こんにちは。「ベイズ最適化：プロセス開発への目標指向アプローチ」と題したディスカバリートークへようこそ。ご参加いただきありがとうございます。本日は、JMP 19で最近リリースされたこの新しいプラットフォームについてご紹介します。まずは、ベイズ最適化とは何か、プラットフォーム内でどのように機能するのか、その仕組みと方法についてご説明します。そして、このツールの価値を高める非常に重要な理由として、JMPにおけるベイズ最適化の独自の強力な機能について特に強調したいと思います。
次に、ベイズ最適化が従来のツールと比べて最適なツールとなるのはどのような場合なのかという点について考察します。さらに、ベイズ最適化の価値を明らかにするために、複雑性を高めていく2つのケーススタディを紹介します。最後に、半導体業界に特化した価値について解説し、最後に、プロセス開発におけるより従来型の半導体ワークフロー環境にベイズ最適化をどのように実装するのが最適かについて議論して締めくくります。ご視聴ありがとうございました。
ピーターさん、ありがとうございます。ベイズ最適化とは何か、そしてそのアルゴリズムの仕組みについて簡単に説明します。ベイズ最適化は、応答目標を満たす最適な因子設定の組み合わせを見つけるための反復的な最適化アルゴリズムです。生成的な学習手法であり、ガウス確率過程モデルをベースとして、新しい候補ランと呼ばれる因子設定の組み合わせを生成し、テストに用いるものです。
ベイズ最適化の基本的なワークフローは、既存のデータから開始することです。この既存のデータは、開始時の DOE 設計になる場合もあれば、データベースに保存されている履歴データから開始する場合もあります。
そこから、そのデータを用いて初期のガウス過程モデルを構築し、モデルの予測値、予測の不確実性、そして応答目標に基づいてBayesOptアルゴリズムを用いて、テストする新たな候補セットを生成します。新たな候補セットをテストしたら、新たな応答結果でモデルを更新します。この一連の動作は、最適な因子設定が見つかるまで繰り返されます。
このフローチャート図では、「次の実行を決定する」でベイズ最適化の魔法が発揮されます。これは、プロセス空間の探索と作成したモデルの活用をバランスよく組み合わせたガイド付き探索によって行われます。
ベイズ最適化がなぜこれほど革新的なのか？それは、各反復における反応を考慮し、実験をいつ止めるべきか明確な指針を与えてくれるからです。これは非常に目標主導型の手法であり、入力だけでなく、出力とビジネス目標も考慮します。
これは、逐次学習アルゴリズムとJMPのプロファイラおよび望ましさ関数を組み合わせることで、非常に汎用性の高い新しい最適化アプローチを生み出します。ピーターが先ほど述べたように、JMPのプラットフォームは、JMPの豊富なプロファイラ機能を基盤として構築されているため、非常にユニークです。
つまり、これは競合する目標を持つ可能性のある複数の応答に対しても機能します。目標の最大化、最小化、または一致化。また、カテゴリカル入力、因子制約、欠損値を含む可能性のある乱雑なトレーニングデータも処理できます。JMPのプラットフォームは非常に強力です。
なぜこれが半導体製造において強力なのでしょうか？それは、反復的な「知識ギャップを埋める」アプローチであるため、半導体プロセス開発に自然に適合するからです。BayesOpt（私たちがそう呼んでいるように）は、プロセス空間における潜在的な欠陥を指摘し、調査する価値のある可能性を提示します。また、利用可能な履歴データを非常に重要かつ効率的に活用することで、データベースに蓄積されているデータを実際に活用できるようにします。
ベイズ最適化プロセスの仕組みについて少し説明します。まず、予測プロファイラーについてご存じない方のために簡単に説明します。予測プロファイラーは、JMPのベイズ最適化プラットフォームにおいて非常に重要な要素です。
JMPの予測プロファイラーは、モデルを完全にインタラクティブに表現するツールです。予測プロファイラーのサンプルスクリーンショットはこちらでご覧いただけます。ウィンドウ内のスライダーを操作して因子値を変更すると、更新されたモデル予測がすぐに表示されます。
