名大ら,ベイズ最適化で成膜速度を2倍に

名古屋大学,理化学研究所,グローバルウェーハズ・ジャパンは,逐次最適化のための機械学習手法であるベイズ最適化を,化学気相成長法(CVD 法)によるエピタキシャルSi膜の成長プロセス条件の最適化へ応用することにより,成膜品質を維持しながら,成長速度を約2倍に高めることに成功した(ニュースリリース)。

先端の半導体デバイス材料には,高品質なSiウエハーが求められており,不純物濃度や欠陥密度の低い高品質な結晶膜を得るために,化学気相成長法(CVD 法)を用いてSiウエハー上にSiエピタキシャル膜を成膜する。このCVD法では,基板加熱条件や基板位置,基板回転速度,原料ガスの流量など,多くのプロセス条件パラメータがある。

また,得られるSiエピタキシャル膜にも,成長速度,ウエハー面内の膜厚均一性,ウエハー面内の抵抗率均一性,欠陥密度など考慮すべき品質パラメータが多く存在する。これらのプロセス条件パラメータと品質パラメータは複雑に関係しているため,すべてのパラメータを考慮した大域的な条件探索は難しく,従来は既存条件の近傍に限定した探索やパラメータ数を絞った探索を行なうことが一般的だった。

研究では,ベイズ最適化を応用することで,3か月という非常に短い開発期間の中でも12個という多数のプロセス条件パラメータを同時に考慮した大域的な探索を行ない,従来の条件とは大きく異なるプロセス条件パラメータ値の組み合わせで,5つの品質パラメータの値を基準値以下に維持したまま,成長速度を従来の約2倍にすることに成功した。

近年,材料分野では,手動で調整することが困難な数のパラメータに対して,機械学習を用いた最適化が有効であることが報告されている。その多くは,シミュレーションデータを用いた機械学習による物質探索によって,特定の材料物性値を向上させる物質を見い出すなど,目的が単一だった。

この研究は,材料プロセスの実際の実験という複雑な対象に対して,複数の制約を適応的に用いることを提案したもの。提案した手法は普遍的な方法であるため,研究で応用した材料プロセスはもちろんのこと,多様な逐次最適化に応用可能であり,最適化の有効化・効率化に貢献するものだとしている。

その他関連ニュース

  • 三菱ケミ,画像解析CoEを発足 2021年02月02日
  • KEKら,粉末X線回折から結晶の対称性を予測 2020年12月15日
  • 早大ら,CNTフォレストの長尺化に成功 2020年10月28日
  • NIMSら,機械学習で薄膜作製プロセスを高速化 2020年10月22日
  • 東大,AIに電子物理を学習させる方法を開発 2020年05月11日
  • 首都大ら,機械学習でBKT転移を相分類 2020年02月14日
  • 理科大ら,機械学習で太陽光発電の異常検知 2019年11月20日
  • コグネックス,ディープラーニング企業を買収 2019年10月23日