結核（TB）は少なくとも9000年前から存在しており、人々は数百年にわたり治療法や治療手段を模索してきましたが、依然として世界で最も致死率の高い感染症の一つであり、年間150万人以上が命を落としています。 こうした多大な意欲と努力にもかかわらず、この病気を完全に根絶する上での進展は部分的なものに留まっていますが、韓国の企業Standigmは、韓国パスツール研究所の創薬プラットフォームと連携し、自社の人工知能（AI）プラットフォームと深層学習予測モデルを活用して、結核治療のための新規化合物の設計と合成を行っています。 得られた結果はStandigmの人工知能（AI）システムにフィードバックされ、学習モデルの精度向上に役立てられており、この共同研究により薬剤耐性結核に対するリード化合物が特定された。
人工知能は、これまでに私たちが経験してきたどの技術やツールよりも急速に進化しています。ChatGPTは、月間アクティブユーザー数1億人に達するまでわずか2ヶ月しかかかりませんでした。しかし、その驚異的なスピードと圧倒的な能力には、同時にエラーが発生するリスクも伴います。人工知能や機械学習の恩恵を最大限に引き出すためには、不正確な結果を特定するためのシステムや安全策を確実に整備することが不可欠です。ここで懸念すべき点は、主に「データ」と「学習モデル」という2つの側面です。
ゴミを入れれば、ゴミが出る
質の悪いデータが質の悪い結果をもたらすことは容易に想像できますが、そこには微妙な違いがあります。ご存知かもしれませんが、ChatGPTは2021年9月以降のデータを使用していないため、明らかに誤解を招くような情報を返す可能性があります。 「リオネル・メッシはワールドカップを優勝できるほどの実力があるか」とChatGPTに尋ねると、システムは彼の才能やチームプレーの重要性について回答します。アルゴリズムは、彼が優勝にどれだけ近づいたかを強調しますが、実際にはメッシが2022年にワールドカップで優勝したことを認識していないのです。
しかし、生データだけでなく、その背景も重要です。測定単位といった要素に関する単純な見落としが、壊滅的な結果を招くことがあります。1億2500万ドルを投じて開発されたNASAの「マーズ・クライメート・オービター」は、火星の大気、気候、地表を調査するミッションを帯びて、1998年12月に打ち上げられました。1999年12月に運用軌道に到達する予定でしたが、1999年9月23日、同探査機は計画通り火星軌道投入のためのエンジン噴射を開始しました。 火星の裏側を通過した後、探査機は地球との通信を再開する予定でしたが、それは実現しませんでした。この失敗は、地球から送信された指令が、メートル法（ニュートン秒）に変換されずに英米単位（ポンド秒）で送られたことに起因します。その結果、探査機は予定された軌道に乗ることができず、最終的に火星の大気圏に突入して崩壊しました。
良い結果を得るためには、データだけでなく学習モデルも極めて重要です。コロナ禍において、あるEU加盟国はすべてのサッカー試合をライブ配信し、スタジアムを無観客にすることを決定しました。同国はAIアルゴリズムを活用することで、カメラマンを不要にすることさえ実現しました。このAIは、画面上のボールを追跡して試合の様子を捉えるよう訓練されていましたが、上の動画でご覧いただけるように、AIアルゴリズムに使用されるモデルはデータそのものと同じくらい重要です。 このケースでは、AIはサッカーボールを追跡するように学習させていましたが、ピッチ上のボールと審判の禿げた頭を区別できるほど十分に学習されていなかったため、カメラはボールではなく禿げた頭を追いかけてしまいました。この例は（熱狂的なファンを除けば）致命的な事態には至りませんでしたが、別の状況下で不適切に学習されたモデルがどのような事態を招きかねないかは容易に想像できるでしょう。
AIの真の価値を引き出す
これまで見てきたように、成功には、高いデータ整合性と、システムを適切に表現する学習モデルの両方が必要です。 現実には、まだ人工知能を人間の判断に取って代える段階には至っていません。AIは「代替」ではなく「支援」として捉える必要があります。そこで、AIの別の略語として「Accelerated Insights（加速された洞察）」を考えてみましょう。これは、高いデータ整合性と有効なモデルを備えたシステムであり、高い確信を持って得られる知見に、より迅速に到達することを可能にするものです。このようなシステムには、次のようなデータが必要です：
- 期待される学習成果を予測するのに役立つ
- 適切な文脈が示されているか
- システムがそれを最大限に活用できるような構成になっている
