デジタルツイン Digital Twin
装置、チャンバー、ライン全体の仮想モデルを構築し、実機の状態と同期させながら各種シナリオの検証を支援します。
AI × ADVANCED MANUFACTURING
主要 9 プロセスを貫く AI
検証可能な最先端アーキテクチャを基準に、装置とプロセスの現場へ導入します。
POSITIONING
AI に対する考え方
半導体製造における AI の価値は、センサー、計測、検査のデータを現場で使える判断へ変えることにあります。
BETTER は、産業界・学術界が公開したアーキテクチャをベンチマーク基準とし、工程ごとの状況に応じて適した手法を選定・導入します。
以下に挙げるアーキテクチャと定量結果はいずれも第三者の研究成果であり、技術基準の参考として掲載しています。BETTER 自身の測定データではありません。
THREE PILLARS
全工程を貫く 3 つの軸
プロセスが異なっても、同じ方法論の骨格を共有します。
物理解析 Physics Simulation
プラズマ、熱伝導、流体、イオン輸送などの物理モデルでプロセスの挙動を予測します。
LithoDreamer / ILT
生成型の手法と逆リソグラフィ補正により、パターンと光近接効果を扱います。
BENCHMARK ARCHITECTURES
AI アーキテクチャのベンチマーク表
いずれも第三者が公開した研究成果であり、導入のベンチマーク基準としています。
| 領域 | 代表モデル（年） | コアアーキテクチャ | 入力データの特徴 | 出力／評価指標 | 主要な定量結果 |
|---|---|---|---|---|---|
| ウェーハマップ欠陥分類 | G2LGAN＋CNN（2025） | 2 段階 GAN データ拡張＋MobileNetV2 | ウェーハマップ画像（クラス不均衡データ） | Accuracy／F1／1-NN（生成品質） | Acc 98.39%、F1 93.01% |
| ウェーハマップ欠陥分類 | CNN-ESN（2026） | ResNet34＋エコーステートネットワーク | ノイズを含むウェーハマップ | Acc（σ=0.1 ノイズへのロバスト性を含む） | クリーン 94.74%、ノイズ 87.30% |
| SEM 欠陥分類 | IBM ASMC（2025） | ViT（DINOv2）＋半教師あり | SEM 画像（1 クラス <15 枚） | 分類精度 | >90%（少数サンプル） |
| 歩留まり予測 | PDF Exensio（2025） | XGBoost＋PCA | インライン欠陥、計測、電気特性テスト、FDC | die/wafer pass-fail、precision/recall | 閾値調整で overkill／underkill のバランスを最適化 |
| 歩留まり根本原因 | TSMC スマート製造 | RNN（時系列 FDC）＋連合学習 | 装置センサー時系列、検査データ | 歩留まり影響欠陥の予測精度 | 予測精度 約 92%（28–3nm）、流出率 -15% |
| 熱シミュレーション代理モデル | DeepOHeat-v1（2025） | DeepONet＋KAN＋GMRES による精緻化 | 消費電力マップ／floorplan（物理情報に基づく学習、シミュレーションデータ不要） | MAPE、学習時間、メモリ | MAPE 0.035%、学習 -62×、メモリ -31× |
| 熱-IR 連成 | ThermEDGe/IREDGe | Encoder-Decoder CNN | 時間変化する消費電力マップ、PDN 密度 | IR 誤差（mV）、温度プロファイル | 平均 IR 誤差 0.053mV |
| 2.5D 電気-熱協調 | TTSV-HMO（2025） | 等価モデル＋ハイブリッドメタヒューリスティック（PSO+SA） | TTSV 間隔、chiplet 位置、消費電力密度 | 温度/インピーダンス MAE、fitness | 温度 MAE 0.35%、インピーダンス 3.97% |
| 静的 IR Drop | MaxViT/U-Net（2026） | MaxViT エンコード＋U-Net/FPN デコード | 抵抗マップ、電流マップ、電源パッドマップ（SPICE を画像化） | MAE、F1（>90% ピークホットスポット）、推論時間 | MAE <15×10⁻⁵V、NGSPICE 比 10–30× 高速 |
| 静的 IR Drop | ICCAD'23 優勝フロー | ConvNeXtV2-Nano＋UPerNet | 各金属層の抵抗マップ＋有効距離マップ | MAE（mV）、F1 | MAE 0.075mV、F1 0.56 |
| 動的 IR Drop | PDNNet（2024） | GNN（PDNGraph）＋CNN のヘテロ構成 | PDN 構造グラフ＋動的電流マップ | NMAE、高速化率 | NMAE 改善 39.3%、545× 加速 |
| 動的 IR Drop | デュアルパス時空間モデル（DATE'25） | 3D SW-MSA Transformer | 時間窓で分解した消費電力マップ（内部/スイッチング/リーク/トグル率） | ホットスポット予測精度 | 2D/3D-CNN および再帰型 U-Net を上回る |
| エレクトロマイグレーション | Dey et al.（2020） | 10 層 NN 回帰＋ロジスティック回帰分類 | J、L、T、IR Drop、MTTF ラベル（KLU＋Black） | R²、AMSE、故障セグメント検出 | 大幅な高速化、MTTF は精密モデルと同等 |
