AI自律実験の「ブラックボックス」を解く 人が使える成膜ルールに：NTTがβ型酸化ガリウムで実証（1/4 ページ）

NTTは、AIとロボットを組み合わせた自律実験によって半導体材料の成膜条件を最適化するとともに、その過程で得られたデータから、人が理解／転用できる「成膜ルール」を抽出する技術を実証した。次世代パワー半導体材料として期待されるβ型酸化ガリウム（β-Ga2O3）を用いた実験では、「スパッタ法として世界で初めて」（NTT）の単結晶薄膜の作製にも成功した。

[浅井涼，EE Times Japan]

　NTTは2026年8月25日、AIとロボット技術を組み合わせ、半導体材料の成膜条件を自律的に最適化するとともに、その過程で得られたデータから人が理解／転用できる「成膜ルール」を抽出する「解釈可能な自律成膜」を実証したと発表した。実証対象には、次世代パワー半導体材料として期待されるβ型酸化ガリウム（β-Ga₂O₃）を用いた。

　AIとロボットを用いて成膜から評価、次の実験条件の決定までを自動化し、従来の技術者／研究者による実験運用に比べ、成膜／評価サイクルを約3倍に高速化した。さらに、スパッタ法としては世界初となるβ-Ga₂O₃単結晶薄膜の作製に成功した。研究成果は同年8月13日付で学術誌「Nature Communications」に掲載された。

実証内容の概要［クリックで拡大］ 出所：NTT

「最適条件は分かるが理由は分からない」自律実験の課題

　近年、AIを活用して科学研究を高度化／加速する「AI for Science」への注目が高まっている。材料研究でも、機械学習を使って実験条件を効率的に探索する取り組みが進む。特に半導体材料の成膜では、温度やガス流量など多数の条件が薄膜品質を左右するので、効率的な条件探索が重要になる。

　NTTもこれまで、限られた実験結果から有望な条件を効率的に探索する機械学習手法「ベイズ最適化」を使った高品質な酸化物薄膜の成膜や、半導体物性の知識を取り入れた化合物半導体の成膜条件の自動導出などに取り組んできた。

　一方、従来のAIによる自律実験には課題があった。AIが最適条件を発見できても、「なぜその条件が良いのか」を人間が理解することが難しく、最適化の過程がブラックボックス化していたことだ。その結果、得られた知見を別の材料や成膜装置に転用しにくかった。

　NTT 物性科学基礎研究所の担当者は説明会で、従来の自律実験について「ブラックボックス最適化による最適条件の発見にとどまっていた」と説明。今回の研究では、最適化によって得られたデータをさらに解析し、「別の装置でも同じように最適化するには、どのような手順を踏めばよいか」といった知識まで抽出することを目指したという。