結晶成長では、同一の条件(装置、試料、成長レシピなど)にもかかわらず、結果が異なることがある。本研究では機械学習を活用して、非再現性の要因を特定することを目指した。 平成29年度に設計・導入したマルチセンシングシステムを用いて蓄積した結晶成長実験の時系列データを用いて、機械学習モデルを作成した。ここで、使用するパラメータの選択や前処理の方法、機械学習モデルパラメータの最適化を進め、予測モデルを高精度なものとした。得られたモデルを利用して、のぞき窓シャッタ開閉が炉内温度に与える影響の定量など、各パラメータの影響を定量評価した。この評価は、データを取得した実験条件範囲での、様々なパラメータ値の組合せに対して行うことができるため、詳細な解析を行うことができる。さらに、結晶成長装置からの出力を直接機械学習モデルに入力することで、将来の温度変化をリアルタイムで予測して表示するシステムを構築した。将来の温度変化に関するこのような情報は、特に、結晶が成長する様子を観察しながらマニュアル操作によって結晶育成を行う場合に、操作の指針を与えるものとして非常に役に立つ。 以上の成果は、シミュレーションなどでは考慮することが難しい装置内部の状態の微妙な変化を検出し、その影響を機械学習によって定量化することを意味し、結晶成長実験のみならず多くの実験に共通する普遍的な知見を含む。また、実実験におけるデータ取得の指針や時系列データの機械学習の検討など、当初の目的である非再現性の要因追及を越えて、この分野の発展の基礎となる多くの成果が得られた。
|