Daha önceki bir blog yazımızda, NVIDIA’nın NV-Tesseract adını verdiği, bir dizi zaman serisi görevini (anormallik tespiti, sınıflandırma ve tahmin gibi) tek bir çatı altında toplamak için tasarlanmış modeller ailesini tanıttık. Bu çalışma, sürekli değişen verilerin olduğu sektörlerde genel amaçlı bir omurganın nasıl uyarlanabileceğinin temelini attı.
Yarı iletken üretiminde bu zorluk daha da belirgindir. Her bir yonga, yüzlerce hassas işlemden geçerek, oda basınçları, gaz akışları, RF güç seviyeleri ve titreşimler gibi devasa sensör verisi akışları üretmektedir. Geleneksel izleme sistemleri, sabit eşik ve istatistiksel süreç kontrolüne (SPC) dayanır. Uyarılar genellikle istatistiktir ve reaktif bir şekilde çalışır; bu da süreçlerde kaymalar meydana geldikçe sürekli yeniden kalibrasyon gerektirdiği anlamına gelir. İnce arızalar veya bağlama bağlı anormallikler bu güvenlik önlemlerinden kayabilir ve üretim kesintisiz devam edebilir. Kaçırılan tek bir anomali, milyonlarca dolarlık verim kayıplarına yol açabilir.
İşte bu noktada, NV-Tesseract, NVIDIA’nınNIM mikroservisi üzerinden sunarak değerini kanıtlar. Bu model, bir zaman serisi içinde bir anomali meydana geldiği tam anı belirler; tekil sinyallerde ve birden çok ilişkili sensör arasında. Bu ayrıntı düzeyi kritik öneme sahiptir: Fabrikalar (fab), wafer’ların hangi noktadan itibaren hatalı olabileceğini tam olarak belirleyebilir, acil düzeltici önlemler alabilir ve kayıpların aşağı akışa yayılmasını önleyebilir.
Sürekli etki sonrası inceleme yerine gerçek zamanlı anomali yerelleştirmesi ile NV-Tesseract, ham sensör gürültüsünü işlem yapılabilir içgörülere dönüştürerek; verimi korumakta, maliyetleri azaltmakta ve fab ölçeğinde daha akıllı otomasyon temelleri atmaktadır.
Fabrika verileri nasıl görünüyor?
Yarı iletken üretimi, dünyanın en veri yoğun endüstriyel ortamlarından biridir. Her bir wafer, yüzlerce titizlikle kontrol edilen adımda ilerler; her alet, belki de onlarca – bazen yüzlerce – sensörden veri akışı sağlar. Sonuç olarak, yalnızca büyük veri hacimleri değil, aynı zamanda birlikte analiz edilmesi gereken bağımlı sinyaller de ortaya çıkar. Bir sensördeki bir sapma tek başına önemsiz görünebilir ama diğerleriyle birleştiğinde ciddi bir arızanın başlangıcını işaret edebilir; bu nedenle uyumlu, çok değişkenli analiz yapmak hayati önem taşır.
- Seviye kaymaları: Bir sensör aniden daha yüksek veya daha düşük bir tabana geçebilir; bu genellikle bir kalibrasyon değişikliği veya aletin kayması anlamına gelir.
- Dalgalanmalar ve ani artışlar: Kısa süreli, düzensiz anormal okumalar, plazma kaynaklarındaki veya gaz akış valflerindeki kararsızlıkları işaret edebilir. Kontrol edilmezse, bu kısa süreli zirveler tüm wafer partilerini mahvedebilir.
- Sensor arızaları: Bazen bir sensör sıfıra düşebilir ya da gerçeklikten oldukça uzak sabit değerler raporlayabilir. Bu “sessiz arızalar”, sürecin gerçek durumunu gizledikleri için özellikle tehlikelidir.
- Büyüklük kaymaları: Diğer durumlarda, sensör çıktısı tamamen farklı bir büyüklük aralığına sıçrayabilir; bu genellikle yanlış yapılandırma veya erken ekipman arızalarından kaynaklanır.
Veri seti değerlendirmelerinden çıkarılan dersler
NV-Tesseract’ın fab veri setlerinde test edilmesi, bir anlayışı öne çıkardı: anomali yerelleştirmesi, anomali tespitinden en az bir o kadar önemlidir. Geleneksel SPC grafikleri ve araç uyarıları bayraklar diker ancak bir sürecin ne zaman raydan çıktığını asla net biçimde gösteremez. Bu hassasiyet eksikliği, fabrikaların gereğinden fazla lotu atmasına veya maliyetli yeniden denetimler yapmasına neden olur.
