NTT が AI とロボットで半導体材料の成膜を自律最適化｜成膜・評価サイクルを約 3 倍に高速化し、人が使える「成膜ルール」も抽出（研究発表）【AI活用事例】

要約

NTT 株式会社が、AI と自動化技術を使って薄膜の成長（成膜）を自律的に最適化し、さらにその過程で得たデータを人が理解・転用できる成膜ルールに変換する「解釈可能な自律成膜」を実証しました（公式発表 2026-08-25、研究成果は 2026 年 8 月 13 日に Nature Communications に掲載）。

この事例から学べるのは、AI で実験を速くしたこと以上に、AI が見つけた最適解を「ブラックボックスのまま」にせず、人が使える知識に戻した設計です。公式発表から読み取れるポイントは次の 3 つです。

• 試行のループを自動化: 自動スパッタ成膜・自動光学評価・ベイズ最適化をつなぎ、成膜・評価サイクルを従来の技術者・研究者による運用の約 3 倍に高速化
• 結果を人の知識に戻す: 最適化データをランダムフォレストで解析し、「各パラメータを順に調整し、最後に温度と O₂ 流量を重点的に調整する」というルールを抽出
• ルールの有効性を確かめた: 研究者がこのルールで再最適化し、品質の指標がさらに改善

本記事は NTT の公式ニュースリリース（2026-08-25）を一次ソースに、事実の整理と Links-Create の分析・研修用の演習を分けて解説します。演習の例は研修用の提案であり、NTT が実施した事実ではありません。

何が発表されたか（公式情報ベース）

発表主体は研究を行った NTT 自身であり、数値も同社の研究発表にもとづきます。研究段階の実証である点を前提に読んでください。

研究の概要

項目	内容
発表	2026 年 8 月 25 日（NTT ニュースリリース）。論文は 2026 年 8 月 13 日に Nature Communications に掲載
対象	次世代パワー半導体材料の一つ β-Ga₂O₃（β 型酸化ガリウム）の、スパッタ法による成膜
探索した条件	温度、スパッタ電力、Ar（アルゴン）流量、O₂（酸素）流量の 4 つ
品質の指標	アーバックエネルギー（EU）。膜中の欠陥や乱れの程度と相関し、小さいほど品質が高い
AI の手法	次の条件の提案にベイズ最適化、データの解析とルール抽出にランダムフォレスト

背景: 最適条件は見つかるが、理由が分からない

発表によれば、成膜では温度やガス流量など多くの条件が薄膜の品質を左右するため、効率的な条件探索が重要です。NTT はこれまでも、ベイズ最適化を用いた酸化物の成膜などに取り組んできました。一方で、従来の AI による条件探索には次の課題があったとしています。

「従来の自律実験では、AIが最適条件を見つけても、その条件がなぜ良いのかを人が理解し、他の材料や装置に展開できる知識として活用することが難しいという課題がありました。」 — 出典: NTT ニュースリリース（2026-08-25）

何をしたか（3 段階の要約）

段階	内容	結果（発表値）
① 自律成膜基盤	ウェハの自動搬送、ベイズ最適化が提案した条件での成膜、成膜後の光学測定データの自動解析・評価、予測モデルの更新と次の条件の選択を連携	成膜・評価サイクルを従来の技術者・研究者による実験運用の約 3 倍に高速化
② β-Ga₂O₃ での実証	サファイア製のウェハ上で条件を探索・最適化し、得た条件を β-Ga₂O₃ 基板上の成膜に転用	56 回の自律探索で、サファイア上のスパッタ法による β-Ga₂O₃ 薄膜として報告されている中で最小の EU=182meV。基板上ではスパッタ法として世界初とする単結晶薄膜を実現
③ 成膜ルールの抽出	最適化データをランダムフォレストで解析し、各パラメータの寄与と相互作用に分解	品質の変化は 4 つのパラメータの影響の足し合わせで大部分を予測でき、温度と O₂ 流量の組み合わせだけは足し合わせで予測しきれないと判明。ルールに基づく研究者の再最適化で EU は 163meV に

