NTT、AIで半導体薄膜の成膜条件を自動導出　MOCVDプロセスの効率化へ新手法

2025年5月2日、NTTはAIを活用して光通信デバイスに用いられる半導体薄膜の成膜条件を自動で導出する新手法を開発したと発表した。従来、熟練技術者に依存していた条件設定が自動化され、試行回数の削減とコスト低減が見込まれている。

熟練技術からAI主導へ　MOCVD法を効率化するNTTの新アプローチ

光通信用デバイスに不可欠な半導体薄膜の製造には、インジウムリン（InP）基板上への成膜が必要となる。
NTTではこの工程にMOCVD法（※1）を採用しており、複数の原料ガスの比率調整を通じて、目的とするバンドギャップ波長や格子定数を実現してきた。
しかし、これまでの工程では、技術者の経験に基づく試行錯誤が避けられず、複数回の成膜実験が必要であった。

今回開発された新手法では、まず任意のガス流量で薄膜を形成し、その結晶組成を測定する。そのデータを蓄積し、機械学習によるベイズ最適化（※2）を通じて、目標とする組成を実現する成膜条件を推定する。
これにより、最小限の実験回数で最適な条件が得られるという。さらに、物理モデルによる知識を導入することで、現実的かつ高精度な予測が可能となる仕組みである。

NTTはこの技術により、従来4〜5回必要だった実験回数を1〜2回にまで減らせると試算しており、製造工程の省力化とコスト削減を実現する一助になるとみている。

NTTは本技術の事業化にも意欲を示している。今後はこの手法を半導体デバイスの製造企業に提供し、現場への導入を進める方針とみられる。
現時点では導出された条件をもとに人が装置を操作する必要があるものの、将来的にはガス投入を含む成膜プロセス全体を自動化できる可能性があるとしている。

NTTが描くAI応用の将来像　今後の課題と展望

今回の取り組みは、AIによるものづくりの自動化が本格的な段階に入ったことを示す好例と言えるだろう。
従来、半導体の成膜条件はブラックボックス化されており、職人的なノウハウに大きく依存していた。しかし、AIが材料特性と実験データを統合的に扱うことで、プロセスの可視化と最適化が進む可能性が高まっていると考えられる。

一方で、AI活用にあたっての課題も残されていると考えられる。
最大の懸念は、予測モデルの信頼性と汎用性である。ベイズ最適化が高精度な条件推定を可能にするとはいえ、初期データの質や範囲に強く依存する側面がある。
加えて、AIモデルのブラックボックス性が再び問題化する可能性もある。特に製造現場でのトラブル時に、人間が因果関係を適切に把握できるかどうかは依然として課題であろう。

いずれにしても、材料開発や製造現場におけるDX（デジタルトランスフォーメーション）の一環としても注目される動きだろう。

※1 MOCVD法：有機金属気相成長法。金属有機化合物を気体として供給し、基板表面で化学反応を起こさせて薄膜を形成する成膜技術のひとつ。

※2 ベイズ最適化：限られた試行回数で最良の結果を得るための機械学習手法。既存のデータを元に、次に試すべき最適な条件を推定する技術。