[2E6-GS-10n] AI応用：生成モデルと科学応用

17:45 〜 18:00

[2E6-GS-10n-02] LoRA 転移学習による大規模CNN 光学スペクトル解析モデルの高速転移

〇五十嵐 柚希¹、ヒルフィカー ジェームズ²、藤原 裕之¹ (1. 岐阜大学、2. J.A. Woollam Co., Inc.)

キーワード：

転移学習、低ランク適応、畳み込みニューラルネットワーク、光学スペクトル解析、分光エリプソメトリー

近年，厳密な物理的解析の代わりに深層学習を用いた半導体試料の解析が大きな注目を集めている．特に，光学評価手法である分光エリプソメトリー（SE）に対しては1億パラメータ程度の大規模CNN 回帰モデルが極めて有効であると確認されている．しかし，SEによる半導体薄膜解析では，使用する基板材料に応じてスペクトル形状が大きく変化し，異種基板を用いる場合にはCNN 学習を最初からやり直す必要がある．また，この場合には教師データ作成と学習に合計で100時間程度が必要であり，様々な異種基板ごとに新規学習するのは非現実的である．そこで本研究では，シリコン基板を使用した大規模CNN からの転移学習により，アルミニウムおよびガラスなどの異種基板CNN解析モデルへと効率的に転換する手法の開発を目的とした．具体的には，転移学習手法としてFine-Tuning（FT）とLow-Rank Adaptation (LoRA) を基本とする2つのモデルを構築し，結果として，LoRAはFT よりも短時間で十分な推論精度を達成できることを明らかにした．特に，LoRA を適用した転移学習では，教師データ作成から学習までの所要時間を4 時間程度まで短縮でき，約96 % の時間削減を実現し，この手法の有効性を確認した．