ブラックボックスを解明するAI駆動型ラボ
これまでのAIによる材料開発では、AIが最適条件を導き出しても、その過程が「ブラックボックス」となり、人が「なぜその条件が良いのか」を理解したり、他の材料や装置に応用したりすることが難しいという課題がありました。
NTTが実証した「解釈可能な自律成膜」は、この課題を解決します。ロボットとAIを連携させることで、薄膜の成長（成膜）から評価、次の成膜条件の決定までを自動で繰り返し、従来の技術者・研究者による実験運用に比べて約3倍の速さで実験サイクルを進めることが可能になりました。
さらに、この自律最適化の過程で得られた膨大なデータから、人が理解・転用できる「成膜ルール」をAIが抽出します。これにより、単なる条件探索から一歩進んで「科学知識の創出」へと発展させることが可能となるのです。
世界初の高品質β-Ga₂O₃単結晶薄膜を実現
この技術の実証として、次世代パワー半導体材料として期待されるβ-Ga₂O₃（β型酸化ガリウム：約5eVの大きなバンドギャップを持つ半導体材料で、高い電圧に耐え、紫外光に対応できるため、省エネデバイスなどに有望）の成膜に適用されました。
スパッタ法（真空中でガスをプラズマ化し、成膜原料を基板に堆積させる方法。大面積化や低コスト化に適している）という、大面積化や低コスト化に有利な方法で、高品質なβ-Ga₂O₃の単結晶薄膜（原子が規則正しく並んだ結晶構造を持つ薄膜で、高性能デバイスに応用される）を得ることはこれまで困難でした。
しかし、NTTの自律成膜基盤は、温度、スパッタ電力、Ar（アルゴン）流量、O₂（酸素）流量の4つの成膜パラメータをAI（ベイズ最適化：限られた実験データから最適な条件を効率的に探索する機械学習手法）が効率的に探索。56回の自律探索により、スパッタ法でβ-Ga₂O₃薄膜として報告されている中で最小のアーバックエネルギー（材料中の欠陥や原子配列の乱れの程度を示す指標。小さいほど品質が高い）を示す成膜条件を発見しました。
この条件をβ-Ga₂O₃基板上の成膜に転用することで、高品質なβ-Ga₂O₃単結晶薄膜の実現に成功しました。これは、スパッタ法によるβ-Ga₂O₃単結晶薄膜としては世界初の成果となります。
AIが抽出した「成膜ルール」でさらなる高品質化
さらに驚くべきは、自律最適化の過程で得られたデータを、ランダムフォレスト（多数の予測モデル（決定木）を組み合わせる機械学習手法）というAI解析手法で分析した点です。これにより、薄膜品質に影響を与える各成膜パラメータの寄与度や、温度とO₂流量の組み合わせが特に重要であることなど、人が理解しやすい簡潔な「成膜ルール」が導き出されました。
この抽出された成膜ルール（成膜条件と薄膜品質の関係から抽出された、人が理解し実行できる条件調整の指針）に基づいて研究者が再最適化を行った結果、アーバックエネルギーがさらに低減し、より高品質な成膜条件に到達。AIが導き出したルールが、実際の成膜条件最適化に有効な指針であることを実証しました。
未来の材料開発を加速し、省エネ社会へ貢献
本技術は、AIとロボットによる高速実験、そして機械学習によるデータ解析と科学知識抽出を連携させることで、これまで複雑で時間のかかった新材料や半導体の開発を大幅に効率化する可能性を秘めています。
今後、半導体材料だけでなく、酸化物材料や量子材料など、多様な材料・デバイスプロセスへの活用が期待されます。NTTは、AIモデルのさらなる高度化や、実験プロセスの自動化・知能化を推進することで、材料・デバイス研究の効率化を加速し、高性能パワー半導体の実用化を通じて、省エネ社会や次世代電子機器の実現に貢献していくとしています。
この研究成果は、2026年8月13日に科学誌Nature Communicationsに掲載されました。
論文掲載情報：
“Interpretable self-driving sputtering epitaxy reveals human-usable growth rules for β-Ga₂O₃ films”
Yuki K. Wakabayashi, Yui Ogawa, Franz Benedict Romero, Coleman Wagner, Takuma Otsuka, and Yoshitaka Taniyasu
Nature Communications (2026): https://doi.org/10.1038/s41467-026-76533-0