- 安全です – 改ざんや操作が行われていません
そして、次のような学習モデル：
- 明確な目的がある
- 適切なタイプのモデルを使用する
- 適切な手法が適用されているか
- 便利なデータ可視化システムを搭載
- 学んだことを実践する方法がある
- 必要に応じて、学んだことを即座に実践できる
「Accelerated Insights」：実例
自動車業界は、部品の品質とテスト漏れのないことについて、常に最高水準の基準を掲げてきました。 一般的な手法として、デバイス・パート・アベレージ・テスティング（DPAT）を用いて外れ値を探し出し、正規分布から外れたデバイスを特定することで、テスト漏れを低減する。特定のデバイスに関するその他の情報を活用すれば、多数のデバイスやウェーハにわたる特定のテストの分布は、予想される変動幅よりも広くなる。実際の予想IDDQ結果は、デバイスの特性に依存する。 AIモデルを活用すれば、デバイス固有の他の測定値から導き出された期待値を生成し、テスト対象デバイスの許容範囲を絞り込むことができます。これを測定されたIDDQと比較することで、全デバイスの広範な分布内に収まっている一部の部品であっても、もはや期待通りの性能を発揮しておらず、実使用環境では故障する可能性が高いことが判明します。自動車業界のような厳しい品質要求が求められる市場において、このようなソリューションは、迅速な知見の獲得を可能にする手段となります。
もう1つ急速に拡大している分野が、コード生成のための支援型AIです。デバイスごとにテストプログラムを一から構築するのではなく、デバイス固有のテスト計画と一連のコードライブラリを組み合わせる方が、より効果的な手法です。これはAIプログラムジェネレータを使用して行うことができますが、それでもエンジニアによる監督が必要です。 AIを活用することで、エンジニアはプロセスの最も重要な側面であるプログラムのレビューに集中できるようになります。これにより、テストエンジニアだけが提供できる専門知識を活かし、効率を大幅に向上させることができます。さらに一歩進めて、テスト時間やテストの再現性といったパラメータをAIエンジンにフィードバックさせ、ライブラリを改善することも可能です。最終的な目標は、実世界の品質データを活用して出荷品質全体を最適化すると同時に、その達成にかかるコストを最小限に抑えることです。
AIが新プロセスノードの生産性向上を牽引する
ニュースでは、AIが私たちの仕事を奪うという話題が盛んに取り上げられていますが、現時点では、むしろ仕事の内容が変わる可能性が高いでしょう。このAI時代において、データの重要性は極めて高く、その結果として、半導体プロセスの改善を図るために、製造工程で収集されるデータの質と多様性を高める取り組みに注力されることになるでしょう。
重要な動機の一つは、先端プロセスノードの開発に伴うコストの管理です。新しい5nmプロセスの設計には5億ドル以上、5nmファブの建設には50億ドル以上の費用がかかります。こうした先端ノードでは複雑さが増しており、業界全体として前進しなければ、こうした巨額の投資を正当化することは非常に困難になるでしょう。 半導体業界はこれまで、技術的な課題を克服し、低コストでより高い性能を実現することで、絶えず前進してきました。しかし、業界が今後も進歩し続けるためには、さらなるブレークスルーが必要とされる段階に差し掛かっています。AIによって実現可能な生産性の向上は、先進プロセスノードを経済的かつ実用的なものにし、ひいてはファブと設計会社双方にとって有益な投資とするための不可欠な要素です。しかし、これを実現するには、バリューチェーンのあらゆるリンクが連携して取り組む必要があります。
AIによって得られる成果は紛れもない現実のものですが、真の純利益の大きさは、開発するシステムによって決まります。データの整合性を十分に確保できなかったり、対象となるシステムの実態を正確に反映していない学習モデルを使用したりすると、危険な結果を招く恐れがあります。しかし、細部にまで注意を払い、最終的に重視すべき点――パフォーマンス、コスト、生産性など――を継続的に監視すれば、AIの力は変革をもたらすものとなるでしょう。
リーガン・ミルズは、テラダインの半導体テスト部門において、マーケティング担当副社長兼SOC事業ユニットのゼネラルマネージャーを務めています。テラダイン入社以前は、オートメーション・エンジニアリング・インコーポレイテッドおよびアークティック・サンド・テクノロジーズで管理職を歴任しました。マサチューセッツ工科大学（MIT）で電気工学およびコンピュータサイエンスの理学士号を、ボストン大学で電気工学、制御システム、デジタル信号処理、アナログ設計の理学修士号を取得しています。