ベイズ最適化とは、構築したベースモデルであるガウス過程モデルからのモデル予測値を使用することです。また、予測の不確実性を考慮し、応答目標を組み込み、テストするための新しい因子の組み合わせを生成します。それでは、アルゴリズムの仕組みについてもう少し詳しく説明するために、ピーターに話を戻しましょう。
プラットフォーム自体の画像をいくつかご覧いただき、その後のケーススタディでは、実際にプラットフォームにアクセスしてリアルタイムで使用してみます。ベイズ最適化プラットフォームには2つのアプローチがあります。よりカスタムなアプローチについて簡単にご説明します。本日はデモは行いませんが、すべてのカスタムツールは自動モードで呼び出されるか、呼び出される可能性があります。この点について、本日は詳しく説明します。
右下にプロファイラーのショートカットがあります。これらは、ベイズ最適化によって最適な次候補セットを見つけるために展開される様々な手法です。例えば、必ずしも最適な応答目標を見つけることが目的ではなく、知識のギャップを埋めることが目的だとします。
例えば、ベイズ望ましさの標準偏差を最大化すると、候補セットをシフトして標準偏差が高い領域を特定し、それらの領域を絞り込むための候補セットを開発して新たな洞察を得ることができます。このプラットフォームでは、必要に応じてベイズ最適化プラットフォームが採用するアプローチを完全に制御できます。
今回は自動モードに焦点を当てます。自動モードでは、プロファイラーのショートカットメニューから必要な項目を取得し、レスポンス目標を最大化するという目標を達成します。ここで言う「最大化」とは、漠然とした意味です。具体的には、最大化、最小化、あるいはターゲットへの適合など、様々な目標が考えられます。レスポンス目標が何であれ、その目的を達成するために、これらのメニュー項目が利用されます。
これは完全に自動化されているため、はるかに簡素化されたアプローチです。初期データセットと初期モデルの状態に応じて、3つのカテゴリを順に進めていきます。初期モデルが適切でない場合は、空間充填探索から始めます。
プラットフォームは、知識ベースを充実させるのに役立つ候補を特定し、先に進むのに十分なガウスモデルを構築します。それが完了したら、モデルを改良していきます。プラットフォームが回答目標の達成に最適なモデルとして特定したものが完成したら、確認と検証のフェーズに移行します。
それぞれの段階とはどのようなものなのでしょうか？このスライドと次のスライドで4つの画像を見ながら、予測プロファイラーの不確実性の変化と、モデル構築のどの段階にあるかを強調したいと思います。
左側はSpace Fillingモードです。予測プロファイラーを見ると、大きく濃い灰色の領域が不確実性を表しており、66、8、106付近に小さなピークがあります。この時点では、ガウス過程モデルだけでは先に進めないため、MaxPro Space Fillingモードに移行し、モデルの構築を開始します。
十分なモデルができたら（R2乗はデフォルトで0.25ですが、必要に応じて変更できます）、モデルの改良フェーズに進みます。このフェーズでは、先ほど示したメニューのいくつかの異なる部分が呼び出されます。ただし、この例では、期待される改善の最大化を目指しています。赤いスライダーは、不確実性が最小で、応答が最大になる位置を示しています。これは、望ましさに基づいて構築されているためです。
達成したら、この最大期待改善を達成し、モデルの改良を続け、例えば、最大望ましさを求める役割に移行します。ここでは、可能な限り最高のモデルを目指します。私たちはそれを埋め、不確実な領域を調査し、今、可能な限り最高のモデルに絞り込んでいると考えています。そのモデルを達成すると、プラットフォームはそれを確認し、次に検証します。プラットフォームは、最高のモデルを見つけたことを確信したいので、この「最良のトレーニング実行を再現する」モードに移行します。
そこから先へ進みましょう。ベイズ最適化プラットフォームは、どのような場合に使用するのが適切でしょうか？ここが鍵です。これは他のすべてのツールを終わらせるツールではありません。いくつか例を挙げます。これは完全なリストではありませんが、ベイズ最適化が有益となる可能性のあるいくつかの機会を挙げたいと思います。例えば、実験計画法を採用するとします。多くの実験が、例えば機器の故障のために失敗するとします。
