原因候補を特定し
処理前に結果を予測
設備・工程・検査・設計のデータを統合。因果関係を通じて原因候補を分析し、その根拠と改善案を提示します。
相関の先にある、因果関係へ
相関だけでは因果関係は確定できない
多くの変数が同時に変化します。相関だけでは、何が原因で何が結果なのかを判断できません。
根本原因の分析が専門家の経験に依存している
工程の調整や診断は、限られた専門家の経験と試行錯誤に頼ることが少なくありません。
条件変更の効果を事前に予測しにくい
工程条件を変更した際の効果は、実際にその条件で処理してみないと評価できないことが多くあります。
データをつなぎ
工程の課題をたどる
製造データを収集・統合し、因果グラフを用いて、問題が生じている箇所と原因候補を特定します。
装置の状態を把握
因果関係に基づいて推定
パラメータ調整の判断材料を提供
ウェーハを装置に投入する前に
結果を予測
装置のセンサーデータから処理結果を予測し、実際に測定する回数を減らします（仮想計測）。予測は因果関係に基づくため、なぜその結果になるのかを説明できます。
変更の効果を探りより良い条件を見つける
反実仮想分析により、工程条件を変更した場合の結果を推定します。ローカルLLMとの連携によって、技術者が活用しやすい言葉で改善案を説明します。
提案の採否は、技術者が判断します。
工程の変更案は、技術者が確認できるよう、根拠とともに提示されます。変更を実施するかどうかは、現場の既存の承認・変更管理プロセスに従って決定します。AIの提案だけで、生産条件の変更が承認されることはありません。
分析から実行へつなぐ、一連の流れ
製造データから、根拠に基づく提案、技術者による確認、その後の改善に至るまでを10段階で示します。分析と検証は意思決定を支援し、生産に関わる変更には現場の承認が必要です。この流れは、用途に応じて柔軟に変更できます。
データの取り込み
設備・工程・検査・設計のデータを統合します。
要因分析
対象となる結果に影響を与える可能性のある変数を特定します。
因果グラフ
関連する変数間の因果関係を推定します。
効果の推定
各要因が結果に与える影響を推定します。
反実仮想分析
別の工程条件を適用した場合の結果を推定します。
改善案の提示
検討対象となる工程改善案を提示します。
検証・反証
因果関係の仮定が正しいかを確かめ、分析結果の信頼性を評価します。
説明可能な根拠
提案を裏付けるデータ、仮定、推定効果を提示します。
技術者による確認
現場の承認フローに沿って、提案された対応を検討します。
学習・改善
確認された結果を、今後の分析とモデル更新に活用します。
上記はワークフローの全体像です。検証の方法や、人が判断するタイミング、モデルの更新手順は、導入先の環境に合わせて決めます。
活用例
歩留まりの改善
歩留まり低下につながる工程上の原因候補を特定します。
新工程の立ち上げ
工程調整の試行回数を削減します。
処理前の品質判断
結果の予測を、処理に関する判断やパラメータ調整に活用します。
設計へのフィードバック
製造における因果関係の知見を、設計チームに提供します。
BFAIのPoCで得られた実績
最先端の微細化プロセスにおける新工程で、因果AIと予測モデルを活用したPoC。
装置センサーデータから結果を予測し、実際の計測の一部を置き換えたPoC。
BFAIのPoC結果に基づきます。詳しい評価条件についてはお問い合わせください。
Run it in your environment.
Connect it to your workflow.
Choose a deployment model that fits your site, and combine the platform with local LLM explanations and MLOps for operation after deployment.
導入・運用
Cloud, on-premises and hybrid configurations are available, depending on your environment and requirements.
Local LLM integration
Explain causal findings and improvement proposals in language your engineers can use.
エンタープライズMLOps
Support model monitoring, evaluation and controlled updates as confirmed outcomes feed back into analysis.