現代の半導体実験は、統計的な制約だけでなく、様々な要因によって制限されています。ロットサイズ、レビューサイクル、運用リスクなどによって、生産現場で実際に実施できる実験の量が制限されるのです。同時に、実務担当者は、効率的ではあるもののモデルに依存する実験計画法（DOE）と、柔軟性は高いもののリソースを大量に消費するベイズ最適化という、強力ではあるものの不完全な2つのアプローチのどちらかを選択することを求められることがよくあります。
この講演では、選択をやめて組み合わせを始めたときに何が起こるのかを探ります。本研究では、ベイズ最適化のための高品質な訓練データとして、確定スクリーニング設計（DSD）を用いるハイブリッド実験戦略を紹介します。その考え方はシンプルです。まず、因子空間を幅広く構造的に網羅する実験計画法（DOE）を作成し、その基盤の上にベイズ最適化を適用して効率的に改良・最適化を行います。
ドライエッチング、PECVD、CMPプロセスにおけるシミュレーション例と公開されている例を用いて、このハイブリッドアプローチが学習速度を向上させ、実験コストを削減し、場合によっては単独の方法よりも優れた動作条件を特定できることを示します。空間充填型トレーニングデータを用いたベイズ最適化と比較すると、DSDベースのアプローチは収束が速く、実行回数も大幅に少なくて済みます。これは、リソースが限られた製造現場において重要な利点となります。
参加者は、最新の実験計画法（DOE）の概念がJMPにおけるアクティブラーニングのワークフローをどのように直接強化できるか、このアプローチが最も効果的なのはどのような場合か、そして実際の製造現場でどのように導入するかについて、実践的な考え方を学びます。ベイズ最適化に興味はあるものの、実務への適用に躊躇している方にとって、このセッションはそのギャップを埋めることを目的としています。
