「誤った潜在変数の関連付け」を防ぐことで精度を向上 東芝が半導体ウェハの品質検査向けに異常検知AIを開発：「正常データだけでも高い精度で検知できる」

東芝は、半導体ウェハの品質検査に向けた製品外観の画像認識による異常検知AIの検知性能を向上させた。MNISTの画像に対する異常検知精度は従来の69.5％から79.1％に、半導体製造工場で収集した検査画像では50.5％から91.6％に高まった。

[＠IT]

　東芝は2020年12月14日、半導体ウェハの品質検査などに向けた製品外観の画像認識による異常検知AI（人工知能）の検知性能を「世界のトップレベルに高めた」と発表した。公開データを使った検知精度は従来技術の69.5％から79.1％と約10ポイント向上させた。正常データのみから高い精度で学習でき、検査対象の外観が撮影した部位や製品の種類によって異なる場合でも高精度に異常を検知するとしている。

従来方法との違い（出典：東芝）

正常データだけでも学習は可能だが、精度が低い

　製造現場での「製品外観による異常検知」は異常の発生頻度が低く、異常データの収集が難しいという課題がある。異常データを使わず、正常データとの差分を検知する方式でAIを学習させる手法はあるが、半導体ウェハのように、検査対象の外観が部位や製品の種類などで異なる場合は「基準の正常データ」を用意できないことがある。

　これに対応するため、正常データから「正常データらしさ」を学習する手法がある。画像の特徴を「潜在変数」に符号化して、それを再度画像データに復元するもので、正常データのみを用いて学習しているため異常データは正しく復元できない。だが、似た画像同士を「誤った潜在変数」に対応付けて学習することがあり、検知精度が低いという課題があった。