其中之一是为改善生产NAND闪存的东芝四日市工厂的成品率而采取的举措。该工厂在制造工序的重点位置设置了电子显微镜（SEM），对其拍摄的图片要根据缺陷种类进行分类，东芝在此采用了通过深度学习方式进行学习的DNN（Deep Neural Network，深度神经网络）。使用DNN的图像识别技术，可将每天拍摄的约30万张图片的83％分类成合适的结果（图2）。而在以往的半自动化作业中，可分类比例仅为49％。东芝的工作人员介绍说，“我认为还有进一步提高自动分类比例的余地，在剩余17％的图像中，可能还包含人类看到后也不知道如何判断的图像”。关于使用的DNN，“规模方面与利用DNN进行图像识别的论文中介绍的DNN同等”，还进行了一些改进，一边能轻松判断缺陷。在进行学习和推论时运用了GPU。
图2 可对83％的图像自动进行恰当的分类东芝在利用人工智能改善半导体工艺的举措中，利用深度学习进行了图像分类。 （点击放大）东芝还介绍了使用AI改善半导体成品率的另一项举措，那就是根据晶圆的整体图像自动判断不合格原因的装置。就从约4000台生产设备中推断出问题装置的工作来说，原来推断出一个问题需要6小时，采用新技术缩短到了两小时之内，只有原来的1/3。这里使用的并不是DNN，而是以往的数据挖掘（Data mining）及大数据分析使用的图像提取技术。关于这一技术，东芝将在2016年12月举行的半导体制造研讨会“ISSM（International Symposium on Semiconductor Manufacturing）2016”上介绍。
图3 根据晶圆整体图像推断不合格的原因并未使用DNN来推断原因。 （点击放大）为新一代Visconti配备DNN处理电路
东芝还展示了用于汽车等的图像处理器“Visconti”系列，下一代产品将配备与电装共同开发的DNN处理用IP（Intellectual Property）。东芝不久前才宣布将与电装合作（图4）。东芝表示，Visconti系列每隔两年就会投放新产品，新一代产品预定2018年开始提供样品。
图4 Visconti的新一代产品将运用深度学习计划利用与电装共同开发的DNN用IP。 （点击放大）相关详情以后才会确定，不过，电装此前就已开始开发DNN用IP，其技术有可能成为新产品的基础。比如，估计会采用将图像识别使用的CNN（Convolutional Neural Network，卷积神经网络）的一层转化为硬件的技术。计划利用这种电路，使客户设计的各种构成的CNN实现灵活的编程。
考虑到车载用途，功耗方面将控制在4W以内。在这种制约下，可以同时执行障碍物及路标的检测、汽车可行驶的自由空间（Free Space）检测等。
东芝强调，与其他公司的DNN专用IC相比，新产品的特点是，不仅功耗低，而且可靠性高。“深度学习的内容为黑箱状态，如果不包含在学习数据中，就无法知道会出现什么样的识别结果。要在这种情况下获得可以信赖的结果，有效的方法是同时运用以往的识别技术”。
Visconti中包括现有图像识别处理用专用电路，因此可以运用其他识别方法来验证深度学习结果。“比如，Visconti尽管具有可高速处理直方图运算的电路，但现有CPU或GPU不擅长这种处理。Visconti还具备适合进行SVM（Support Vector Machine，支持向量机）高速处理的电路等”（解说员）。
除了图像识别之外，自动驾驶还要进行方向盘操作等处理。英伟达（NVIDIA）提供的自动驾驶用软件“DRIVEWORKS”就使用三个DNN分别执行物体识别、自由空间识别、方向盘操作（图5）注1）。关于识别之外的处理，东芝计划采用该公司与名古屋大学共同研究的成果。至于是否使用DNN进行判断及操作等？是嵌入Visconti还是设计成其他芯片？今后将根据共同研究的进度及市场动向展开讨论。
注1）各个处理由图5中称作“DriveNet”、“OpenRoadNet”、“PilotNet”的DNN来执行。其中，PilotNet由英伟达正在开发的自动驾驶车“BB8”已经训练过的方向盘操作用CNN来充当（参阅本站报道）。BB8将车载摄像头的影像和人的方向盘判断作为教师信号供CNN学习。（记者：今井 拓司）
图5 英伟达提供的自动驾驶用软件“DRIVEWORKS”的构成10月6日摄于英伟达于东京举办的“GTC Japan 2016”会议。 （点击放大）
图6 与名古屋大学共同研究自动驾驶东芝开发出了使用“Visconti4”的自动驾驶用算法，目前正在与名古屋大学共同开展实证试验。 （点击放大）
公安机关备案号：
