NTTは5月2日、光通信用デバイスに用いる半導体薄膜の材料分析にAI(人工知能)を活用し、自動化に成功したと発表した。半導体物性の知識を取り入れた機械学習により、半導体薄膜の成膜条件(原料ガス量)を自動で導出する。これにより、目的とする組成の半導体薄膜を効率的に成膜でき、製造コストの削減が期待できるという。

光デバイスの製造においては、半導体薄膜の成膜のための原料ガス量の実験条件をその都度、熟練技術者が過去の実験結果をもとに解析、導出する必要があり、さらに4~5回ほどの実験が必要だった。今回の手法を用いることで、目的とする組成の結晶について、熟練技術者がいなくとも、正解となる条件を短時間で自動的に導出できるようになったという。

NTTは半導体薄膜形成法として、インジウムリン(InP)の基板上に原料ガスを反応させる有機金属気相成長法(MOCVD法)を採用。格子定数とバンドギャップ波長を調整し、インジウムガリウムヒ素リン(InGaAsP)を成膜する。今回の手法では、InGaAsPを効果的に成膜する条件を自動的に導出するものとなっている。

具体的な方法としては、まず、任意のガス流量で半導体薄膜を成膜し、その結晶組成を測定物理量から算出する。その後、ガス流量と結晶組成を対応させて教師データとして蓄積していくと、目指す組成を実現する条件が自動で得られる。このサイクルを多く繰り返すほど精度は高まるという。

ここで、特定の組成の結晶を作成するため、「ベイズ最適化」という機械学習手法を使用。但し、単なる「ベイズ最適化」ではなく、結晶組成を半導体物性の知識で導出し、原料ガス量と紐づける、組成と原料ガス量に線形性の関係を付与し、そこからずれる部分だけを未知の関数で紐づけるという工夫を加えることで、より少ない実験回数での導出を実現した。

今回の方法により、従来の「ベイズ最適化」と比べて予測精度の向上の他、目標値が教師データの範囲外にある外挿的予測にも対応できることも確認したという。実際に6点の教師データから外挿的予測を行い、目標値には1回で到達。7点の教師データを用いた外挿的予測では、3回目でほぼ目標値に近い値に到達したという。

同社は「本手法を、光通信用デバイスや光電融合デバイスの材料となる半導体薄膜の製造現場に広く展開することで、製造業務のDigital Transformation（DX）化を進めていく」とした。また、「この技術を普及させ、これまで熟練の技術者に頼っていた半導体薄膜の製造ノウハウをデータとして蓄積し、次世代への技術継承に資するものとする」とした。