| エレクトロマイグレーション | BPINN-EM-Post（2025） | ベイズ PINN | Korhonen PDE の物理残差＋観測 | 不確実性の定量化、寿命分布 | PINN の過学習を克服、多セグメント対応 |
| ATPG | InF-ATPG（2025） | FFR 分割＋QGNN＋DQN | 論理状態、SCOAP 可制御性/可観測性 | バックトラック数、故障カバレッジ、UFP | バックトラック -55.06%、UFP 0.50% |
| ATPG（商用） | Synopsys TSO.ai | AI による設定チューニング（ブラックボックス最適化） | 設計特性、ATPG エンジンの挙動、制約 | パターン数、カバレッジ、収束反復 | パターン数 -20〜25%（一部 >50%） |
| BIST 強化 | LITE（2025） | 標準セルのスキャン強化＋SCOAP 解析 | ネットリストのハイパーグラフ、CC0/CC1/CObs | パターン数、ランダムパターンカバレッジ | ATPG パターン数 -31%、RPR カバレッジを改善 |
| KGD/外れ値検出 | GPR/RevTransC/コンフォーマル予測 | GPR 空間モデリング、教師なし変換、コンフォーマル QR＋CatBoost | ウェーハレベルのパラメトリックテストデータ、WAT | AUROC、DPPM、Vmin 区間カバレッジ | DPAT を上回る／Vmin 約 90% のカバレッジを保証 |
| テスト時間 | GPU リアルタイム適応テスト | GPU 加速 ML（生産ラインに配備） | リアルタイムのテストデータストリーム | テスト時間、欠陥カバレッジの維持 | Blackwell 量産でテスト時間 -25% |
| レイアウトホットスポット | 説明可能な GAT（ASP-DAC'26） | グラフアテンションネットワーク（8 ヘッド） | レイアウトグラフ（ノード特徴 5 次元、隣接行列） | Recall、誤検出率、説明可能性 | 画像手法比でメモリ 5–12× 削減 |
| e-Beam 再検査 | SEMVision H20（2025） | 深層学習の画像分類（生産ラインで継続学習） | CFE e-beam 画像 | 再検査速度、真/偽欠陥の判別 | 3× 速度、2nm/GAA 顧客に導入済み |
出典は第三者が公開した研究および産業情報であり、BETTER はこれを導入のベンチマーク基準としています。
PROCESS × AI
プロセスと AI の対応
主要 9 プロセスごとの主な導入の方向性です。
| プロセス | 主なベンチマークアーキテクチャ | 導入の要点 |
|---|---|---|
| リソグラフィ工程 | LithoDreamer／ILT、説明可能な GAT（ASP-DAC'26） | マスクパターンの生成補正、レイアウトホットスポット予測、トラック装置のデジタルツイン |
| エッチング工程 | プラズマ物理シミュレーション、TSMC RNN 時系列 FDC＋連合学習 | エッチングレートの予測、異常検出、終点検出 |
| CVD（化学気相成長） | DeepOHeat-v1（2025）、ThermEDGe/IREDGe | 熱場のサロゲートモデル、膜厚の均一性、チャンバーのデジタルツイン |
| ベーク／熱処理工程 | DeepOHeat-v1（2025）、ThermEDGe/IREDGe | 温度プロファイルの予測、熱バジェットの最適化、バッチのデジタルツイン |
| イオン注入 | モンテカルロ物理シミュレーション、BPINN-EM-Post（2025）、GPR | ドーピングプロファイルのシミュレーション、不確実性の定量化、空間的な外れ値検出 |
| CMP（化学機械研磨） | 研磨の物理シミュレーション、PDF Exensio（2025）、RNN 時系列 FDC | 除去レートの均一性、歩留まり予測、消耗品寿命のトレンド |
| ウェーハ洗浄 | IBM ASMC（2025）ViT、RNN 時系列 FDC | SEM の少数サンプル欠陥分類、薬液の異常検出、パーティクルの根本原因分析 |
| ウェーハ検査・テスト | G2LGAN＋CNN、CNN-ESN、SEMVision H20、GPU 適応テスト、KGD コンフォーマル予測、InF-ATPG | ウェーハマップ分類、e-beam 再検査、テスト時間の最適化、外れ値検出 |
| フォトマスク工程 | LithoDreamer／ILT、MaxViT/U-Net、説明可能な GAT | パターン補正、リスク領域の特定、描画のデジタルツイン |
HOW WE DELIVER
AI 導入の 5 ステップ
適用シーンの定義から引き継ぎまで、各段階を指標で検証します。
-
01
ご相談
対象となる適用シーンと定量目標を定め、データの入手可否と導入効果を評価します。
-
02
データ連携
装置センサー、プロセス計測、検査のデータを統合し、形式を揃えたデータ基盤を整えます。
-
03
モデル導入
シーンに応じてベンチマークアーキテクチャを選定・調整し、学習と推論のフローを構築します。
-
04
検証
定めた指標でベースラインと比較し、安定性と再現性を確認します。
-
05
育成
操作方法とデータの読み解き方を引き継ぎ、お客様が自立して運用できる体制を築きます。
GET IN TOUCH
生産ラインのご要望をお聞かせください
装置選定から据付、AI 導入まで、ワンストップでご対応します。