Maskininlärning utmanar decennier gamla flaskhalsar – lovande resultat för chipstillverkning och batterier

När AI kliver in i fabriken

Det finns en tendens att tänka på AI som något som lever i molnet – i chatbotar, rekommendationsmotorer och stora språkmodeller. Men två nya studier från forskarvärlden påminner oss om att AI:s kanske mest omvälvande bidrag kan komma att ske i den fysiska tillverkningsprocessen, där nanometer och milliampèretimmar avgör allt.

De två resultaten, båda publicerade på den vetenskapliga förhandsgranskningsplattformen arXiv, handlar om vitt skilda tillämpningar – chipstillverkning respektive batterielektroder – men delar en gemensam berättelse: strukturerade AI-arbetsflöden kan lösa optimeringsproblem som traditionella ingenjörsmetoder fastnat inför i decennier.

Ljusets gräns är inte längre en gräns

I halvledartillverkning handlar precision om att rita kretsmönster som är mindre än ljusets egen våglängd. Det låter som ett fysikaliskt hinder, och det är det – men det är ett hinder som industrin länge hanterat med en teknik kallad invers litografi, där masker beräknas baklänges från önskat utfall på kiselskivan.

Problemet är att dessa beräkningar är extremt resurskrävande. Här presenterar forskargruppen bakom LithoGRPO ett ramverk som kombinerar flödesmatchning med förstärkningsinlärning för att utforska och optimera maskkonstruktioner. Det som gör ansatsen tekniskt intressant är att systemet använder en fysikbaserad belöningsfunktion – AI:n lär sig inte bara från data, utan från en inbyggd förståelse för de fysikaliska villkoren i tillverkningsprocessen.

Resultaten är svåra att bortse från: en ny algoritm för tillverkningsbarhetsbedömning uppnår över 130 gångers hastighetsökning jämfört med konventionella metoder. Enligt forskarna är detta det första ramverket som förenar dessa två tekniker för maskoptimering, och prestandan överstiger både renodlade optimerings- och inlärningsbaserade jämförelsemetoder.

För en systemutvecklare är det här genuint elegant. Att kombinera fysikkunskap med förstärkningsinlärning – istället för att försöka lära sig allting från rådata – är precis den sortens hybridarkitektur som brukar ge robusta resultat i komplexa verkliga miljöer.

Från trasig data till perfekta battericeller

På batterifronten är utmaningen en annan men lika välbekant: ofullständig och brusig data från verkliga tillverkningsprocesser. Det är inte ett akademiskt problem – det är vardagen i de flesta industriella laboratorier.

Ett forskarlag har nu visat hur ett iterativt AI-styrt arbetsflöde på Citrine-plattformen, med stöd av så kallad invers design, kan ta just den typen av rörig utgångspunkt och successivt förbättra modellen för grafitbaserade batterianoder.

Siffrorna talar sitt tydliga språk. Tillverkningsreliabiliteten gick från täta processproblem till hundraprocentigt lyckad cellproduktion. Andelen celler som levererade minst 350 milliampèretimmar per gram steg från 28,4 till 84,8 procent. Kapacitetsbehållningen – ett mått på hur bra cellen håller sin kapacitet över tid – förbättrades från 42,1 till 97,3 procent.

Det är inte marginella förbättringar. Det är en transformation av produktionskvaliteten, driven av återkopplingsslingor där AI:ns rekommendationer testas, utvärderas och matar in ny information i nästa iteration.

Hårdvaran har länge legat efter

Det finns en viss ironi i att AI, en teknik som kräver enorma mängder kisel och energi för att fungera, nu börjar optimera sin egen hårdvaruförsörjningskedja. Men det är kanske just det som gör detta ögonblick så intressant.

Halvledare och batterier är inte perifera komponenter – de är ryggraden i i stort sett all modern teknik, från elfordon till datahallar. Och de har länge haft ett innovationstempo styrt av fysiska begränsningar och manuell expertis snarare än algoritmisk kapacitet.

Det verkar hålla på att förändras. Och det går fort.