半導体設計と製造へのAI統合：方法論、課題、今後の展望

半導体チップは現代の電子機器の基盤であるが、従来の設計および製造方法はコストの高騰とデバイスのジオメトリの縮小に伴う収益の減少に直面している。本レビューは、チップ開発ワークフローにおける人工知能（AI）の統合を調査し、方法論を監視付き機械学習（例：SVM、決定木）、深層学習（CNN、RNN/LSTM/GRU、GAN）、その他のAIパラダイム（強化学習、アクティブラーニング、転移学習；遺伝的アルゴリズム；ベイズ最適化）、およびハイブリッドフレームワークに分類している。チップ設計においては、AIがレイアウトの最適化、電力性能のトレードオフ、および欠陥分類を加速し、製造においてはウェハレベルの欠陥検出、プロセス監視、製造スケジューリングを強化する。ケーススタディでは、ノイズ耐性のある故障診断のためのGAN–CNNハイブリッドおよび故障予測のためのGA–SVM/DTパイプラインを示している。サブナノメートルの特徴予測やリアルタイム異常検出などの顕著な成功にもかかわらず、重要な課題は依然として存在する：独自の制約による高品質なラベル付きデータセットの不足；解釈可能性を妨げる深層モデルの「ブラックボックス」性；AIと半導体領域をつなぐ学際的専門知識の不足。今後の研究は、説明可能なモデルの開発、連合学習または合成データ生成戦略、およびAIと半導体の専門知識を結びつける教育に優先すべきである。