AI・生成AI

「歩留まり最大30%向上」は目標値。半導体のML適用を、検証できる数字だけで見る

半導体製造へのML適用は、紹介記事に数字が溢れています。「歩留まり最大30%向上」「ダウンタイム最大30%削減」。ただ出典をたどると、ほとんどがベンダーの目標値で、測定条件もベースラインも示されていません。この記事では、学会発表ベースで条件が追える数字と、そうでない数字を分けて並べます。どこまでが確かめられているのかを知っておくことは、この領域で仕事をするときの前提になります。

欠陥分類（ADC）：条件が追える数字

Onto InnovationのSPIE原稿に、評価条件まで書かれた数字があります。ディープラーニングによる自動欠陥分類（ADC）の事例です。

• KNN単独のベースライン／欠陥クラスコード190／203／2051の純度（purity）が約75%
• 主要binningコードでの最終結果／A/P/C rate 約99%、escape rateを約0.2%削減、overkillを約0.2%まで低減
• 顧客スペック／A/P/C rate 90%超

モデルの構成まで公開されています。CNNはResNet50からの転移学習、batch size 32、learning rate 0.001、optimizerはAdamax。チューニング過程でlearning rateを0.01から0.001へ、optimizerをAdamからAdamaxへ変更して過学習を抑制した、とされています。

構成上の工夫はKNN＋CNNのマルチエンジンです。ロジック条件で2つ目のモデルを「double check」として使い、誤分類を捕捉する。欠陥コードごとにモデルを選択できる設計です。サードパーティのAOI向けには参照画像が得られないため、欠陥画像のみから学習するオフラインCNNを使う、という記述もあります。

著者の結論は、CNN単独でも非AI手法の大半を上回るが軽微欠陥の見逃しが残る。KNN＋CNNの併用でaccuracyとpurityが向上しdie escapeが減る、というものです。

実験に使った画像枚数は論文に記載がありません。産業用AOIが1日あたり数百万枚の欠陥画像を生成しうること、小規模データセットとクラス不均衡が過学習の要因になったことへの言及にとどまります。

ベンダー発表の数字

同じ領域でも、条件が示されていない数字もあります。

• SixSense（classifAI）／「特定ユースケースで最大98%のモデル精度」「年間数億枚の画像を24/7で推論」。初期採用顧客としてInfineon TechnologiesとGlobalFoundriesを挙げるが、98%の試験データセット・手法・期間の記載なし
• Hitachi High-Tech CR7300シリーズ／ADCにAIを使用し「分類性能と精度を著しく改善」とするが、定量値は「スループットが前機種比で約2倍」のみ。精度のパーセンテージは記載なし

悪意があるわけではなく、顧客のプロセス情報に関わるため出せないという事情もあります。ただ、比較できない数字を比較してはいけないことは変わりません。

予知保全：ほぼすべてが目標値

最も注意が必要なのがこの領域です。Siemensのブログ（2026年8月13日）に挙がっている数字を見てみます。

• 最大30%のダウンタイム削減／記事本文では「AI支援エッチング監視のexample targets」の一つ、つまり実測結果ではなく目標値
• 最大15%のスクラップ率低減／同じく目標値
• 99%のyield protection／同じく目標値
• 生産影響が出る20〜40分前の早期警告／同上

問題は、同じ記事の中でKey TakeawaysとFAQでは結果のように書かれていることです。このまま引用すると、目標値が実績値として一人歩きします。実際、日本語の紹介記事では実績として扱われているものを見かけます。

ダウンタイムのドル換算コスト、モデルのaccuracy／precision、false positive率、ベースラインとの比較は、いずれも記載がありません。

Critical Manufacturingのホワイトペーパーにある「AIは歩留まりを最大30%向上させうる」も、方法論・ベースライン・出典の記載がありません。

技術的な中身は参考になる

数字は割り引くとして、どの物理量をどう見ているかという手法の記述は実務的に有用です。Siemensが挙げているプラズマエッチの故障モード例です。

• OESによるエッチレートドリフト検出／光学発光分光でプロセスの進行を見る
• RFインピーダンス変化／チャンバ壁の劣化を示唆する
• マイクロアーク署名／誘電体絶縁破壊の前兆

