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。