NV-Tesseract denklemi değiştirir; bir anomali başladığında tam zaman damgasını belirler. Model, fabrikalara net bir karar noktası sunar: o andan önce işlenen wafer’lar genellikle kurtarılabilirken; sonrası daha yakın bir inceleme gerektirir. Bu ayrıntılı yaklaşım, anomali tespitini yayıncı bir “bir şeyler ters gitti” uyarısından pratik bir verim yönetimi aracına dönüştürür.
Sonuç iki katmanlıdır. İlk olarak, atılacak ürün miktarını sınırlayarak israfı azaltır. İkinci olarak, anında düzeltici eylem almayı mümkün kılar; ekipmanların çevrimiçi kalmasını sağlamak, kusurların aşağı akışta yayılmasını önlemek ve verim ile maliyet etkinliğini korumak için.
Kısacası, NV-Tesseract fab alarm sistemlerini iptal etmez; onları modern üretimin ölçeği üzerinde kesin ve bağlamsal içgörülerle destekler.
NV-Tesseract’ı NVIDIA NIM ile dağıtma
Gelişmiş anomali tespit modelleri oluşturmak, yarı iletken üretimi için mücadelenin sadece yarısını oluşturur. Bu modelleri kullanışlı kılmak için, fabrikaların üretim izleme sistemlerine entegre edebileceği, ölçekleyebileceği ve dağıtabileceği bir yola ihtiyacı vardır. İşte bu noktada NVIDIA NIM devreye giriyor.
NVIDIA NIM, NVIDIA AI Enterprise’ın bir parçası olan, yüksek performanslı AI model çıkarımını (inferencing) güvenli ve güvenilir bir şekilde dağıtmak için tasarlanmış easy-to-use mikroservisler setidir. Açık kaynak topluluğu ve NVIDIA AI Temel modelleri dahil olmak üzere çok çeşitli AI modellerini destekleyen NVIDIA NIM, sektör standart API’lerini kullanarak, yerel ortamda veya bulutta kesintisiz ve ölçeklenebilir AI çıkarımı sağlar.
NIM, NVIDIA NGC Kataloğu’ndan birkaç dakika içinde kapsüllü dağıtım yapmayı sağlar, yerinde, bulutta ve kenar ortamlarında tutarlı bir şekilde çalışır ve Kubernetes ile Slurm gibi orkestrasyon çerçeveleri ile yüzlerce mikroservise ölçeklenir. Aynı zamanda, sağlık kontrolleri, izleme ve güvenlik ile birlikte, performans ve güvenilirlik gereksinimlerini karşılamak için sürekli doğrulama, bakım ve kurumsal destek sunar.
NV-Tesseract’ı bir NIM olarak teslim ederek, fabrikalar araştırma prototiplerinden özel paketleme veya kırılgan entegrasyon çalışmalarına gerek kalmadan ölçeklenebilir üretim dağıtımlarına doğrudan geçebilirler.
Dağıtım iş akışı
Tek düğümlü bir kurulum için Docker kullanmak oldukça basittir:
docker pull nvcr.io/nim/nvidia/nv-tesseract:<version-number>
docker run –gpus all -it –rm -p 8000:8000
-e NGC_API_KEY=<YOUR_KEY>
-v /local/data:/workspace/data
nvcr.io/nim/nvidia/nv-tesseract:<version-number>
curl http://localhost:8000/v1/health/ready
curl -X POST http://localhost:8000/detect-anomalies
-H “Content-Type: application/json”
-d @sample_timeseries.json
Girdi ve çıktı biçimini CSV veya JSON zaman serisi verisi olarak alır. Çıktı, zaman damgaları/zaman serileri, sensör değerleri, anomali puanları, meta veriler ve destekleyici tanı bilgilerini aynı formatlarda içerir.
Örnek JSON yükleri girdi formatı
Hizmet, çok değişkenli bir zaman serisini JSON veya CSV formatında kabul eder.
