AI利用マイクロエレクトロニック部品の欠陥分析

June, 17, 2025, Halle--品質保証は、スクリーニング、故障分離、故障診断のための強力な技術が利用可能でなければできない。現代のマイクロエレクトロニクスの重要な成功要因である。
機械学習(ML)と人工知能(AI)はこれらのタスクを強力にサポートできるが、汎用性の高い適用可能なデータインフラストラクチャと評価アルゴリズムはまだすぐに利用できない。「FA2IR」プロジェクトでは、Halle(Saale)にあるFraunhofer IMWS材料・システム微細構造研究所(IMWS)がパートナーと協力して、故障解析のデジタルパスを開くための高度なデジタルツールを開発し、組み込むためのソリューションに取り組んでいる。AIがサポートする自動化された分析は、結果の主観性を最小限に抑え、開発時間を短縮し、製品の品質を向上させることを目的としている。

自動運転、持続可能なエネルギーシステム、最新の医療機器など、すべてに高性能なマイクロエレクトロニクスが必要である。革新的な技術コンセプト、関連する製造プロセス、材料、材料の組み合わせが新たな地平を切り開いている。しかし、これらの変化した条件は、新しい欠陥タイプや故障メカニズムのリスクも抱えており、そこから信頼性と品質評価の保証に影響を与える材料科学に関してまったく新しい課題が生じる。ここでの主な焦点は、技術とその製造プロセスの両方の最適化を目的とした材料の相互作用の調査である。マイクロエレクトロニクスが発展し続けるにつれて、故障解析と品質評価の技術がそれに対応する必要がある。

「現代の電子システムは、市場で成功するためには、ますます複雑化、小型化、より強力で効果的な分析技術が不可欠である。これらは、製品開発段階の早い段階でメーカーが材料の挙動とその後の欠陥親和性を調査し、次世代製品がその寿命全体にわたって望ましい性能、堅牢性、信頼性を示すようにするために必要なのである」と、Fraunhofer IMWSの「非破壊診断」チームリーダーDr.Sebastian Brandはコメントしている。

MLとAIの手法は、これらの課題を効率的に克服するためのソリューションの一部となる。今日一般的な手動の故障解析と個々の経験に基づく測定データの解釈の代わりに、AIベースのアルゴリズムを使用すると、データを自動的に解釈、評価、および相互リンクできるため、効率と精度が大幅に向上する。

AIとMLは近年、強力なアプローチを提供するように進化しているため、特にデータ分析タスクにおいて、大きな付加価値を与えることができる。しかし、データ管理のための標準化された基盤がなく、必要な取り扱いや対応するトレーニングデータがないため、その可能性を十分に活用することはできない。「これまでのプロジェクトでは、材料の非破壊特性評価や、劣化メカニズムとそれに続く欠陥形成の深い理解を得るためのディープラーニング(DＬ)アプローチの価値を実証することができた。残念ながら、広範なアプリケーションを実現するためのデータはまだ不足している。さらに、特定の評価アルゴリズム、異なる診断ツール間の通信とデータ交換のための標準化されたインタフェース、または大量の複雑なデータを安全かつ迅速に評価および使用するための適切なクラウドコンピューティングシステムは、必要な範囲で利用できない」(Brand)。

そこで、ヨーロッパのXCESプロジェクト「Failure Analysis – AI-Readiness and Application(FA2IR)」は、適切な解決策の創出を目指している。このプロジェクトは 2026 年末まで実施され、ドイツ連邦教育研究省の資金提供を受けており、故障解析に機械学習を全体的に使用するための基盤を開くことを目的としている。1つの目標は、すべての分析プロセスとプロセスステップの一貫性と調整されたデジタル化、データ管理のためのソリューション、メタデータと生データの一般的に受け入れられる形式、標準化されたインタフェースによるツール内通信、信頼性に関連する材料と故障情報を含む包括的なデータベースの確立である。また、AIの手法に支えられた測定データや解析結果の自動解釈や、既存の知見との連携も中心的な要素として、故障解析データベースとして提供している。

プロジェクトパートナーは、デジタルデータ、アルゴリズム、方法、機械学習のモデルを管理および処理するための包括的で完全に統合された環境を作成し、新しいデータやケースにグローバルかつ動的に適用できるようにすることを目指している。そのため、Infineon, Bosch, Zeiss,PVA TePla AS GmbH、Matworks GmbH、シュトゥットガルト大学、FraunhoferIWMSは、スウェーデン、オランダ、フランスのパートナーとともに、それぞれの専門知識を結集した。

Brandは、将来のソリューションのシナリオを次のように説明している。「データは、既存の故障カタログ、データベース、文献から自然言語処理を使用して定義された形式で導き出され、故障解析エンジニアがナレッジベースとして利用できるようになる。これにより、既知の故障モードと劣化メカニズムをより迅速に特定し、検証することができる。電気的特性、信号トレース、スペクトル、顕微鏡画像などの測定データを組み合わせて、半自動化された方法で欠陥をより迅速に、より高い信頼性で特定することができる。最終的な目標は、最小限の分析労力と人員の入力でマイクロエレクトロニクスサンプルの欠陥とその原因を特定する能力を持つ機械学習モデルの開発とトレーニングである。このようなアプローチのもう一つの大きな利点は、データの解釈に対する人間の主観性と経験の影響を減らすこと。得られた専門知識と知識は、訓練を受けていない人でも、より簡単に適用できる。」

欠陥の検出、位置特定、分類の自動化は、複雑で多次元の測定データの解釈における主観性の低下に大きく貢献する。これは、FraunhoferIMWSプロジェクトの焦点の1つである。そのため、音響顕微鏡やロックインサーモグラフィーなどの非破壊操作法の信号解析と評価に特に注意が払われている。

「AIは、故障診断においてより優れた、より迅速な結果をもたらすと確信している。われわれが目指しているソリューションは、特に複雑な故障モードに対して、開発期間の短縮、市場投入の迅速化、製品品質の向上を可能にする。これは、ヨーロッパの産業が将来の重要な技術分野で競争力を維持し、その信頼性が証明された新しい技術が受け入れられることを保証するための重要な前提条件である」とBrandは話している。
画像