監視パラメータは電流、電圧、振動、温度、流量、圧力、バルブ挙動。これらを束ねて装置の「operating fingerprint」を作る、という設計です。

LLMの使い方も具体的です。保全手順・判断マトリクス・フローチャート・装置データ・画像・回路図を取り込み、「何が変わったか」を要約し、根拠を提示し、優先順にチェック項目を提案する。診断そのものを任せるのではなく、保全技術者が読む資料を整理する役割に置いているのが現実的です。

欠陥分類を設計するときの実務的な論点

ADCをゼロから設計するとき、モデルの選定より先に決めるべきことがあります。公開されている事例から、順に整理します。

1. 何を誤りとするかを2方向で定義する。escape（見逃し）とoverkill（過検出）は逆方向のエラーで、片方を減らすともう片方が増える。事例では escape rate を約0.2%削減し、overkill も約0.2%まで低減したと報告されているが、両方を同時に出さない報告は信用できない
2. クラスごとに評価する。全体精度は、件数の多いクラスに引きずられる。事例でも欠陥クラスコードごとに purity を見ている
3. 参照画像が取れるかを確認する。サードパーティのAOI向けには参照画像が得られないため、欠陥画像のみから学習するオフラインCNNを使う、とされている。ここで構成が変わる
4. 再学習の運用を先に決める。プロセスが変われば欠陥の見え方も変わる。誰が、いつ、どのデータで再学習するのか

モデル側の構成で参考になるのは、性質の違うモデルを組み合わせる設計です。事例ではKNNとCNNを併用し、ロジック条件で2つ目のモデルを「double check」として使って誤分類を捕捉しています。欠陥コードごとにモデルを選択できる作りです。

ハイパーパラメータも開示されています。CNNはResNet50からの転移学習、batch size 32、learning rate 0.001、optimizerはAdamax。チューニング過程でlearning rateを0.01から0.001へ、optimizerをAdamからAdamaxへ変更して過学習を抑制した、と。過学習との戦いが主戦場だったことが読み取れます。

確認できなかったこと

この調査で最も重要な発見は、チップメーカー自身が公表した、ML適用による検証済みの定量的な歩留まり改善効果が、公開情報の範囲ではほとんど見当たらないことでした。

理由はおそらく単純で、歩留まりは競争力そのものだからです。改善幅を公表することは、改善前の水準を公表することでもあります。

一方、業界側の位置づけは明確になってきています。SEMIのASMC 2027のトピック定義では、Yield Enhancement（YE/YM）が「ML/AI based algorithms for Yield enhancement」「defect-to-yield correlation」「slot signature analysis」「critical area extraction techniques」「yield-targeted data mining」をカバーする項目として明示されています。Advanced Process Control（APC）にはrun-to-run control、FDC（fault detection and classification）、virtual metrologyが並びます。

個別の事例はASMC、SPIE、IEEE TSMといった学会のプロシーディングスに存在する可能性が高く、定量的な根拠が必要な場合はそちらを当たることをお勧めします。

この領域で仕事をするなら

1. 数字の出所を必ず確認する。「最大30%」の大半は目標値。提案書に引くときは出典と性質を明記しておかないと、あとで説明責任を負うのは自分になる
2. ベースラインを先に決める。KNN単独で75%、という比較対象があったからこそ99%に意味が出る。導入前の数字を取らずに始めると、効果を説明できない
3. クラス不均衡を前提に設計する。欠陥データは本質的に偏る。小規模データセットとクラス不均衡は、論文でも過学習の要因として挙げられている
4. マルチエンジン構成を検討する。単一モデルで押し切るより、性質の違うモデルを組み合わせてdouble checkする構成が報告されている

出典

• Onto Innovation（SPIE原稿）／Using Deep Learning ADC for Defect Classification for Automatic Defect Inspection／KNN単独約75%、A/P/C rate約99%、ResNet50転移学習の構成
• SEMI SEA Newsletter／SixSense Automates Visual Inspection to Boost Chip Defect Detection and Classification Accuracy
• Hitachi High-Tech／Defect Review SEM CR7300 Series 製品ページ
• Siemens（2026年8月13日）／AI-driven predictive maintenance: Solving semiconductor fab uptime challenges
• Critical Manufacturing／From Hype to Impact: Realizing AI's Potential in Semiconductor Manufacturing
• SEMI（2026年9月）／ASMC27 Call for Abstracts Topic Descriptions

本記事は2026年10月27日時点で公開されている情報に基づいています。Onto Innovationの原稿は発表年・掲載巻号が本文に記載されておらず、確認できていません。ベンダー発表の数値は測定条件が開示されていないため、本記事では性質を明記したうえで引用しています。