ベイジアン最適化プラットフォームを使えば、DOEを節約できるかもしれません。サラが言及したように、過去のデータの利用についてもお話ししました。本日ご紹介する2つのユースケースは、この最初の2つに焦点を当てています。時間やリソースが限られている場合でも、ベイジアン最適化プラットフォームを使えば、目的を達成したタイミングを知らせてくれるので、他にも多くのメリットがあります。
もしかしたら、古典的な設計は理想的ではないのかもしれません。因子が多すぎるのです。モデルの形がどうなっているのか、あるいはどうあるべきかが分からない、あるいは特性評価に必要な実験回数が多すぎるのです。これから示す例では、DOEプラットフォームで応答曲面モデルを構築するには70回以上の実験が必要になります。イノベーションを起こすにはあまりにも非効率です。
バッチ処理のシナリオのように、一度に1回ずつ実行した方が合理的である場合もあります。また、標準的な最小二乗モデルでは厳格すぎる状況もあるかもしれません。これらの状況すべてにおいて、ベイズ最適化は最短時間で目的を達成するための最善のステップとなる可能性があります。
ピーター、ありがとうございます。最初のケーススタディについてお話ししたいと思います。最初のケーススタディでは、半導体業界におけるCMP（化学機械平坦化）のスクリーニング実験がうまくいかなかったケースを見ていきます。これは比較的単純な例ですが、ピーターの次のケーススタディでは、より複雑な例を取り上げます。
この例では、応答は1つ、つまり膜除去率です。膜除去率を最適化するために、目標値に一致させたいと考えています。この実験には3つの要素があります。1つはスラリー流量（ml/分）、もう1つはウェーハに加えられるダウンフォース（PSI）、そしてもう1つはプラテン回転数（毎分）です。
ここでの目標は、繰り返しになりますが、このDOEを救済することです。このケーススタディでは、9回のDOE実行から開始しましたが、そのうち5回は失われてしまいました。さて、JMPを起動してみましょう。JMP内でライブで実行します。まずは、アルゴリズムとプラットフォームの反復をいくつか示すためのセットアップから始め、その後、最終結果全体をお見せします。
ここでの目的は、プラットフォームの概要と、ベイズ最適化プラットフォームの自動モードの仕組みを少しご紹介することです。そして、このDOEをどのようにして救済したか、最終結果をご紹介します。繰り返しますが、当初は9回の実行、つまり8つの要因計画点と1つの中心点実行から始めました。しかし、ツールの不具合と測定の問題により、そのうち5回の実行は失敗しました。
ここで私たちが取り組んでいる穴がどこなのか、少しイメージをつかんでいただくために、ここで作業している因子空間と、実際に有効なデータがある4つの実行の散布図を簡単に描いてみましょう。このプロセス空間を見ると、ここにある4つのコーナーポイントのデータがあり、それが残っているすべてです。作業を始めるにはこれだけです。
何が起こっているのか全く分からない、未踏のプロセス空間が広大にあります。残されたわずかなデータを活用しながら、可能な限り少ない実行回数で膜除去目標を達成したいと考えています。それでは、分析メニューからプラットフォームに入り、「特殊モデリング」を選択し、「ベイズ最適化」を選択します。
因子、つまり3つのx変数をxバケットに入れ、最適化しようとしている膜除去率をyバケットに入れます。では、一度に1つの候補ランだけを実行してみましょう。Peterのケーススタディでは、これを変更して、一度に好きなだけ実行できるようにする方法を紹介します。また、高度なバッチオプションを開くと、Peterが話していたR2乗値をどこで増加できるかを確認できます。これにより、ガウス過程モデルの適用が早くなるか、遅くなるかがわかります。
0.25が現在のデフォルトです。非常に低いように思えるかもしれませんが、モデルが現時点で最良の予測を行えるようになることが必ずしも目標ではないことを覚えておいてください。モデルが、気温が上昇しているのか下降しているのかを判断できればそれで十分です。