人手が残っている部分

発表の用語解説には、現行の構成では、ウェハをロードロックへセットする作業と、成膜後のサンプルを光学測定部へ移送する作業の一部に人手を介している、と明記されています。完全な無人化ではなく、研究段階の構成です。

今後の展開（公式の記載）

半導体材料・酸化物材料・量子材料など、条件探索が複雑な材料・デバイスプロセスへの活用が期待されるとしています。今後は、複数の評価指標を扱う最適化や、材料物性・成膜プロセスの知識を取り入れた AI モデルの高度化、多様な材料や装置での検証を進めるとしています。

公式発表で開示されていない情報（推論で書かない）

確認した範囲で、リリース本文には次の情報の記載がありません。

• 「約 3 倍」の比較に使った 1 サイクルの所要時間の実数と、比較の条件
• 人手による従来の運用で、同じ品質に到達するまでに必要だった試行回数
• 装置・ロボットの導入費用、他の装置への展開に必要な期間
• 製造ラインへの適用時期や事業化の計画

これらは本記事でも記載しません（論文本文の詳細は本記事の対象外です）。

設計の読み解き（Links-Create による解説）

ここからは、公開情報から読み取れる設計上のポイントを Links-Create の視点で解説します。以下は独自分析であり、NTT の公式見解ではありません。

1. 速くなったのは「試行のループ」

発表の構成を業務の言葉に置き換えると、次の 4 つの作業の繰り返しです。

作業	従来	この研究
次に試す条件を決める	研究者が判断	ベイズ最適化が提案
試す（成膜）	研究者が装置を操作	ロボット・装置が自動で実行（一部の搬送は人手）
結果を測る	研究者が測定・解析	光学測定データを自動で解析・評価
結果から学ぶ	研究者が考察	予測モデルを更新し、次の提案に反映

「約 3 倍」は、このループの 1 周を、人の判断や解析を待たずに回せるようになった効果と読めます。どの作業を機械に渡したかが分かると、自社で同じ発想が使えるかを判断しやすくなります。

2. 最適化の「次の一手」として、人が使える知識に戻している

AI の最適化は、最良の条件を出すところで止まりがちです。この研究は、そこからもう一歩進めて、最適化の過程のデータを解析し、人が実行できる手順に要約しました。

• 4 つのパラメータの影響はおおむね足し合わせで説明できる
• ただし温度と O₂ 流量の組み合わせだけは重点的に調整が必要
• だから「順に調整し、最後に温度と O₂ 流量を詰める」

この形に戻すと、別の装置や別の材料で試すときに、ゼロから探索し直さずに済む可能性が生まれます（発表は、他の材料系や装置へ展開できる知識にすることを狙いとしています）。業務でも、AI の出した答えを使うだけでなく、「なぜそれが良かったのか」を手順書に落とすと、AI がない場面でも再利用できます。

3. 抽出したルールを「使って確かめた」点が要

ルールを抽出しただけでは、データの相関を説明しただけかもしれません。発表では、研究者がそのルールに基づいて再最適化し、EU が 182meV から 163meV まで改善したことで、ルールが実際の条件最適化に有効な指針であることを示したとしています。

AI が出した「説明」や「示唆」は、それに従って行動したら結果が良くなるかで確かめる。これは、業務で AI の分析結果を採用するときにもそのまま使える考え方です。

4. 数値を引用するときの 4 つの注意

• 約 3 倍は実験サイクルの速さ: 比較対象は従来の技術者・研究者による実験運用。製造の生産性や開発期間全体の値ではない
• 研究段階の構成: 搬送作業の一部に人手が残っている
• 56 回・182meV・163meV は、この材料・装置・指標での値: 他の材料や装置で同じ結果になることを示すものではない
• 163meV は研究者の再最適化の結果: AI だけで到達した値ではない

推奨する表現は「研究段階の実証で、従来の技術者・研究者による実験運用と比べて成膜・評価サイクルを約 3 倍に高速化したと NTT が発表（一部の搬送作業は人手）。」です。

