JP7127632B2 - 自動回路形成装置、自動回路形成方法、及びプログラム - Google Patents

Description

本発明は、自動回路形成装置、自動回路形成方法、及びプログラムに関する。

ナノスケールの物体を基板上に配置して回路設計を行う技術がある。

例えば、電気泳動を利用してあらかじめ設置した電極に、ナノスケールのカーボンナノチューブを移動させ、大規模な回路設計を可能にする技術がある（非特許文献１参照）。

また、光学顕微鏡を利用して、グラフェンの検出及びマニピュレーションを行う装置がある。この装置では、予め設置した電極にグラフェンの移動を可能とする（非特許文献２参照）。

Engel, Michael, et al. "Graphene-enabled and directed nanomaterial placement from solution for large-scale device integration."Nature communications 9.1 (2018): 4095. Masubuchi, Satoru, et al. "Autonomous robotic searching and assembly of two-dimensional crystals to build van der Waals superlattices."Nature communications 9.1 (2018): 1413.

しかし、非特許文献１の技術は、電極を予め形成しておいた基板上でカーボンナノチューブを移動させる技術であるが、電気泳動による移動であるため、可能な回路のパターンが限られてしまう。

また、非特許文献２の技術は、グラフェンの移動が行えるものの、カーボンナノチューブのように脆い対象物をマニピュレータで移動させるのは困難である。

本発明は、上記事情を鑑みて成されたものであり、短時間、かつ、容易に、ナノスケールの対象物を用いた基板上の回路を設計できる自動回路形成装置、自動回路形成方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、第１の発明に係る自動回路形成装置は、基板に配されたナノスケールの対象物の各々を含む画像を取得する観測部と、前記画像の対象物の各々について、予め学習された前記対象物の座標を取得するためのモデルを用いて認識し、当該対象物についての基板上の座標を取得する認識部と、前記対象物の各々の座標から回路を設計する回路設計部と、設計された前記回路に従って、前記基板上の前記対象物の各々を用いた電極を形成する電極形成部と、を含んで構成されている。

第２の発明に係る自動回路形成方法は、基板に配されたナノスケールの対象物の各々を含む画像を取得し、前記画像の対象物の各々について、予め学習された前記対象物の座標を取得するためのモデルを用いて認識し、当該対象物についての基板上の座標を取得し、前記対象物の各々の座標から回路を設計し、設計された前記回路に従って、前記基板上の前記対象物の各々を用いた電極を形成する、ことを含む処理をコンピュータが実行することを特徴とする自動回路形成方法である。

第３の発明に係るプログラムは、基板に配されたナノスケールの対象物の各々を含む画像を取得し、前記画像の対象物の各々について、予め学習された前記対象物の座標を取得するためのモデルを用いて認識し、当該対象物についての基板上の座標を取得し、前記対象物の各々の座標から回路を設計し、設計された前記回路に従って、前記基板上の前記対象物の各々を用いた電極を形成する、ことをコンピュータに実行させるプログラムである。

本発明の自動回路形成装置、自動回路形成方法、及びプログラムによれば、短時間、かつ、容易に、ナノスケールの対象物を用いた基板上の回路を設計できる。

本発明の実施形態に係る自動回路形成装置の構成を示すブロック図である。 自動回路形成装置のハードウェア構成を示すブロック図である。 基板及び基板上のカーボンナノチューブ及び位置の基準となる十字マーカを観測した画像の一例を示す図である。 画像中の対象物のアノテーションの一例を示す図である。 対象物の検出結果の一例を示す図である。 ナノセンサ群の使用による、受信信号のエネルギー増加に関する概念図である。 ランダム配置のナノアンテナ群の使用による、信号の配向性に依存しないナノシステムに関する概念図である。 従来の手法と本実施形態の手法とを比較したプロセスフローの一例である。 本発明の実施形態に係る自動回路形成装置における自動回路形成処理ルーチンを示すフローチャートである。

以下、図面を参照して本発明の実施形態を詳細に説明する。

＜本発明の実施形態に係る概要＞

まず、本発明の実施形態における概要を説明する。従来、ナノスケールの対象物（例えば、カーボンナノチューブなど）を用いて回路を設計するためには、対象物を規則的に配置する、又は、ランダムに配置された対象物を人手で観測し、観測した座標を入力した上で、回路を設計する必要があった。前者は配置自体に大きなコストが必要であり、また、可能な配置のパターン及び対象物が限られる。これは、カーボンナノチューブのマニピュレーションが困難だからである。また、後者は観測及び設計の人手での作業が膨大であった。以下、本実施形態で対象物とは、ナノスケールの対象物を指す。対象物としては、カーボンナノチューブ、又はグラフェン等が挙げられる。

そこで本発明の実施形態に係る手法では、人手で行われていた観測及び回路設計を自動化する。対象物をランダムに基板上に散布し、画像を撮像して観測する。機械学習などの手法を用いて対象物の画像中の座標を、人手を介さずに取得する。また、得られた座標から自動的に回路を設計し電極を形成する。これによって、対象物をマニピュレーション等によって移動させる必要がなく、かつ、人手での作業を必要とせずに、大幅にコストを削減することができる。

