5G和人工智能技術的發展，使PCB需求量日益劇增

      PCB制造通常依賴多年積累知識的專家，這些專家非常了解和理解制造過程的每個步驟，他們了解如何利用他們的知識來優化生產和提高產量。人為的限制（包括誤操作和疲勞）阻礙了效率增長，操作員的錯誤或對PCB缺陷的錯誤識別（“錯誤警報”）可能會由于過度處理而影響良率，甚至會損害PCB本身。通過將AI集成到制造過程中（圖1），機器可以通過接管某些“學習的”任務來增加價值，而人類專家則繼續承擔更復雜的任務，這些任務需要在優化和“培訓”的同時進行思考和互動人工智能系統。人與人工智能的結合提高了整體效率和運營，是AI系統的最大機會。

圖1. AI可以幫助PCB工廠提高質量。

人工智能與工業4.0

       PCB發展的最終趨勢是擁有完全集成Industry 4.0系統的工廠，該系統在全球和制造系統級別采用AI技術?！叭帧奔墑e包括工廠中的所有系統，而不僅僅是單個制造系統。工業4.0提供了自動化和數據交換基礎結構，可實現實時生產分析，雙向通信和數據共享，可追溯性以及按需數據分析。在任何特定的工廠內，AI都可以使用從各種制造系統和機器獲取的數據來改進流程，這些數據是通過工業4.0機制（例如可追溯性，雙向通信）收集的。工廠之所以受益，是因為AI分析了大量的系統范圍數據以優化工廠設置參數并實現最高水平的生產率和良率。人工智能分析和自我學習正在進行中，并通過人工神經網絡進行。幾年之內，它將消除人工操作人員的干預，并導致建立全自動工廠。

       這種新的PCB制造模型要求將所有工廠系統完全連接以及AI作為監視和決策機制。當前，存在專有和技術挑戰，這些問題限制了PCB工廠的完全自動化，但AI已盡可能地添加到單個系統中，例如自動光學檢查（AOI）解決方案。將生產設施移向全球AI模型的優勢包括，可以更可靠地通知PCB缺陷——“真實缺陷”，并具有反饋機制，該反饋環可以識別問題的根源，然后自動修改工廠流程以消除相關問題缺陷。AI的子集，包括機器學習和深度學習，將使PCB工廠朝著完全自動化的目標邁進。機器學習使用的算法使計算機能夠使用數據及其已經經歷并從中學習的示例來改進任務的性能，而無需對其進行明確的編程。就PCB制造而言，機器學習可提高產量，改善制造操作和工藝流程并減少人工操作，同時有助于推動對工廠資產，庫存和供應鏈的更有效處理。深度學習將AI提升到一個更加復雜的水平，這在全球工廠系統水平上是有益的。深度學習的靈感來自人腦神經元，多層人工神經網絡進行學習，理解和推斷的能力。在PCB工廠中，軟件系統可以有效地收集的數據，并利用模式和上下文的復雜表示中學習，然后，學習將形成PCB制造中自動過程改進的基礎。機器學習和深度學習的實施為PCB制造商提供了超越人類理解的能力；人工智能系統通過在人們不愿探索的地方進行更深入的挖掘來發現新的優化機會。AI專家系統非常高效，通過使用更多更復雜的參數在全球范圍內監控工廠系統，減少了所需的人工專家數量，并提高了效率和最佳實踐。利用工業4.0傳感器（可以從設備發送數據的傳感器）和系統，在整個PCB制造過程中，從簡單的讀寫功能到對工藝參數的高級跟蹤，直至最小的PCB單元，都可以在全球范圍內創建數據。工藝參數可以包括蝕刻，抗蝕劑顯影甚至到制造過程中化學材料的濃縮。使用深度學習對這些類型的數據進行分析，以告知優化制造方法和參數，識別模式并就流程中所需的更改做出明智的決定。所有這些都可以全天候，每周7天，每天24小時不間斷地進行。