5. 既存の事例との違い

事例	AI の役割	本事例との違い
KDDI の強化学習による基地局の自律最適化	稼働中の設備のパラメーターを AI が最適化	運用中の設備の最適化。本事例は研究開発の実験条件の最適化で、結果を人の知識に戻す
大林組の構造設計支援 AI	専門家の設計業務を AI で短縮	専門家の作業を短くする点は共通。本事例は AI から新しい知識を取り出す
ソフトバンクと安川電機の VLA によるハーネス把持	ロボットの動作を AI で制御	ロボットと AI の組み合わせは共通。本事例はロボットを実験のループに組み込む

自社に置き換える演習（Links-Create の研修用の提案）

以下の演習と表の例は、Links-Create が研修用に提案するものです。NTT が実施した手順や事実ではありません。 表の「例」は考え方を示す架空の例なので、自社の業務に置き換えて記入してください。

演習 1: 自社の「試行のループ」を 4 つの作業に分ける

業務の例（研修用の例）	次の条件を決める	試す	結果を測る	学ぶ
広告の配信設定	予算配分・配信先	配信	クリック率・成約数	次の配分に反映
製造の条件出し	温度・時間	試作	検査結果	次の条件に反映
メール文面の改善	件名の候補	送信	開封率	次の候補に反映

4 つのうち、どれが人の判断待ちになっているかに印を付けます。そこが自動化の候補です。

演習 2: AI の結果から「人が使える手順」を取り出す

問い	例（研修用の例）
結果に大きく効いた条件はどれか	配信時間帯が最も効いた
組み合わせで効く条件はあるか	時間帯と配信先の組み合わせだけは個別に調整が必要
手順にするとどうなるか	「まず配信先を決め、最後に時間帯を詰める」

演習 3: 取り出した手順を「使って確かめる」

確かめ方	例（研修用の例）
手順どおりに別の案件で試す	別の商品の広告で同じ手順を使う
比べる相手	手順を使わずに担当者が設定した案件
人の手が残る工程の記録	自動化できなかった作業と、その時間

NTT が「ルールで再最適化して確かめた」ように、取り出した手順が本当に効くかを、自社でも確かめる工程を入れることが狙いです。

法人 AI 研修への示唆（Links-Create の視点）

1. 業務を「提案・実行・評価・学習」のループで捉える — 自動化の候補は、人の判断待ちになっている箇所にある
2. AI の答えを手順書に戻す — 最適な結果だけでなく、なぜ良かったかを人が使える形で残す
3. 効果は「人の手が残る工程」と一緒に語る — 何倍速くなったかと、どこに人が残っているかをセットで報告する

関連リソース

• 生成 AI（Claude Code）を実務で使う実装演習 — 生成 AI で何ができるかを体験する無料コース
• AI エージェントとは — AI に作業を任せる仕組みの基本
• 生成 AI とは — 生成 AI と他の AI の違いの基本
• Claude・ChatGPT でデータ分析・情報収集をする方法 — データから気づきを得るための AI の使い方
• KDDI の強化学習による基地局の自律最適化（AI活用事例） — AI による自律最適化の事例
• 大林組の構造設計支援 AI（AI活用事例） — 専門家の業務を AI で支援する事例

出典・引用ポリシー

本記事の事実情報は、次の公式発表のみを一次ソースとしています。

• NTT 株式会社 ニュースリリース『AI for Scienceで実現する、次世代のAI駆動型ラボ ～ロボットと機械学習による自律実験から、人が理解・転用できる半導体成膜ルールを創出～』（2026-08-25）

研究成果の論文（Nature Communications、2026 年 8 月 13 日掲載）はリリースに記載された情報として紹介しており、本記事の数値はリリース本文で確認した範囲に限ります。設計の読み解き・演習・研修への示唆は Links-Create の独自分析・研修用の提案であり、NTT の公式見解ではなく、同社が実施した事実でもありません。

定量値は公式発表の限定（研究段階の実証・従来の技術者・研究者による実験運用との比較・一部人手が残る構成）を維持し、成果保証としては記述していません。引用する際は前提条件を必ず併記してください。

公式情報の更新があれば、本記事も追従して更新します。