습 기회를 제공 ● 저전력 인공지능 프로세서 플랫폼 개발 및 확보를 통해 4차 산업혁명의 핵심기술인 인공지능 기반의 다양한 응용 제품 및 서비스를 확산할 수 있도록 함으로써, 4차 산업혁명을 가속화 할 수 있는 Eco-system 구축 및 확장에 일조하며, 지역 경제 활성화 등 사회적 측면에서 다양한 기대 효과를 가져올 수 있는 긍정적인 기술로 이 기술의 개발 및 활용은 사회 전반적인 발전과 국민의 삶의 질 향상에 기여할 것으로 기대
※ AI-Helper는 부적절한 답변을 할 수 있습니다.