自己教師あり学習を用いた研究フレームワークのGREPは、ラベルのないセンサー信号から学習し、化学機械研磨における材料除去速度を予測する。世界の半導体メーカーにとっては、実測に費用がかかる場面や実測データが限られる場面で、装置のテレメトリーデータを役立てられる可能性がある。生産現場で有効性が検証されれば、仮想計測は技術者による工程の逸脱の早期把握や、検査対象のより効果的な絞り込みに役立つ可能性がある。ただし、実測による確認が不要になるわけではない。
経済性の面では、工程の挙動を学習することと、その予測に基づいて安全に運用できると実証することは別問題だ。事前学習はラベル付きデータへの依存を減らす可能性があるが、校正のコストや、研磨パッド、スラリーの状態、レシピの変化に伴うドリフトのリスクをなくすものではない。導入企業は、過去のデータを無作為に分割しただけの検証ではなく、保守作業やレシピ変更の前後にまたがる検証を求めるべきだ。学習用とテスト用のサンプルの条件がほぼ同じであるために高精度に見えるモデルでは、運用上のリスクをほとんど抑えられない可能性がある。
日本'の半導体メーカー、装置メーカー、システムインテグレーターにとって、これはモデル単体の販売ではなく、システム統合に商機があることを示している。センサーのタイムスタンプ、装置の設定、ウエハーの測定記録を整合させて初めて、予測の品質を信頼できる形で評価できる。国内の開発チームには、仮想計測を既存の工場システムにつなぐデータパイプライン、モデルのバージョン管理、例外処理のワークフローを構築する余地がある。工程制御の設定変更には、引き続き既定の技術的な承認手続きを適用し、モデルの信頼性が低下した際の代替運用も定めておくべきだ。価値のある成果物は、単に予測を返すエンドポイントではなく、モデルを取り巻く、継続的に保守できる運用システムだ。
商用化の成否を左右するのは、警告の早期化や測定対象の絞り込みによる効果が、システム統合、検証、継続的な監視のコストに見合うかどうかだ。慎重に導入するなら、実測と並行して判断支援モードで運用を始め、オフラインでの精度スコアではなく、生産面の成果で成功を判断すべきだ。日本の導入企業は、調達前にセンサーデータの履歴と、そこから生成されたモデルの所有権も明確にしておくべきだ。データの前処理と校正をサプライヤーのクローズドなプラットフォームに移すと、予測モデル自体は交換可能でも、乗り換えコストが生じる可能性がある。