物理制約付き変分オートエンコーダに基づく深部反応性イオンエッチングのSEMプロファイルのAI駆動特徴認識

より賢いイメージングでより鋭いチップを

すべてのスマートフォン、車のエアバッグセンサー、医療用マイクロニードルは、シリコン内部に深く刻まれた微小な三次元構造に依存しています。これらの特徴をきれいに、滑らかに、再現性よく作るのは難しく、電子顕微鏡でその品質を確認するのはさらに困難です。本論文は、これらの微細画像を自動かつ人間よりはるかに正確に読み取れる新しい人工知能ツールを紹介し、先端マイクロデバイスの生産をより速く、安価に、信頼性高くすることを約束します。

深い細溝をエッチングするのが難しい理由

現代のマイクロ電気機械システム（MEMS）は、深く狭いトレンチをシリコンにエッチングする深部反応性イオンエッチングというプロセスに依存しています。設計者はほぼ垂直で滑らかな壁を望みますが、実際にはプラズマが切削とコーティングのサイクルを繰り返す中で、側壁に波状や膨らみ、その他の歪みが生じます。タイミング、ガス流量、温度、装置の経年変化といったわずかな変化が良好なレシピを悪いものに変え、それらの変化は走査型電子顕微鏡（SEM）の断面でしか見えないトレンチプロファイルの微妙な差として現れます。

人間による画像解釈のボトルネック

現在、これらのエッチング構造の評価は主に手作業です。技術者はウェハーを切断し、何百ものSEM画像を撮り、コンピュータ上で縁を丹念にトレースして深さや幅を測定します。画像1枚の解析に1時間以上かかることもあり、異なる人間が同じ特徴について15〜20％も意見が分かれることがあります。単純な自動手法や従来型ニューラルネットワークのような初期の機械学習ツールは速度を上げられますが、深いトレンチに典型的なノイズや低コントラストの画像に苦戦し、深さに伴う構造変化を見落としがちです。その結果、画像解析はハイスループット製造やエッチングプロセス自体を最適化するためのAI利用にとって深刻なボトルネックになっています。

物理を尊重するAI

著者らは物理制約付き変分レベルセットオートエンコーダ（VLSet‑AE）と呼ぶ新手法を提案します。本システムの中核は、SEM画像をコンパクトな内部コードに「圧縮」し、そのコードからトレンチ形状を「再構築」することです。トレンチのエッジを単なる明るいピクセルの集合として扱う代わりに、実際の材料に到達するまで外側へ広がっていく移動する界面として境界をモデル化します。これは壁で止まる拡張する泡のように振る舞います。この界面の運動は、エッチング面が時間とともにどのように変化すべきかを記述する方程式によって導かれるため、AIはデータだけでなくエッチングプロセスの既知の物理法則にも基づいて制御されます。

空間と時間にわたってトレンチ全体を見る

このシステムを訓練・検証するために、チームは16種類の慎重に設計されたエッチングレシピを作成し、プラズマの切削時間と保護時間を制御する主要なサイクル時間を変化させ、1,000枚のSEM断面画像を収集しました。各トレンチ画像は深さ方向に沿って多数の薄い層にスライスされ、それぞれが1回のエッチ＆コートサイクルを表します。VLSet‑AEは層ごとに輪郭がどのように進化するかを追跡し、それらのスライスを縫い合わせて三次元の全体像を再構成します。そこから、自動的に9つの重要な測定値を算出します：壁の波の深さと幅、局所的な曲率半径、プロファイルの垂直性、上部・中央・下部のトレンチ幅、全体の深さ、そして壁の撓み（ボウイング）です。

工場向けに速く、より正確に

人間の測定と他の7つの一般的なAIモデルと比較したところ、VLSet‑AEは最良の結果を示しました。平均的に手動測定との不一致は約3.7％にとどまり—人間同士のばらつきより優れて—全体の認識精度は約94〜96％に達しました。効率面でも優れており、全データセットでの訓練は数十秒程度、未知の画像解析は約1秒で完了します。訓練画像が少ない状況で試験しても精度はわずかしか低下せず、高級製造でよくある限られたデータ環境にも対応できることを示しています。

日常の技術にとっての意義

簡単に言えば、本研究はSEM検査を職人的作業から工業的作業へと変えます。ノイズの多い顕微鏡画像から微細構造を自動かつ確実に読み取ることで、VLSet‑AEはエッチングレシピをリアルタイムで調整・監視するために必要な大量のデータを現実的に収集できるようにします。これにより、より滑らかなトレンチ、より精密なセンサー、より一貫したチップがより少ない試行錯誤と低コストで生産される可能性があります。また本手法は、物理と機械学習を組み合わせて他の複雑な製造工程を理解するための一般的な設計図も提供し、マイクロ・ナノデバイスがAI駆動の工場で設計・完成される未来を指し示します。

引用: Wang, F., Yu, H., Miao, Y. et al. AI-driven feature recognition of SEM profiles in deep reactive ion etching based on physics-constrained variational autoencoder. Microsyst Nanoeng 12, 82 (2026). https://doi.org/10.1038/s41378-025-01105-z

キーワード: 深部反応性イオンエッチング, 走査型電子顕微鏡, 物理情報を組み込んだAI, 変分オートエンコーダ, マイクロ製造