半導体製造にAI仮想計測を導入：少量データで高精度なゲイン予測とレシピ探索を実現

半導体製造のボトルネックとAI仮想計測の可能性

半導体デバイスの開発と製造は、極めて複雑で時間のかかるプロセスです。特に新しいデバイス、例えばフォトトランジスタの製造フローをカスタマイズ、最適化、安定化させるには、数ヶ月ものクリーンルーム時間を要し、その間に膨大なコストが発生します。完成したデバイスの測定結果を待つことなく、プロセスパラメータからデバイスのゲインを予測できるモデルがあれば、開発サイクルを大幅に短縮し、コストを削減できます。これが「仮想計測（Virtual Metrology）」の概念であり、AI技術の応用が期待される分野です。しかし、従来の仮想計測は、通常、大量の製造データがあることを前提としていました。実際の新規デバイス開発や少量生産では、利用可能なデータが限られているという根本的な課題があります。私はこの「少量データ」という現実的な制約下でのAI仮想計測の可能性を探りました。

少量生産データにおけるゲイン変動の構造分析

私は、実際の製造履歴データ、具体的には単一デバイスの13〜14回のプロセス実行データという、限られたサンプルセットを分析しました。これは、従来の仮想計測が対象とする大規模コーパスとは全く異なる、階層的な構造を持つ設定です。デバイスゲインのばらつき（分散）を詳細に分解したところ、興味深い発見がありました。ゲインのばらつきの約半分は、個々のプロセス実行内ではなく、プロセス実行間、つまりバッチやロット間の違いに起因していることが明らかになったのです。この発見は極めて重要です。なぜなら、単にレシピパラメータだけでゲインを予測しようとすると、このプロセス間変動を考慮できないため、予測精度には構造的な上限が存在するからです。私の分析は、少量データ環境において、ゲイン変動の根本原因を理解することが、より堅牢な予測モデル構築の鍵であることを示しています。

階層的・不確実性考慮型AIアプローチの構築

この知見に基づき、私は「階層的（Hierarchical）」かつ「不確実性考慮型（Uncertainty-Aware）」のAIアプローチを開発しました。このアプローチは、製造プロセスにおける物理的なエンティティ（バッチ、ウェハー、ダイ）のネストされた構造を明示的にモデルに組み込みます。これにより、プロセス間変動とプロセス内変動の両方を適切に捉え、限られたデータからでも信頼性の高い予測を可能にします。具体的には、以下の主要な機能を提供します。

1. 順方向ゲイン予測（Forward Gain Predictor）

プロセスパラメータを入力として、デバイスゲインを予測するAIモデルです。この予測は、単一の点推定値だけでなく、予測の不確実性を示す相対的な信号も伴います。これにより、製造エンジニアは予測結果の信頼度を評価し、より情報に基づいた意思決定を行うことができます。

2. 逆方向探索（Inverse Search）

目標とするデバイスゲインを入力として、それを達成するための最適なプロセスレシピ（パラメータの組み合わせ）を探索するAI機能です。これは、新製品開発や既存プロセスの改善において、試行錯誤の回数を大幅に削減し、効率的なレシピ設計を可能にします。

3. 多段階データ品質評価（Multi-level Data-Quality Assessment）

製造の各階層（バッチ、ウェハー、ダイ）におけるデータの品質を評価し、異なるレベル間の連携スコアを明示します。これは、AIモデルの信頼性を高める上で不可欠であり、データ収集プロセスの改善点も特定できます。

私の見方：少量データAIの真価と製造業の未来

私の経験上、AI技術の真価は、潤沢なデータがある環境だけでなく、むしろデータが限られている「一次情報が少ない」現場でこそ問われます。今回の研究は、半導体製造という高度な分野において、少量データでも実用的な価値を生み出すAIモデルが構築可能であることを示しました。これは、製造業が直面する多品種少量生産や、新しい材料・プロセスの迅速な導入といった課題に対する強力な解決策となります。AIが単なる予測ツールに留まらず、設計と最適化のサイクル全体を加速させる「インテリジェントなパートナー」となる時代が到来したと感じます。公開された正規化データセットと解析コードは、この分野の透明性と再現性を高め、さらなる研究と産業応用を促進するでしょう。私は、この種のAI活用が、日本の製造業の競争力強化に直結すると確信しています。