目錄 / Index
本提案章節
點擊任一章節可直接跳轉
00
Index
目錄
本提案章節總覽
01
Proposal 01
RF 元件 AI 自動調諧系統
AI 學習調諧手感，自動決策螺絲調諧
02
Proposal 02
S 參數異常根因診斷系統
從 S 參數曲線快速回推 NG 製程根因
03
Proposal 03
毫米波元件多模態品保系統
組裝前預測 S 參數失效，攔截不良品
04
Collaboration
合作模式
共同研發概念與合作流程說明
01
RF 元件 AI 自動調諧系統
強化學習 (RL) × 模仿學習 (IL)，AI 即時讀取 VNA S 參數曲線，輸出腔位、方向、圈數的調諧決策
現有流程
30 分 ─ 6 小時
每次調諧耗時
階段 1診斷
01
接上 VNA
02
看曲線與規格落差
階段 2調整
03
依照經驗分析
04
參數調整
再調回來 · 回到階段 1 重新診斷
× N 次
AI 解法
< 1 分鐘
AI 直接指出哪一腔、哪個方向、幾分之幾圈
01
接上 VNA · AI 即時讀取 S 參數
02
AI Suggestion
第 3 腔·逆時針·1/8 圈
03
工程師執行 · 曲線收斂達標
完成 · 一次到位
1 分鐘內完成調諧
不依賴個人手感與經驗
知識可跨工廠複製
AI 實作路線 · 強化學習 (Reinforcement Learning)
AI 透過 數千次模擬試誤，學會了資深工程師憑 5 年才能養成的調諧直覺。
02
S 參數異常根因診斷系統
Transformer 時序模型 × 知識圖譜 × LLM Agent，從 S 參數異常指紋回推製程根因與處置建議
現有流程
25 年 經驗門檻
仰賴老師傅記憶判讀
階段 1觀察
01
NG 品出現
02
老師傅盯曲線
03
憑經驗推測根因
階段 2重檢
04
下指令重檢
05
猜錯 · 再試
反覆迭代 · 知識無法跨廠複製
× N 次
AI 解法
秒級判讀
AI 標出異常段 · 輸出根因機率分布
01
接上 VNA · AI 即時讀取 S 參數
02
AI 根因分析
標出曲線異常區段 · 輸出機率分布
鍍銀厚度
70%
組裝偏移
25%
其他
5%
03
Checkpoint
工程師審視 · 確認根因
04
快速定位 · 進入處理流程
完成 · 一次定位
新人達到老師傅判讀水準
每次判讀都累積進系統，越用越準
知識可跨工廠複製
AI 技術路線 · 深度學習 + 注意力機制 (Deep Learning + Attention)
辨識曲線「異常指紋」
AI 學習辨識 S 參數曲線的 異常指紋，把老師傅腦中的 判讀邏輯 變成可執行的模型。
03
毫米波元件多模態品保系統
3D 結構光 × 高光譜成像 × 微波 NDT 三路融合，在組裝前預測 S 參數失效（Predictive Quality）
現有作業流程
4 個獨立環節
彼此無訊號通訊 · 產線末端才檢出
CMM 三次元量測
分鐘級量測，無法跟上產線節奏，僅能抽檢
人眼目視 + 顯微鏡
依賴人員經驗，主觀判斷標準難以一致
AOI 自動光學檢測
RGB 三通道僅辨識外觀，鍍層品質與電性關聯無法判讀
S 參數驗收
位於產線末端，發現 NG 時前段加工成本已投入
四個檢測環節各自獨立、彼此無訊號通訊，無法在組裝前就預測最終電性結果
AI 解法・Multi-Modal AI
1 個融合決策
三路訊號統整 · 組裝前完成預測
3D 結構光
幾何尺寸
高光譜成像
鍍層品質
微波 NDT
內部缺陷
FUSION
多模態融合模型
組裝前即時預測
預測通過
正常流程進組裝
攔截・高機率 NG
不進組裝
在組裝前完成預測，不需等到末端 S 參數驗收才發現問題
AI 技術路線・四模態融合品保架構
三個模態各自負責一類訊號 ── 對應的 AI 模型把原始物理訊號轉成可量化的預測輸出。每一條 pipeline 都是獨立完整的：輸入 → AI 處理 → 預測。
3D 結構光 / 雷射干涉量測
用結構光（Structured Light）或白光干涉取代傳統 CMM ── 速度比 CMM 快 50 倍以上（秒級 vs 分鐘級）、可做 100% 全檢，產出的是完整 3D 點雲而非稀疏量測點，波導內壁直線度、法蘭面平整度、轉角圓弧能一次取得。
INPUT
3D 點雲
數萬點覆蓋波導內壁、法蘭面、轉角圓弧
AI 處理
PointNet++ / Point Transformer
層次化特徵萃取、跨點關聯建模
輸出
尺寸偏差 + S 參數方向
