半導体製造の中流工程、特に基板・ウエハ製造においては、化学機械研磨（CMP）プロセスが歩留まりおよび製造コストに大きな影響を及ぼします。プロセスの高度化が進むにつれ、原材料ロット差、温度、圧力、流量といった微細な変動が、除去レート、表面平坦度、欠陥密度に直接影響し、パラメータ収束の難易度を高め、量産の安定性に影響を与えます。

多くの工場では、プロセス開発や材料切り替えの際、依然としてエンジニアの経験に基づく試行錯誤が中心となっています。関連情報は計測システム、装置ログ、実験記録に分散しており、統一的に整理されていないため、再利用可能な知識資産として蓄積されにくいのが現状です。その結果、異なるラインや装置で類似の課題が発生した場合でも、同じ検証を繰り返す必要が生じ、検証期間の長期化や材料最適化コストの増大を招いています。

Domain Twin™ は、プロセスパラメータ、実験経路、測定結果を構造化して統合管理し、管理可能かつ追跡可能な知識ストックとして蓄積します。機械学習によって主要影響因子を特定し、異なるパラメータ組み合わせにおけるプロセス結果を予測することで、実験計画に明確な方向性を与えます。

さらに生成AIを組み合わせることで、傾向変化や潜在的な要因についての解釈を支援し、エンジニアの問題診断や意思決定を補助します。これにより、パラメータ探索は無作為な試行から脱却し、より短期間で収束することが可能となります。

CMP プロセスを例に取ると、研磨レート、平坦度、エッジロールオフといった指標を事前に予測することで、実験前に方向性を定めることができ、試験回数の削減と検証期間の短縮を実現します。プロセス最適化は「経験主導」から「データと知識の協調」へと進化し、製造安定性と材料利用効率の向上につながります。

こうした取り組みは CMP に限らず、ウエハ製造および先進パッケージにおける薄膜堆積プロセス、例えば物理気相成長（PVD）、化学気相成長（CVD）、電解めっき（Electroplating）、さらにはフォトリソグラフィやエッチングといった主要工程においても、すでに多数の実装実績を有しています。