株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
半導体製造装置へのAI導入を検討するときは、まず「何を見つけ、誰が何を変えるのか」を分けます。異常らしい波形を知らせる機能、画像から寸法を測る機能、次の加工条件を提案する機能では、確かめる対象が違うためです。通知が正しくても、原因を特定できなければ対応は進みません。推定値が合っていても、そのまま装置へ設定してよいとは限りません。
この記事では、半導体製造装置と精密計測におけるAI活用を、検知・推定・制御に分けて整理します。メーカーの公開例を踏まえ、工程条件をそろえた評価と、調査・変更・再評価までの実務を説明します。公開資料は2026年11月に確認しました。
半導体製造装置のAIを、異常検知・推定・制御に分ける
異常検知では、センサーの波形や検査画像から、普段と異なる状態や欠陥の候補を探します。ここでの出力は調べるきっかけです。異常と判定した原因が部材の状態なのか、計測の不具合なのか、製品や工程条件の切り替えなのかは、別に確かめます。警報の数だけを減らすと、重要な変化まで見逃す可能性があるため、通知後に確認できた事象を評価に残す設計が必要です。
推定・計測支援では、画像の領域を分けて形状を捉えたり、工程データから品質に関わる値を推定したりします。実際に測った値とモデルの推定値は、保存先と画面上の表示を分けましょう。後から推定値を実測値と思い込んで再学習すると、モデルの答えを正解として扱うことになります。計測を置き換えるのか、測る箇所を選ぶのか、判定者の確認を助けるのかも、導入前に決める項目です。
制御・条件提案では、工程の設定値や補正量を検討します。候補を画面へ表示する段階と、人が承認して装置へ反映する段階、自動で反映する段階を区別してください。同じモデルでも、出力を実際の加工へつなぐと、対象工程・変更できる範囲・停止時の手順を含めた確認が必要になります。
公開例として、ASMLの2025年年次報告は、HMIの電子線計測・検査で機械学習を欠陥検知と検査箇所の選択に用い、YieldStarでは計測レシピの準備にAIを利用していると説明しています。いずれも、何の作業を支援する機能なのかを読むことが大切です。
Applied MaterialsのAIxも、工程チャンバーのセンサー解析、計測、レシピ開発、特定装置のデジタルツインを構成要素として紹介しています。これらは各社の対象製品についての説明です。海外メーカーの機能紹介から、日本のどの工場でも同じ効果が出るとは判断できません。装置の世代、搭載機能、取得できるデータ、製品条件を自社の評価対象と照合する必要があります。
導入案を一枚にまとめるなら、入力、出力、利用者、次の行動、対象外の五つを記入します。「品質を上げる」だけではなく、「検査担当者が欠陥候補の画像を確認し、追加計測の要否を決める」のように、実際の仕事まで書くと、必要な機能と評価項目が定まります。
ロット・装置・工程条件をそろえて、計測と検知を評価する
最初の作業は、学習データを集めることだけではありません。装置ログ、製造履歴、計測結果が、どのウェハーのどの工程を表すのか確認できる状態にします。対応づける項目には、ロット・ウェハーの識別子、装置とチャンバー、工程、レシピの版、処理時刻、計測時刻などがあります。実際に必要な粒度は用途に応じて決め、識別できないデータを無理に同じ条件として扱わないようにします。
時刻のずれや単位の違い、欠測値、センサー交換も確認対象です。計測の前後関係を取り違えると、予測した時点ではまだ得られない情報を使って、よく当たるように見えてしまいます。どの時点までの入力で、どの結果を予測するのかを先に定義し、保全や校正、材料の変更履歴とともに残しましょう。
評価用のデータは、同じウェハーの近い箇所や連続した処理が学習側と評価側に混ざることにも注意して分けます。目的に応じ、ロット単位や時期、装置ごとに分けた比較を用意してください。既知の条件で再現できるかと、未経験の条件へ適用できるかは別の問いです。評価していない装置や製品を、結果の良かった集計に含めて利用可能と扱わないことが重要です。
