デジタルツイン
Digital Twin
装置チャンバー / 生産ラインのリアルタイム仮想マッピングにより、予知保全と実機・仮想の校正を支援します。
AI Solutions
AI は、すべての装置の標準装備
デジタルツインや物理シミュレーションから、生成 AI によるリソグラフィモデルと逆リソグラフィ技術まで。BETTER は最先端の AI モデルを主要9プロセス装置に導入し、据付初日から頭脳を備えた装置をお届けします。
Core Architectures
4 つのコアアーキテクチャ
すべての AI 導入は、この 4 つのコアアーキテクチャの上に築かれ、それぞれ異なるプロセスデータの形式と物理課題に対応します。
物理シミュレーション
Physics-informed Simulation
DeepONet / PINN 系の代理モデルを物理残差で学習させ、大量のシミュレーションデータなしで熱・IR・EM の挙動を推論します。
LithoDreamer
生成 AI によるリソグラフィモデル
生成 AI によるリソグラフィモデルで、露光条件の探索とプロセスウィンドウ最適化に対応します。
ILT 逆リソグラフィ技術
Inverse Lithography Technology
逆設計によってフォトマスクパターンを生成し、GPU 加速で収束させ、先端ノードの OPC 要件に対応します。
AI Benchmarks
AI ベンチマーク総覧
2020–2026 年の代表的モデル 21 件を集約し、ウェーハマップと SEM の欠陥分類、歩留まり予測、熱シミュレーション、IR Drop、エレクトロマイグレーション、ATPG / BIST、KGD、テスト時間、レイアウトホットスポット、e-Beam レビューなどの領域を網羅します。領域による絞り込み、年次による並べ替え、キーワード検索に対応しています。
21 件
| 領域 | 代表モデル（年次） | 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 | CNN-ESN2026 | 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 のノイズ耐性を含む） | クリーン 94.74%、ノイズ 87.30% |
| 静的 IR Drop | MaxViT / U-Net2026 | MaxViT エンコーダ＋U-Net/FPN デコーダ | 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（ピークホットスポット >90%）、推論時間 | MAE<15×10⁻⁵V、NGSPICE 比 10–30× 高速 |
| レイアウトホットスポット | 説明可能な GAT（ASP-DAC'26）2026 | 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 | 画像ベース手法比でメモリを 5–12× 削減 |
| ウェーハマップ欠陥分類 | G2LGAN＋CNN2025 | 2 段階の 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% |
| SEM 欠陥分類 | IBM ASMC2025 | ViT（DINOv2）＋半教師あり | SEM 画像（1 クラスあたり 15 枚未満） | 分類精度 | >90%（少数サンプル） |
| 歩留まり予測 | PDF Exensio2025 | XGBoost＋PCA | インライン欠陥、計測、電気テスト、FDC | die/wafer pass-fail、precision/recall | しきい値調整で overkill/underkill をバランス |
| 歩留まり根本原因 | TSMC スマート製造2025 | RNN（時系列 FDC）＋連合学習 | 装置センサー時系列、検査データ | 歩留まりに影響する欠陥の予測精度 | 約92%（28–3nm）、流出率 -15% |
| 熱シミュレーション代理モデル | DeepOHeat-v12025 | DeepONet＋KAN＋GMRES 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× |
| 2.5D 電熱協調 | TTSV-HMO2025 | 等価モデル＋ハイブリッドメタヒューリスティクス（PSO+SA） | TTSV ピッチ、chiplet 配置、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% |
| 動的 IR Drop | デュアルパス時空間モデル（DATE'25）2025 | 3D SW-MSA Transformer | 時間窓に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 | BPINN-EM-Post2025 | ベイズ PINN | Korhonen PDE の物理残差＋観測値 | 不確実性の定量化、寿命分布 | PINN の過学習を克服、多配線セグメントに対応 |
| ATPG | InF-ATPG2025 | 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% |
| BIST 強化 | LITE2025 | 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 -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2025 | 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 は約 90% のカバレッジを保証 |
| テスト時間 | GPU リアルタイム適応型テスト2025 | GPU 加速 ML（量産ライン展開） | 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：テスト時間 -25% |
| e-Beam レビュー | SEMVision H202025 | 深層学習による画像分類（量産ラインで継続学習） | CFE e-beam 画像 | レビュー速度、真／偽欠陥の判別 | 速度 3×、2nm/GAA 顧客に導入済み |
| 熱-IR 統合 | ThermEDGe / IREDGe2024 | Encoder-Decoder CNN | 時変消費電力マップ、PDN 密度 | IR 誤差（mV）、温度プロファイル | 平均 IR 誤差 0.053mV |
| 動的 IR Drop | PDNNet2024 | GNN（PDNGraph）＋CNN ヘテロジニアス | PDN 構造グラフ＋動的電流マップ | NMAE、高速化率 | NMAE を 39.3% 改善、545× 高速化 |
| ATPG（商用） | Synopsys TSO.ai2024 | 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、制約条件 | パターン数、カバレッジ、収束イテレーション | パターン -20〜25%（一部 >50%） |
| 静的 IR Drop | ICCAD'23 優勝フロー2023 | ConvNeXtV2-Nano＋UPerNet | 各メタル層の抵抗マップ＋実効距離マップ | MAE（mV）、F1 | MAE 0.075mV、F1 0.56 |
| 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、故障区間の検出 | 大幅に高速化、MTTF は厳密モデル並み |
出典：各種公開論文およびメーカー発表（2020–2026）。
Deployment Flow
AI 導入フロー
データの棚卸しから継続学習まで 4 ステップで、ベンチマークモデルをお客様の生産ラインに実装します。
- 01
データの棚卸し
工場内の FDC センサー時系列、検査画像、ウェーハマップ、過去の歩留まりデータを棚卸しし、データ品質と利用可能性を評価します。
- 02
モデル選定
上記のベンチマーク総覧を参照し、データ形式と目標指標に応じて候補アーキテクチャを選定し、小規模な検証を実施します。
- 03
装置 FDC/SECS-GEM との接続
装置の通信インターフェースとデータパイプラインを接続し、リアルタイム推論と生産ラインシステムへの実装を完了します。
- 04
稼働後の継続学習
稼働後は生産ラインの新しいデータで再学習を重ね、モデル性能を継続的に最適化し、長期的な精度を維持します。