BFAIが選ばれる理由
現場の運用要件に合った
半導体AIを選ぶ
工程の要件、検査の流れ、データの取り扱い、導入形態、ライフサイクル全体の運用。現場の実情に照らして半導体AIを評価しましょう。9つの選定基準を比較し、BFAIの実装へのアプローチをご紹介します。
BFAIが選ばれる理由
半導体製造の実務に合わせた設計
価値を生むのは、個々のAIモデルだけではありません。検査、工程分析、製造知識、継続的な運用が、お客さまの環境にどう適合するかが重要です。
製造現場を起点に
抽象的なAIの活用例ではなく、お客さまの工程、装置、検査データ、品質基準から検討を始めます。
機能をつなげて活用
外観検査、因果分析、現場の製造知識、MLOpsを、単独でも組み合わせても活用できます。
現場での運用を見据えた設計
PoCの段階から、導入上の制約、既存の業務フロー、技術者による確認、モデルの保守を考慮します。
機能比較
機能とその提供条件の両方を見る
他の提供企業も、因果分析、知識活用ツール、オンプレミス導入、カスタマイズを紹介しています。選定には、対象工程、データ要件、運用を担う人の役割を踏まえることが必要です。
横にスクロールすると、4つの列すべてをご覧いただけます。
| 選定基準 | 半導体AI A社 | 半導体AI B社 | BFAI |
|---|---|---|---|
| 対応範囲・機能 | 半導体装置の診断、工程監視、欠陥分析に加え、対応業務やフィールドサービスと連携。 | 半導体工程の予測と因果分析、SEM画像検査、計測の最適化、対話形式の分析。 | ファウンドリとIDMを主な対象に、外観検査、因果分析・予測、ローカルLLM、MLOpsを提供。 |
| 検査・欠陥分類 | 欠陥を装置や工程と関連付けて分析。製造現場の外観検査事例を含む。 | SEM画像の欠陥検出・分類、ノイズ除去、装置間の計測補正。 | 後工程の確認検査と欠陥分類を支援するAI。検査画像から欠陥の有無・種類・位置を出力。 |
| 根本原因分析・根拠 | 因果分析エンジンとナレッジグラフを用いて、根本原因の分析と根拠の提示を支援。 | 半導体の知識ベースを用いた因果推論。技術者が原因候補とその根拠を確認。 | 装置・工程・検査・設計データを組み合わせ、因果グラフで問題箇所と原因候補を分析。 |
| 予測・計測 | 工程ドリフトの検出とレシピの最適化。処理前の結果予測については、公開情報に提供条件の明記なし。 | 仮想計測、重ね合わせ精度と工程ドリフトの予測、次ロットへの補正、計測位置の最適化。 | 装置のセンサーデータを用いて処理前に結果を予測。仮想計測により実測回数の削減を支援。 |
| 改善提案・人による確認 | 技術者の承認のもと、提案を承認手続き、作業指示、フィールドサービスの業務フローにつなげる。 | 工程の修正案を提示。重要な段階で、人が仮説・分析方針・結果を確認。 | 反実仮想分析により工程の変更案を提示。現場および品質保証部門による確認・承認を、運用要件に合わせて設計。 |
| 製造知識の活用 | 技術文書や問題解決の履歴をナレッジグラフで活用。対話形式での分析支援に関する事例を公開。 | 半導体の知識ベースとマルチモーダルLLMにより、グラフの解釈や対話形式の分析を支援。 | オントロジーと情報検索層によって製造の専門知識を構造化。ローカルLLMが回答・ガイダンス・改善提案を提供。 |
| 本番環境でのモデル運用 | 学習・検証・導入・監視・再学習に対応。モデルレジストリ、来歴管理、ロールバックを備える。 | ドリフト監視、定期的な再学習、モデル更新、継続的な導入と運用ガバナンス。 | ドリフトの早期検出、管理図に基づく監視、モデル管理、再学習、承認、再デプロイ。 |
| 導入環境・データの取り扱い | 顧客のVPC、オンプレミス、外部ネットワークから隔離された環境への導入。データを顧客環境内に保持すると明記。 | クラウド、オンプレミス、外部ネットワークから隔離された環境への導入。オンプレミスでは工程データを工場内に保持すると明記。 | クラウド、オンプレミス、ハイブリッド、エッジPCへの導入。ローカルLLMを含め、社内環境での処理に対応。 |
| PoC・システム連携 | 工程や拠点を限定した試験導入、MESなどのシステムとの連携、顧客固有の業務フローの開発事例。 | 工程別の構成・モデル調整、PoC、現場での検証、ライン展開、社内ITとの連携、運用支援。 | 技術者が要件定義、PoC、現場実装、本番導入、保守を支援。装置、品質基準、承認フローに合わせて対応。 |
AおよびBは、各社が公開している情報をもとにまとめたものです。対応する工程の範囲、利用可能な機能、導入条件は、製品の構成やプランによって異なります。
BFAIのPoCで得られた実績
各社が公表する結果は、指標、対象工程、評価条件が異なります。以下はBFAIのPoC結果であり、提供企業間の順位を示すものではありません。
AIによる欠陥検査の精度
AIによる欠陥検査精度
検査時間
後工程の外観検査PoCで、人による目視確認と比較。
歩留まりの立ち上げを高速化
先端ノードの新工程で、因果AIと予測モデルを活用したPoC。
実測回数を削減
装置のセンサーデータを用い、仮想計測によって処理結果を予測する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。
BFAIの実装を支える4つの要素
現場に即したエンジニアリング
BFAIの技術者が現場と連携し、製品をお客さまのニーズに適合させます。自動処理、現場での確認、品質保証部門の承認を、運用に合わせた一連の業務フローに組み込めます。
エッジで実行
外観検査AIは現場のエッジPCで動作するため、画像を拠点外へ送信せずに検査できます。
クラウド・オンプレミス・ハイブリッド
半導体分野に特化したローカルLLMを含め、完全オンプレミスでの運用に対応。クラウドとの組み合わせも可能です。
PoCから本番運用まで支援
要件定義、PoC、現場実装、本番導入、保守まで支援します。初期段階から本番運用の要件を考慮します。
お客様固有の要件に対応する層
工場環境、装置、レシピ、品質基準、承認手続きに適合させます。人による判断が必要な段階も、業務フローに組み込めます。
共通プラットフォーム層
共通の半導体分析基盤と、ドリフト検出・評価・再学習・デプロイのための標準MLOpsにより、PoC環境の立ち上げを迅速化します。
因果分析の知見を予測と改善へ
01 / 工程の問題を特定
工程・装置・検査データを組み合わせ、品質に影響する原因候補を分析します。
02 / BFAIの因果AI
因果関係を推定し、問題箇所と原因候補を分析します。装置のセンサーデータから処理前に結果を予測し、予測や工程変更の提案に至る根拠を説明します。