異常検知なら、見逃した事象と誤って通知した事象を分け、どの条件で起きたかを見ます。不良が少ない集団では、正常を多く当てるだけでも全体の正解率は高く見えるため、正解率だけで導入を決めるべきではありません。計測・推定では、参照する計測方法を定め、誤差の平均に加えて大きく外れる条件や偏りを調べます。現行の方法と同じ対象を比較し、確認作業が増えた分も記録してください。
Applied Materialsの2026年8月31日の解説は、VeritySEM 20に画像の特徴の輪郭を捉える深層学習の仕組みを組み込み、計測レシピの最適化を支援するとしています。画像を扱うAIでも、対象となる計測とソフトウェアが具体的に定められている例です。こうした製品説明の性能値を、そのまま別装置や別工程の採否基準に移すことは避けましょう。
仮想モデルで工程の振る舞いを調べる場合も、入力条件と実測との照合が要ります。モデルの使える範囲を決める考え方は、製造業のデジタルツインの検証方法で詳しく説明しています。評価表には対象条件、比較方法、判断者、保留した理由を残し、結果が良い条件だけを抜き出さない形にします。
通知を受けた調査と、モデル更新・設定変更の確認をつなぐ
試験を始める前に、通知が届いてから何をするかを決めます。受け取る担当者、確認するログや計測結果、調査の記録先、担当不在時の引き継ぎ先が必要です。AIが示した候補を確認できないまま通知だけが蓄積すると、検知性能が分かっても現場で使えるかを判断できません。モデルの開発担当と、工程を判断する担当が違う場合は、どの情報を渡せば調査を始められるかを双方で確認してください。
例えば、あるチャンバーの処理後に通知が増えたという架空の場面を考えます。最初に対象ロット、使用したレシピ、センサーの欠測、直前の保全を確認します。次に、別の計測結果から製品の状態を確かめ、通知が製品の変化を捉えたのか、入力の変化によるものかを分けます。モデルの出力だけで装置の異常原因を断定せず、確認できた事実と、まだ仮説である説明を分けて記録する進め方です。
工程条件の変更が必要になった場合は、提案の記録と装置へ反映する承認をつなぎます。変更前後のレシピ、対象工程、確認した結果、承認者、適用時点を残してください。AIが候補を出す仕組みを導入しただけで、既存の変更管理を省けるわけではありません。自動反映まで進める場合は、その範囲を対象とした検証と、装置側の制約・運用手順との整合を別途確かめる必要があります。
メーカーが組み込んだ学習済み機能と、自社で再学習・運用するモデルは分け、更新できる範囲を製品・契約で確認します。前述のVeritySEM 20の解説も、事前に学習した機能を装置上で実行し、工場での学習は不要と説明しています。モデルを更新するときは、旧版と新版を同じ評価対象で比較します。全体の指標が改善していても、特定の製品や装置で悪化していないかを見ます。入力する項目や単位が変わったときには、モデルだけを差し替えて接続できるとは限りません。版ごとの評価結果、入力の定義、利用開始日をそろえ、問題が起きた場合に戻す対象と判断者を決めておきましょう。比較と承認の手順は、再学習モデルのリリース判定にもまとめています。
費用対効果は、モデルの計算費用や装置の追加費用だけで見ないことが大切です。データを対応づける作業、調査、追加計測、保守、評価のやり直しも比較に入れます。歩留まりが変わった場合には、材料やレシピ、保全など同時期の変更も確認し、改善の全てをAIの効果として計上しないようにします。試験で分かった範囲と分からなかった範囲を分けることが、次の投資判断につながります。
導入を進める前に、技術者と運用担当が同じ手順を読み、担当者・次の行動・確認期限まで合意できるかを確かめてください。業務の整理や検証計画を外部と検討する場合は、AIコンサルティングの相談範囲と、装置メーカーや工場側で判断する事項を分けておくと、必要な専門家を選びやすくなります。