「OK」をクリックします。まず最初に、ガウス過程モデルの決定係数（R2）値を確認します。モデルの適合度は0.142と、あまり高くないことがわかります。現在、決定係数の閾値を下回っています。これから空間充填モードに移行し、未探索の過程空間がかなり残っていたため、過程空間の穴埋めを行います。
バッチ選択タブに移動すると、次のトレーニング実行候補として追加する実行がSpace Fillingモードになっていることがわかります。「Include Options（含めるオプション）」には、考慮すべき点がいくつかあります。「Save Desirability Values（望ましさの値を保存する）」のチェックは、現時点では不要なのでオフにしておきます。
しかし、ガウス過程モデルが何を予測しているかを確認するために、予測応答値も含めると良いでしょう。「テーブルの作成」をクリックします。次の候補実行が追加されます。ここで、この因子設定の組み合わせが、次に実行可能な実行として選択されたものであることがわかります。空間充填です。現時点では、決定係数閾値を満たしていないため、ガウス過程モデルはまだ完全には活用されていません。
続けていきたいと思っています。ここで、次の応答値を自動的に入力するように設定している点に注意してください。実際には、実際にこのプロセスを実行し、応答データ（膜除去率）を収集して、ここに入力します。それでは、次の反復処理に移りましょう。
便利なのは、プラットフォームに戻る必要がないことです。プラットフォームがスクリプトを作成してくれるので、そのスクリプトを実行するだけで、次回の実行を自動モードですぐに開始できます。今回の実行で、少し改善していることがわかります。決定係数の閾値にほぼ達しています。もうすぐSpace Fillingモードから抜け出せるかもしれません。
プロファイラーで少し動きが出始めているのが分かります。次の実行に移りましょう。「Make Table」をクリックします。R2乗閾値に達していないため、まだSpace Fillingモードのままです。続けて次の実行に移りましょう。「Make Table」をクリックします。まだSpace Fillingモードなので、次の実行でSpace Fillingモードから抜け出せるかどうか確認しましょう。
ついに空間充填段階を突破できそうです。ガウス過程モデルが十分に完成したので、モデルの改良段階に進むことも可能です。あるいは、精度次第では、確認と検証段階に直接進むことも可能かもしれません。さあ、現状を確認してみましょう。
確認とチャレンジのフェーズに直行するようです。「最良のトレーニング実行を複製」に到達しました。これは、データテーブルで既に確認済みの実行よりも優れた候補実行が見つからなかったことを意味します。理論上は、ここで停止することも可能です。予測される膜除去率は約2391オングストロームです。ちなみに、今回の膜除去率の目標値は毎分2400オングストロームでした。
ベイズ最適化は高度に目標指向的なアプローチであるため、最適化アルゴリズムを実際に実行する前に応答の制限を設定することが非常に重要であることを指摘しておきます。これは、応答変数の列情報で行います。ここで、応答の制限プロパティが設定されているのがわかりますが、これを簡単に削除して最初からやり直して、どこで設定されているかを確認してみましょう。
列のプロパティで「応答限界」に入り、ここで応答目標を設定します。ここでターゲットに一致させていることがわかります。実際に設定する必要があるのは応答の下限と上限だけです。残りはプラットフォームが推測します。一致させたいターゲットは、この範囲の中央値、つまり2400オングストロームであると推測されます。
Peter は、複数の応答シナリオを実行するため、最小化または最大化を行う際の応答目標の設定についてもう少し詳しく説明します。
これまでにいくつかの反復処理を見てきました。これはアルゴリズムの可能な反復処理の一つです。実際にはここで続けることもできます。なぜなら、最良のトレーニング実行を再現した後でも、確認とチャレンジのフェーズにさらに進み、応答面の実際の形状に応じて、応答面上のこの位置の近くでより良い解が見つかる可能性があるからです。
