TEL investiert in Preferred Networks KI für die effektive Chip-Fertigung

In dem Bearbeitungszentrum Robodrill verbessert »AI Feed Forward« die Präzsion um 40 Prozent. Entwickelt hat Fanuc das KI-System mit Preferred Networks.
In dem Bearbeitungszentrum Robodrill verbessert »AI Feed Forward« die Präzision um 40 Prozent. Entwickelt hat Fanuc das KI-System mit Preferred Networks.

Das japanische KI-Wunderkind Preferred Networks befindet sich weiter im Höhenflug und erhält Geld aus Pharmazie und der Halbleiterfertigung.

Fanuc und Hitachi arbeiten bereits mit Preferred Networks in einem Joint-Venture zusammen, interessant ist KI aber auch für viele weitere Industriesektoren. So könnte die Halbleiterfertigung von Deep-Learning-Verfahren enorm profitieren, davon ist Toshihiko Nishigaki, Deputy General Manager von Tokio Electron (TEL), überzeugt.  Deshalb will TEL 200 Mio. Yen in Preferred Networks (PFN) investieren. TEL, Hersteller von Maschinen für die Halbleiterfertigung, werde nach seinen Worten die fortschrittlichsten Technologien der Welt, nämlich die IC-Fertigung und die künstliche Intelligenz (KI) zusammen führen, um die IC-Fertigung päziser und schneller zu machen.

Ähnlich verhält es sich auch in der Entwicklung von neuen Medikamenten in der pharmazeutischen Industrie und für die Weiterentwicklung des Gesundheitswesens und der Lebenswissenschaften. Machine Learning und Deep Learning habe das Potenzial, die Entwicklung von Medikamenten zu revolutionieren, wie Osamu Okuda, Executive Vice President  von Chugai, zum Investment von 700 Mio. Yen in PFN erklärte. PFN und Chugai sind überzeugt, dass es noch viel Spielraum für Verbesserungen gibt, um die Forschung und Entwicklung sowie die Produktion von Medikamenten mit Hilfe der KI zu verbessern und zu beschleunigen.  

Preferred Networks gehört zu den Stars der KI-Szene in Japan und zählt sogar mit einer Kapitalisierung von rund 2 Mrd. Dollar zu den Schwergewichten unter den Unicorns. 2014 haben Daisuke Okanohara and Toru Nishikawa das Unternehmen gegründet, dessen Wurzeln auf Preferred Infrastructure zurückgeht, ein auf Search-Engines spezialisierter Start-up. Seit dieser Zeit bestand bereits eine Partnerschaft mit Toyota, die schon sehr früh an der Entwicklung selbstfahrender Autos interessiert war.

Chainer soll sich zum KI-Standard entwickeln

Der Durchbruch kam mit der Entwicklung von Chainer, eine Python-basierte KI-Plattform, auf der sich – wie PFN stolz behauptet – komplexe neuronale Netze verschiedener Architekturen (Feed Forward, Recurrent Nets, Recursive Nets) einfach und intuitiv entwickeln lassen. Es stehen fünf Erweiterungen zur Verfügung: ChainerMN (Distributed Learning) ChainerRL (Reinforcement Learning) ChainerCV (Computer Vision), ChainerUI (Visualization and Experiment Management) und Chainer Chemistry (Graph Convolutions for Biological/Chemestry Tasks).  Chainer kam im Mai 2015 auf den Markt und PFN stellt sie als Open-Source zur Verfügung und verkauft die Plattform nicht als eigenes Produkt. Damit will sich PFN als der Standard im Deep-Learning etablieren. Chainer steht damit in Wettbewerb zu PyTorch (Facebook), CNTK (Microsoft) MXNet (Amazon) und TensorFlow von Goolge. Google kam allerdings mit TensorFlow fünf Monate später auf den Markt und so konnte PFN das Ziel, einen Standard zu setzen, zumindest in Japan schon recht nahe kommen.

2017 hat Toyota 95,4 Mio. Dollar (10,5 Mrd. Yen) in PFN investiert. Zu den weiteren japanischen Firmen, die Geld in PFN gesteckt haben,  gehören NTT, Fanuc, Hitachi und Hakuhodo. Toyota interessiert sich inzwischen nicht nur für PFN, um autonome Autos weiter zu entwickeln, sondern auch um Smart Factories Realität werden zu lassen. Dieselbe Absicht stand hinter der Gründung von Intelligent Edge System, einem Joint Venture, dass PFN zusammen mit Hitachi und Fanuc zu Anfang des Jahres gegründet hat.  

Und obwohl sie teilweise eigene KI-Plattformen entwickeln, arbeiten auch amerikanische Firmen wie AWS, Cisco, IBM, Intel, Microsoft und Nvidia mit PFN zusammen und unterstützen Chainer.

40 Prozent höhere Präzision im Bearbeitungszentrum

Fanuc hat auf Basis von Preferred Networks Machine Learning System »AI Feed Forward« entwickelt, das Servomotoren in Werkzeugmaschinen steuert. Machine Learning kommt zum Einsatz, um die vielen Parameter automatisch einstellen zu können. In dem Bearbeitungszentrum Robodrill sagt »AI Feed Forward« die Wärmeausdehnung beim Bohren voraus und kompensiert sie, auch auf Basis von Sensordaten die die messen die Umgebungstemperatur und die sich ändernden Temperaturen in der Maschine messen. Die Präzision der Maschine hat sich mit diesem System um 40 Prozent verbessert. Das System ist sogar in der Lage, die Kompensation auch dann ohne Unterbrechung fortzusetzen, wenn Sensoren ausfallen.