系統級AI

      在系統級別，例如在AOI流程中，PCB制造車間的AI實施對生產率和良率產生了可觀的影響。在這種情況下，機器學習極大地減少了檢測PCB缺陷時的人為錯誤。PCB缺陷的例子包括短路和斷路，甚至過量的銅都可以。自動化檢查可以檢測出很小的缺陷，這些缺陷可能是手工檢查無法發現的，也可能由于人為錯誤而遺漏的，這是重復工作的自然結果。在不使用AI的情況下，對100個面板進行的經典檢查通常會發現每個面板20至30個缺陷，其中大約75％是錯誤警報。由于政策規定必須手動檢查所有缺陷，因此對虛假警報的審查浪費了寶貴的生產時間，增加了對PCB的處理，這可能會導致新的損壞，并可能影響操作員在審查過程中的進一步犯錯。
      通過在AOI系統上進行機器學習，可以大大減少此類錯誤警報和維修（圖2）。更少的誤報意味著對PCB板的處理更少，也會提高效率。此外，AI提供了一致的（動態改進）缺陷分類，而沒有操作人員固有的限制，從而提供了更可靠的結果并減少了驗證時間。根據Orbotech內部研究，已發現AOI系統中的AI最多可將誤報減少90％。AOI的獨特之處在于，該系統比任何其他制造解決方案都能收集更多的數據，這使其非常適合作為AI實施的第一步。同時，AOI室是PCB工廠勞動強度最大的區域，因此，在其流程中采用AI會帶來最大的收益。對于PCB制造商而言，這一切都意味著可以更準確地識別和分類數百萬個缺陷，從而有可能提高產量并降低成本。

圖2. AI驅動的AOI可以減少生產現場的驗證和工作量。

以下是系統和全局級AI協同工作的示例：

       假設AOI系統檢查100個面板。在系統級別，由機器學習支持的AI可以過濾出誤報缺陷，這些誤報缺陷已被系統分類。AI系統通過評估多個AOI圖像，同時利用其“面板理解”（AOI解決方案對面板上的元素及其外觀的理解），來生成最智能的分類結果。該信息輸入到全球AI系統中，該系統由深度學習提供動力，從系統級解決方案中收集這些數據，并確定識別出的真正缺陷是短路，需要額外的蝕刻時間才能去除多余的銅。AI系統使用來自系統級別的數據來做出全局決策，以調整蝕刻過程中的面板參數，從而使以后制造的所有面板具有更少（如果有的話）相同類型的缺陷。最終，系統級解決方案之間的通信將進一步增加和改善AI在全球范圍內的決策能力。

制造挑戰增加

        盡管AI的發展正在全行業范圍內迅速發展，但PCB制造方面的挑戰以同樣的速度增長，甚至更快。對于撓性材料和縮小走線的幾何形狀，是缺陷檢測兩個困難領域。下一代復合材料，例如液晶聚酰胺（LCP）和改性聚酰胺（MPI），給制造商提出了新的挑戰，包括圖像采集，處理，變形和更細的線條。例如，用于柔性PCB的材料越先進，導致識別出的缺陷越多，從而導致更多的錯誤警報。制造商使用這種復雜材料的目的是在確定錯誤警報的過程中最大程度地減少對面板的處理。因此，Flex PCB（圖3）是一種將可能從AI實施中大大受益的產品類型，因為系統將學會在更嚴格的參數范圍內進行制造。

圖3.柔性電路為自動光學檢查帶來了其他問題。

       用于5G的PCB是另一種高要求，并且有可能從人工智能支持的專業知識中受益匪淺。5G應用所需的HDI PCB需要更細的線寬，直的側壁幾何形狀和嚴格的參數。這使得缺陷檢測比以往更加困難，對于人類專家而言，要有效地完成缺陷檢測將極具挑戰。考慮到這些以及其他未知的PCB制造挑戰，人工智能驅動的工廠將成為未來生產的關鍵。要在全球范圍內實現AI應用的發展，需要更多的時間才能實現PCB制造，但是很顯然，系統級AI的實現已經到來，為全自動PCB工廠的未來奠定了基礎。