時間の関係で、ベイズ最適化の最終結果の一つだけをお見せします。今回は、空間充填モードで4回実行し、その後、モデルの改良、確認、チャレンジモードに移行しました。その結果、スラリー流量が毎分約70ミリリットル、ダウンフォースが約7 PSI、プラテン回転数が約105 RPMという最高のトレーニングランが得られました。
これにより、プロセスをさらに6回実行することになりました。「えっ、そんなに大変？」と思われるかもしれませんが、出発点を思い出してください。DOE実行のうち5回が実行不可能だったため、残った4回の実行結果の3D散布図を思い出してください。この数回の実行で応答を最適化できるのは非常に効率的です。それでは、このデータをピーターに渡して、彼のケーススタディに回しましょう。
ゲートスタックの特性評価に焦点を当てます。この研究のユニークな点は、相反する応答目標を設定することです。1つのYを最大化し、もう1つのYを最小化し、そして目標値に到達することを目指します。さらに、私が使用している過去のデータのスクリーンショットも用意しました。
3つ目のYである電気性能については、単に目標を達成するだけでなく、その特定の目標に対して達成された過去のデータがない状況で目標を達成しようとしています。6つの連続Xと2つのカテゴリ変数を用いてこれを構築します。私たちの目標は、この特定のプロセスのプロセス制御を全体的に改善するだけでなく、この固有の目標を達成することです。
先ほども触れましたが、この因子空間全体を考慮した応答曲面モデルを構築するには75回の実行が必要です。望ましい結果を得るのに11回かかりました… これを数回繰り返し、ベイズ最適化の実行回数は全体で10～13回です。それでは、初期データテーブルを表示してみましょう。
このデータについて少し背景をお話しします。このデータはすべて匿名化されているため、ユニットの値が必ずしも意味をなすものではありません。ご理解いただければ幸いです。これは、1000行を超える過去のデータセットから取得したものです。回答を予測するためのかなり正確なモデルを構築し、その中からランダムに5行を選択しました。
私がそうしたのは、いかに少ないデータで始められるかを強調したかったからです。候補因子空間に基づいて、データセット全体から構築したモデルを用いて、どのような出力、つまりどのような応答が期待されるかを予測します。
サラが強調したように、最大化や最小化といった目標値を検討する際、私が入力したのは下限値だけです。0.93と入力しました。ベイズ最適化プラットフォームでデフォルト設定のままにしておくと、必要な他のすべての値が自動的に入力されます。
最大化する場合は、許容できる最小値を入力します。最小化する場合は、許容できる最大値を入力します。また、Sarahが強調したように、ターゲットに一致させようとする場合は、最小値と最大値を入力するだけで、あとはターゲットが何であるかを推測してくれます。
早速プラットフォームに飛び込みましょう。希望する回答と要因を入力します。サラが言及したように、一度に1つずつ実行することもできますが、2つ、3つ、4つ、5つと実行することも可能です。状況によっては、一度に複数回実行した方が合理的である場合もあります。
ガウス過程モデルを用いれば、欠陥密度を測定するための優れたモデルがすぐに得られます。電気特性については適切なモデルがありますが、歩留まりについては不十分なモデルです。それでは、バッチ選択について見ていきましょう。
先ほど、ベイズ最適化のフローをカスタム制御する機能について触れました。これは、ここにあるメニューエリアにあります。これを展開すると、すべてのオプションが表示されます。サラと同じように、私もここにアクセスして、予測応答をオンにします。
ここにチェックボックスがありますが、サラはチェックを外しました。チェックを入れたままにしておくと、列ヘッダーの残りのレスポンス目標にこの値が自動的に入力されます。これは完全にオプションです。2つ同時に実行すると、どちらもMaxPro Space Fillingで実行されていることがわかります。これらのデフォルト設定はスクリプト内に完全にカプセル化されているため、実行するたびに2つずつ実行されます。
