Manufacturing Context
검사 이미지와 LOT·원재료·공정·설비·조치 이력을 연결해 품질 이벤트의 맥락을 보존합니다.
Semantic Graph는 산업용 비전·센싱, Physics AI/Digital Twin, Knowledge Graph·GraphRAG를 연결해 제조 현상의 감지부터 예측, 설명, 엔지니어링 의사결정까지 지원하는 기술 스택을 구축합니다.
현재 개발에 사용하는 기술과 향후 평가·확장할 기술을 명확히 구분합니다.
AI Vision, SWIR, thermal imaging, camera와 process sensor로 물리적 상태와 결함 증거를 수집합니다.
물리 법칙, 경계조건, CAE와 실측 데이터를 결합해 thermal/process behavior를 예측하고 surrogate model을 구축합니다.
LOT, material, process, equipment, defect, action을 연결해 evidence-grounded RCA와 engineering decision을 지원합니다.
열전달 방정식, material properties, geometry와 boundary condition을 model constraint로 구성합니다.
Scientific Machine Learning 접근으로 CAE와 sensor data를 보완하는 surrogate model을 개발합니다.
현재 개발 workload의 training/inference 가속 기반으로 사용합니다. PhysicsNeMo는 planned evaluation 영역입니다.
Temperature field, hotspot, thermal resistance, reliability risk 예측과 calibration으로 연결합니다.
검사 이미지와 LOT·원재료·공정·설비·조치 이력을 연결해 품질 이벤트의 맥락을 보존합니다.
과거 불량, SOP, 유사사례와 연결 경로를 근거로 답변과 root-cause candidate를 생성합니다.
x86_64 GPU Server를 기본 운영 플랫폼으로 두고, Jetson Orin/TensorRT는 NVIDIA SDK와 장비 호환성이 검증된 저지연 inference 구간에 선택 적용합니다.
1차 prior-art 검토상 일반적인 PINN thermal prediction, digital twin, knowledge-graph RCA, closed-loop optimization에는 관련 선행기술이 존재합니다. 따라서 제조 현장에 특화된 결합 구조와 검증 로직을 중심으로 IP를 구체화합니다.
Geometry·material·power·boundary condition·thermal sensor·CAE/PINN residual을 결합한 packaging-specific multi-fidelity calibration, hotspot/thermal resistance 예측과 model validity check 구조.
AI Vision·SWIR·thermal sensor·LOT·equipment·process data와 physics residual을 causal/knowledge graph에 정렬해 root-cause candidate의 evidence path를 생성하는 구조.
GraphRAG/AI Agent가 process adjustment 후보를 생성하고 digital twin이 safety·physics consistency를 검증한 뒤 engineer approval로 전달하는 구조.
HBM Thermal Digital Twin, SWIR inspection, GraphRAG, x86 Physical AI Server와 선택형 Edge deployment의 적용 가능성을 검토합니다.