關鍵尺寸偏差量、最可能 S 參數偏移方向
AI 切入點
用 3D 點雲深度學習模型，直接從點雲預測關鍵尺寸偏差量與最可能的 S 參數偏移方向 ── 不依賴傳統的「尺寸超規 = NG」單一規則，而是學會「哪種偏差會造成電性問題」。
高光譜成像（Hyperspectral Imaging）
傳統 AOI 是 RGB 三通道，只能看顏色與形狀。高光譜相機能取得數十到數百個波段的光譜資訊 ── 每個像素都帶有一條完整的光譜曲線，可辨識鍍銀/鍍金純度與厚度、氧化、孔隙與結合力異常。非破壞性 100% 全檢，取代目前必須破壞性抽檢的鍍層品質檢驗。
INPUT
高光譜立方
每像素數十至數百波段的光譜曲線
AI 處理
CNN-Transformer Hybrid
CNN 處理空間特徵、Transformer 處理光譜序列
輸出
鍍層分類 + 異常定位
厚度估計、品質等級分類、異常區域定位
AI 切入點
用CNN + Transformer 混合架構處理高維光譜資料，輸出鍍層厚度估計、品質等級分類、異常區域定位 ── 鍍銀/鍍金純度、氧化、微觀孔隙這些用 RGB 看不出來的特徵，AI 直接從光譜指紋學會辨識。
渦電流 / 微波 NDT 無損檢測
針對波導內壁、轉角內部、組裝後內部空腔 ── 這些光學進不去的位置，用微波非破壞檢測（Microwave NDT）或渦電流檢測補足。對昇達科特別有意義 ── 本來就是微波元件廠，把同樣的微波探頭原理用在自己的元件檢測上，技術門檻比一般廠商低很多。
INPUT
微波反射訊號
穿透式探測，從內部空腔取得回波
AI 處理
Autoencoder + K-means
非監督學習，不需大量 NG 樣本即可訓練
輸出
內部缺陷定位
1 mm 以下裂縫、空腔內部缺陷位置
AI 切入點
用非監督學習（K-means 分群、Autoencoder 異常檢測）從微波反射訊號中辨識內部隱藏缺陷 ── 學術上已有用波導感測器搭配 ML 偵測 1 mm 以下金屬表面裂縫的成功案例。
04
共同研發概念 × 兩階段落地
兩個團隊一起，從昇達科 know-how 出發。原始碼 / 模型 / 資料 100% 歸屬昇達科。
什麼是共同研發？
"
從產線與專業流程出發——
打造昇達專屬的 AI 技術護城河
共同研發不是「賣軟體」，也不是「外包專案」。而是兩個團隊一起，從昇達科技的 know-how、設備、製程資料出發，把貴公司獨有的判斷邏輯，封裝成只屬於昇達科的 AI 模型。
三種 AI 導入模式 · 對比
模式 A
買套裝 AI 軟體
通用功能、設定參數即可使用
- 通用模組，不貼合昇達實際流程
- 同業也買得到，無法形成差異
- 資料與模型權重屬於軟體商
模式 B
一次性外包專案
交付規格書內的成果即結案
- 規格寫死，超出範圍即追加費用
- 結案即停，模型不會持續優化
- know-how 留在外包商腦中，不在貴公司
本提案 採用
共同研發
兩團隊共構 · 從 know-how 出發 · 與產線共同演進
- 從昇達科 know-how 出發，從架構就客製
- 原始碼 / 模型 / 資料 100% 歸屬昇達
- 與產線共同迭代，越用越準
缺少昇達科的資料與 know-how，任何競爭對手都無法複製同樣的系統
我們的核心優勢 · WHY US
頂尖研發人才
核心成員背景涵蓋 台大資工所 × 台大電機所 × MIT LCP Lab — 對應 AI 模型（資工）與訊號處理（電機）兩大領域，正是 RF 元件研發所需的核心能力。
最前沿 AI 技術
團隊在 頂級會議與期刊持續發表 AI 論文。本提案的 強化學習、Transformer、LLM Agent、多模態融合，都是團隊持續研究的前沿 SOTA 方法。
兩階段合作流程
01
階段一
顧問進場評估
深度訪談
資深工程師 · 理解 know-how 結構
資料盤點
VNA · MES · CNC 機聯網
痛點實測
調諧時間 · NG 率 · 根因耗時
可行性評估
三提案 · 資料量 · 效益範圍
產出三份文件
AI 研發可行性報告
客製化研發 Solution
系統完整架構設計圖
即使貴公司最終不進入第二階段，報告所有權與內部使用權仍屬於貴公司。
02
階段二
客製化研發落地
駐廠研發
核心團隊 · 駐廠研發
聯合工作小組
與貴公司技術團隊共構
全程地端
0 雲端上傳 · 資料不出廠
內部培訓
後期賦能 · 自主維運
六項交付物
完整原始碼
訓練完成的 AI 模型權重
訓練資料集
系統設計文件
維運手冊
內部團隊培訓