これを一度実行すると、すべてのモデルがその範囲外、または閾値0.25に達していることがわかります。2回以上実行すると、他のメニュー項目がプルダウンされるのが頻繁に見られます。期待される最大の改善点を見つけるだけでなく、最も理解されていない領域でも再度実行します。
これらを実行して、これを続けてください。あと1、2回実行して、どこまで進むか確認してから、最終結果に移ります。繰り返しますが、期待改善度の最大値と望ましさの標準偏差の最大値の間で変動しているのがわかります。このプロセスをしばらく続けることができます。では、先に進みましょう。これは先ほど実行したもので、今回は1回ずつ反復しました。
MaxPro Space Fillingで約3回実行し、その後Max Expected Improvementで4回、Max Desirabilityでさらに3回実行した後、すぐに反復処理に入ります。好奇心から、反復処理を数回実行してみました。最初は5回実行しましたが、ここでもプロセス空間全体を未知の領域へと移行させようとしています。
皆さんにぜひ考えていただきたいのは、日々の業務でどのように取り組むかということです。どれだけの労力、時間、そしてリソースが必要でしょうか？そして、そこに到達するのにたった11回の実行で済んだという事実も認識してください。これは、最も効果的なシナリオで展開された場合、時間、費用、そしてリソースを節約する上で非常に大きな力を発揮します。
何が一番理にかなっているでしょうか？そうですね、試してみるだけでも良いこともありますし、同僚とじっくり話し合ってみるのも良いでしょう。あるいは、プールの深いところに飛び込んでみるのも良いでしょう。さて、スライドに戻りましょう。サラにバトンタッチします。
分かりました。ピーター、ありがとう。最後に、半導体製造におけるベイズ最適化のメリットをいくつか挙げてみましょう。繰り返しになりますが、初期設計を小規模にすることができ、目標が達成されたら開発を中止できます。事前にサンプルサイズを固定する必要はありません。最終的に目標とする反応に到達するまで反復するだけなので、無駄な情報や不要なデータの収集はありません。つまり、無駄が減り、コストも削減できるのです。
プロセス最適化に用いる多くの古典的な統計手法と比べて、導入が容易という利点もあります。p値の評価、正規性検定の検証、残差プロットの確認といった作業が不要なため、統計的にもよりシンプルです。ガウス過程モデルの構築には計算上の複雑さが伴うかもしれませんが、解釈の観点から見ると、統計的な手法を気にする必要は間違いなく少なくなります。
また、モデル構築において効果選択を行う必要はありません。標準的な最小得点回帰モデルの構築に慣れている方であれば、交互作用や、存在する可能性のある多項式曲率などをモデル化する必要があるかどうかを判断する必要があることをご存知でしょう。ガウス過程モデルは反復処理を進めるにつれて応答曲面の形状を自然に学習するため、ここではその必要はありません。
ガウス過程モデルについて、もしご存知ないなら、5分から10分ほど時間を取って少し勉強するだけでも十分価値があります。ガウス過程モデルは非常に柔軟なモデルフィッティング手法で、機械学習カーネルベースの手法です。複雑な応答曲面形状を持つ場合でも、ガウス過程モデルは標準的な最小二乗回帰モデリングなどとは異なり、非常に柔軟かつ効率的に学習できます。さらに、これは半導体プロセス開発エンジニアの一般的な思考方法と非常に自然に一致する、ガイド付きの反復アプローチです。
現在半導体業界で採用されている一般的なプロセス開発戦略をいくつか比較してみましょう。明らかにアドホックなアプローチがあり、これは試行錯誤と、場合によっては部族の知識や直感を組み合わせたものです。ここで問題となるのは、このアプローチは必然的に「一度に1つの要素だけを実験する」という罠に陥ってしまうことです。これはおそらく、プロセスに関する情報収集方法としては最も非効率な方法でしょう。また、このアプローチでは不確実性が定量化されていません。