Her bir öğe bir nesne olarak tanımlanır:
ts: zaman damgası (ISO-8601 formatında string, örneğin “2025-09-05T14:33:52Z”)value: sayısal sensör okuması (float)
[
{"ts": "2025-09-05T14:33:52Z", "value": 2.31},
{"ts": "2025-09-05T14:34:52Z", "value": 11.2},
{"ts": "2025-09-05T14:35:52Z", "value": 450.0},
{"ts": "2025-09-05T14:36:52Z", "value": 4531.9}
]Örnek JSON yükleri çıktı formatı
Hizmet, aynı uzunlukta bir JSON veya CSV dizisi döndürür.
Her bir öğe şunları içerir:
ts: zaman damgası (epoch saniyeleri)value: sayısal sensör okuması (float)Anomaly: tamsayı bayrağı (0 = normal, 1 = anomali)
[
{"ts": 1730855632, "value": 2.31, "Anomaly": 0},
{"ts": 1730855692, "value": 11.2, "Anomaly": 0},
{"ts": 1730855752, "value": 450.0, "Anomaly": 0},
{"ts": 1730855812, "value": 4531.9, "Anomaly": 1}
]Gürültülü sinyallerden işlem yapılabilir içgörülere
Yarı iletken fabrika sistemleri, basınçlar, akışlar, sıcaklıklar ve titreşimler gibi sensör verileri üreten büyük bir veri akışı yaratır. Yıllardır mühendisler sabit eşikler ve elle ayarlanmış kurallara güveniyorlardı. Ancak bu yaklaşımlar, modern çip üretimindeki gürültü, kayma ve ölçekle karşılaştıklarında etkisiz hale geliyor.
NV-Tesseract’ın NIM’deki yol haritası şunları içerir:
- Fabrika spesifik veriler üzerinde ince ayar yapmak. Modelin, bireysel aletler, tarifler veya üretim hatlarına göre anomali tanımlarını uyarlamasını sağlamak.
- Hiperparametre ayarı. Üretim ihtiyaçlarına uygun olarak tespit hassasiyeti ayarları sağlamak.
Bu gelişmeleri NIM aracılığıyla entegre etmiş olmak, araştırma kodlarında kilitli kalmayacakları anlamına geliyor. Bu yenilikler, alet filolarında paketlenip, dağıtılıp ve ölçeklenerek:
- Wafer verimini koruma – Plazma yoğunluğundaki, gaz akışındaki veya sıcaklıktaki küçük sapmalar, tüm wafer partilerini riske sokabilir. Anomalileri daha erken tespit ederek, fabrikalar duraklayabilir, ayarlamalar yapabilir veya onarımlar gerçekleştirebilir.
- Duraklamaları azaltma – Sensör arızaları veya kalibrasyon kaymaları saatlerce fark edilmeden kalabiliyordu; hemen tespit edilerek uzatılmış duraklamaların ya da yayılan alet hatalarının önüne geçilebilir.
- Mühendis güvenini artırma – Yanlış alarmlar güveni zedeler; kaçırılan anomali ise operasyonları zora sokar. NV-Tesseract’ın gürültüyü azaltma ve gerçek olayları vurgulama yeteneği, otomatik izlemeye güven inşa eder.
- Zekayı ölçeklendirme – Her bir alet veya işlemler için özel çözümler yerine, fabrikalar, yüzlerce makine üzerinde birleşik anomali tespit yeteneklerini az bir friksiyonla yayabilir, benimsemeyi hızlandırır ve entegre yüklerini azaltır.
Başlayın
Yarı iletken fabrikaları, endüstrideki en zorlu veri zorluklarıyla karşı karşıya, fakat NV-Tesseract ve NIM ile, gelişmiş anomali tespiti, araştırmadan üretime sadece birkaç saat içinde geçebilir.
NV-Tesseract NIM’den erken erişim talep edebilirsiniz. Bu hizmet, yerel ortamda, bulutta veya kenar alanında doğrudan test etmenizi sağlar; kendi sensör verinizle deneyimleyerek, NV-Tesseract’ın en önemli anormallikleri nasıl yüzeye çıkardığını görebilirsiniz.
NVIDIA DGX Cloud ekibi ile iletişim kurarakNV-Tesseract NIM’e erken erişim talep edebilir, bir demo planlayabilir, zaman serisi gereksinimlerinizi tartışabilir ve NV-Tesseract NIM’in yarı iletken anomali tespit iş akışınızın temel taşı nasıl olabileceğini keşfedebilirsiniz.
