AI活用で半導体薄膜の材料分析を自動化、NTTが新手法：光通信用デバイスの製造効率向上に

NTTは、光通信用デバイスに用いる半導体薄膜の成膜条件を自動導出する手法を開発した。AIを用いた分析に半導体物性の知識を組み合わせることで精度を高めたものだ。これによって、デバイス製造業務の効率化が実現する。

[浅井涼，EE Times Japan]

　NTTは2025年5月2日、光通信用デバイスに用いる半導体薄膜の成膜条件を自動導出する手法を開発したと発表した。AIを用いた分析に半導体物性の知識を組み合わせることで精度を高めたものだ。これによって、デバイス製造業務の効率化が実現する。

熟練技術者が担ってきた成膜条件の解析

　光通信設備を構成する半導体レーザーや受光器の製造現場では、材料となる半導体薄膜をその都度成膜する。NTTでは、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）によってインジウムガリウムヒ素リン（InGaAsP）を成膜していて、の方法では複数の原料ガスの比率といった条件を調整することで半導体薄膜のバンドギャップ波長や格子定数を調整できる。

組成を調整する意義［クリックで拡大］ 出所：NTT

　成膜の条件は従来、熟練の技術者が過去の実験結果を解析して導出していて、最適な条件に到達するためには複数回の実験が必要だった。

MOCVD法による成膜の仕組み［クリックで拡大］ 出所：NTT

ベイズ最適化×物理知識で自動化

　今回発表した手法は、この成膜条件を自動で導出するものだ。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。

成膜条件を自動導出する手法［クリックで拡大］ 出所：NTT

　今回の手法では、少ない試行回数で最良の答えを得るための機械学習の手法であるベイズ最適化を用いている。ただし、単なるベイズ最適化では物理的にあり得ない予測が出力されることがあるので、NTTはさらに2つの点で工夫をしている。1つ目は、結晶組成を半導体物性の知識で導出し、原料ガス量とひもづけること。2つ目は、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ひもづけることだ。これによって、一般的なベイズ最適化と比べ、より少ない実験回数で最良の値に到達できる。

一般的なベイズ最適化とNTTの手法の違い［クリックで拡大］ 出所：NTT

　成膜条件の導出のための実験は、装置のコンディショニングなども含めると1回当たり最長で6時間ほどかかる。この実験が、熟練の技術者による解析では4〜5回程度必要だったが、この手法では1〜2回程度で済むという。実験回数を減らすことで、原料ガスや電気代といったコストも低減できる。

　NTTは今後、この手法を半導体デバイスの製造企業に提供することで事業化する計画だ。また、現段階では導出された条件をもとに人間が製造装置を操作する必要があるが、将来的には装置へのガスの投入なども含めて自動化できる可能性があるとしている。