Previsión de la vida útil de la tecnología electrónica de gama alta

Aprendizaje profundo y el problema de la escasez de datos

El aprendizaje profundo permite aprender la representación de los datos en varias capas de abstracción y utilizarla para mucho más que la clasificación o la regresión. Estos métodos han redefinido el estado de la técnica en muchos ámbitos, como la visión artificial (computer vision) o el procesamiento del lenguaje natural (natural language processing). El aprendizaje profundo, que se basa en redes neuronales, requiere una gran cantidad de datos como base para el aprendizaje de las representaciones, ya que el espacio muestral de los parámetros que se pueden aprender es altamente dimensional. Sin embargo, la creación de grandes conjuntos de datos en la ciencia de los materiales es difícil, puesto que precisa un gran número de muestras y experimentos complejos. En consecuencia, aprender redes neuronales precisas y robustas a partir de pequeñas cantidades de datos es muy difícil.

Por lo tanto, el objetivo del proyecto MaWis-KI es desarrollar, implementar y probar nuevos enfoques de aprendizaje automático para la predicción de la vida útil de las soldaduras de estaño, plata, cobre y, posiblemente, otros componentes (soldaduras SAC o SAC+). Sin embargo, debido a que la cantidad de datos es tan reducida, no se pueden utilizar métodos estándares de aprendizaje profundo. En su lugar, se están investigando métodos de IA basados en modelos y conocimientos, como las ecuaciones diferenciales ordinarias neuronales (ODE neuronales), y se está evaluando su potencial como parte del proyecto de investigación.

Aprendizaje contrastivo para aprender buenas representaciones

El aprendizaje contrastivo (contrastive learning) es un método de aprendizaje automático cuyo objetivo es crear representaciones útiles de los datos. Funciona creando pares de puntos de datos que son similares o diferentes. Estos pares se colocan en un espacio de incrustación con puntos de datos similares próximos entre sí y puntos de datos diferentes alejados unos de otros.

Mediante este proceso, el modelo aprende a extraer características relevantes que hacen que los puntos de datos similares estén cerca unos de otros en un espacio altamente dimensional y permite registrar información semántica a partir de los datos. Como parte del proyecto, el aprendizaje contrastivo ha demostrado su utilidad para reconocer específicamente grietas y defectos en imágenes de microscopía por ultrasonidos de juntas de soldadura.

Mientras que el aprendizaje supervisado (supervised learning) clásico consiste en una agrupación según los tipos de componentes y soldaduras en el espacio de incrustación, el aprendizaje contrastivo ordena los puntos de datos según el nivel de daño en el espacio de incrustación. De este modo, el modelo extrae las características relevantes (representación de la publicación Contrastive pretraining of regression tasks in reliability forecasting of automotive electronics).

Participantes en el proyecto y financiación

Colaboradores del proyecto

Universidad Técnica de Ingolstadt
La Universidad Técnica de Ingolstadt enseña e investiga en los campos de las ciencias eléctricas y de la ingeniería, la informática, la economía, la sostenibilidad y las biociencias, y lo hace de forma innovadora y al día de las nuevas tecnologías.

Conti Temic microelectronic GmbH
Conti Temic microelectronic desarrolla tecnologías y servicios pioneros para la movilidad sostenible e interconectada de las personas y sus bienes.

mts Consulting & Engineering GmbH
mts Consulting & Engineering ayuda a empresas industriales con la implantación metódica y sostenible de productos robustos y procesos estables.

Patrocinador del proyecto

Ministerio de Economía, Desarrollo Regional y Energía de Baviera

Programa de apoyo

Línea de ayudas para la digitalización (BayVFP)

Organizador del proyecto

VDI/VDE Innovation + Technik GmbH