また、古典的な実験計画法もあります。プロセスエンジニアに相談し、スクリーニング計画を用いて多数の初期因子群をスクリーニングするといった方法があります。そして、どのノブが重要なノブになるかがわかったら、その計画を拡張して相互作用の影響を解消したり、曲率をモデル化したりします。そして、最終的な応答曲面モデルを当てはめて、実際の最適化を行います。
古典的なDOEは、プロセス開発手法として数十年にわたって採用され、大きな成功を収めてきました。この状況はすぐに変わるとは考えていません。数十年にわたるDOEの産業応用は、今後も当然ながら継続されるでしょう。
しかし、ベイズ最適化が解決できる古典的なDOEアプローチの課題の一つは、多くの場合、事前に大きなサンプルサイズが必要になるため、モデルを確立するために大量のDOE実行が必要となる可能性があることです。これは、実際の問題解決よりも統計的な問題に重点が置かれています。
これは因子空間によって決定され、実際の応答値やビジネス目標に基づいて決定されるものではありません。設計点が極端な範囲や範囲の中央に配置されてしまうことが多く、設計空間やプロセス空間の最適領域が全く見落とされてしまう可能性があります。
ベイズ最適化は、古典的なDOEアプローチの代替ではありません。これは単に、ピーターが以前ベイズ最適化の適用タイミングについて説明したような困難な状況に対処するのに役立つ、ツールボックス内の新たなツールに過ぎません。
最後に、ベイズ最適化の価値について改めて強調したいと思います。まず第一に、そして半導体環境に非常に適しているのは、非常に反復的なアプローチであるということです。目標を設定し、基本的な実験計画法からでも過去のデータからでも初期データを取得し、その後は反復的に進めていくだけで、プロセスがプロセスを導いてくれます。
結果に基づいて次回の実行を決定し、終了するタイミングを教えてくれます。目標を考慮するだけでなく、プロファイラーの望ましさ関数を用いて最適な候補因子セットを素早く絞り込み、最後に「これで完了です」と通知します。「完了しました。次に進めます」と伝えられることには大きな価値があります。時間、無駄、そして費用を削減する上で、非常に優れたツールです。
半導体業界のお客様と何度お会いしても、「このプロセスを実行するにはウェーハ枚数が限られており、設計をウェーハ枚数に収めることができません」というお言葉をいただきます。まさに、業界全体に蔓延するこうした課題に対し、ベイズ最適化が真に効果を発揮します。ベイズ最適化は、現在一般的な半導体プロセスに容易に対応し、ユーザーが非常に自然な形で技術やプロセスを革新することを可能にします。
このツールの一番気に入っている点は、計算が非常に複雑であるにもかかわらず、プロファイラーに組み込まれているため、結果を理解し、解釈し、なぜこの方向に進んでいるのかを本当に理解するのが非常に簡単だということです。これらの結果に基づいて、目標にどれだけ近づいていると思いますか？空間を埋め、精緻化を進め、そして確認と検証を進めています。これは、半導体プロセスを進める上で、とても心地よいそよ風のようなものです。
これは JMP 19 で利用できる非常に強力なツールであり、Sarah が言ったように、ツールボックスの中で本当に活用できる素晴らしいツールになると思います。
おそらく、答えよりも疑問の方が多く残されているでしょう。このプラットフォームの機能のほんの一部を紹介したに過ぎません。そこで、いくつかリソースをご紹介したいと思います。スマートフォンでこのQRコードをスキャンすると、少し前にクリス・ゴットウォルトとフィル・ケイがこのテーマについて行ったENBISワークショップの録画に直接アクセスできます。また、スライドをご覧になっている方は、下の画像をクリックするとPDFコンテンツに直接アクセスできます。
本当に、クリス・ゴットウォルト氏と彼のチームには心から感謝しなければなりません。彼らはこのツールの開発、テスト、そして改良に精力的に取り組んでくれました。このツールをぜひご活用いただき、成功点、問題点、そして今後の改善点などをお聞かせいただければ幸いです。お時間をいただきありがとうございました。素晴らしい発見をしていただければ幸いです。本日はご参加いただき、誠にありがとうございます。ありがとうございました。