以下、上記の観点の手法を実現するための自動回路形成装置の構成を説明する。

＜本発明の実施形態に係る自動回路形成装置の構成＞
本発明の実施形態に係る自動回路形成装置の構成について説明する。図１に示すように、本発明の実施形態に係る自動回路形成装置１００は、観測部１１０と、認識部１１２と、回路設計部１１４と、電極形成部１１６と、記憶部１２０とを含んで構成されている。

図２は、自動回路形成装置１００のハードウェア構成を示すブロック図である。図２に示すように、自動回路形成装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。

ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、自動回路形成プログラムが格納されている。

ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。

入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。

表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能してもよい。

通信インタフェース１７は、端末等の他の機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

以上が自動回路形成装置１００のハードウェア構成についての説明である。以下、自動回路形成装置１００の各部の処理について説明する。

観測部１１０は、基板に配されたナノスケールの対象物の各々を含む画像を取得する。観測部１１０には、例えば、ＳＥＭ（Ｓｃａｎｎｉｎｇ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ）を用いる。他には、光学顕微鏡又はカメラ等を用いてもよい。図３は、基板及び基板上のカーボンナノチューブ及び位置の基準となる十字マーカを観測した画像の一例を示す図である。図３に示した例は、観測部１１０で観測する画像は、カーボンナノチューブをランダムに散布した基板である。観測部１１０は、本実施形態では、基板にカーボンナノチューブがランダムに散布されている状態について、画像を取得する。このように、基板上にランダムにカーボンナノチューブを散布して、回路を設計し、電極を形成すると、後述する配向性に依存しないセンサの形成が可能となる。

記憶部１２０には、予め学習された対象物の座標を取得するためのモデルが記憶されている。当該モデルは、対象物の座標として端点座標及び電極向きを取得するように、機械学習の手法により予め学習されている。機械学習の手法は、例えば、参考文献１に記載のＤｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋの一種であるｆａｓｔｅｒ－ＲＣＮＮ等の画像認識の手法を用いる。モデルの学習には、画像中の対象物の座標のアノテーションを用いて、対象物の検出を行う。具体的な学習手法、検出の手法については後述する。機械学習の手法としては、他のニューラルネットワークを用いた画像認識の手法を用いてもよく、例えば、ＳＳＤ（Ｓｉｎｇｌｅ Ｓｈｏｔ ＭｕｌｔｉＢｏｘ Ｄｅｔｅｃｔｏｒ）などの検出手法を用いてもよい。また、他にも、ハフ変換などの画像処理を用いてもよい。
［参考文献１］Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, Ren+ 2016
また、記憶部１２０には、予め既存手法で作成しておいた、対象物の各々の端点座標及び電極向きから回路としてのＣＡＤデータを作成するスクリプトが格納されている。

認識部１１２は、画像の対象物の各々について、記憶部１２０に記憶されているモデルを用いて認識し、当該対象物についての基板上の座標を取得する。取得する座標とは、観測部１１０で取得された画像に写された基板に配された対象物の各々の端点座標及び電極向きである。

次に、モデルの学習に用いるアノテーションの手法を説明する。図４は、画像中の対象物のアノテーションの一例を示す図である。アノテーションで、対象物の電極向きを決める基準を以下に示す。１．対象物の端点の片方が折れ曲がっており、かつ、もう一方の端点が折れ曲がっていないときは、折れ曲がっている部分がカソード、もう一方の端点がアノードとする。２．対象物の両方の端点が折れ曲がっていないとき、端点周辺にゴミ（図４中の黒い点など）が多い方をカソード、もう一方をアノードとする。また、画像中に存在する対象物のうち、アンテナとして不適な短い対象物はアノテーションしないようにして学習データから除く。

次に、モデルによる対象物の検出の手法を説明する。認識部１１２は、モデルとして物体検出アルゴリズムの１つであるｆａｓｔｅｒ－ＲＣＮＮを用いて、対象物を検出し、座標を取得する。図５は、対象物の検出結果の一例を示す図である。図５に示すように、物体検出アルゴリズムは、４つの角の座標を求めて、画像中の物体が存在領域を矩形で囲う。また、囲った領域に何が存在しているかを推測することを目的とするアルゴリズムであり、自動運転などに応用されている。物体検出アルゴリズムの学習データとして、上述したアノテーションされた画像を用いる。これにより学習後のモデルは、学習に用いていない新規の画像に対しても、カーボンナノチューブなどの対象物のある領域を自動的に囲って取得できるようになる。また、当該モデルにより、何が写っているのかを推定する代わりに、対象物が矩形の中でどの向きを向いているか、及び、端点のどちらをカソード側の電極、アノード側の電極にすべきかを推定できる。これにより、対象物の座標として、対象物の端点座標及び電極向きが取得できる。

回路設計部１１４は、認識部１１２で取得された対象物の各々の端点座標及び電極向きに従って、回路を設計する。ここで設計する回路は、記憶部１２０に記憶してあるスクリプトを用いて、ＣＡＤデータとして自動生成すればよい。なお、ＣＡＤデータの自動生成には他にも、機械学習技術などを用いても良い。

電極形成部１１６は、回路設計部１１４で設計された回路に従って、基板上の対象物の各々を用いた電極を形成する。電極形成部１１６は、基板上に電極を形成するためのマニピュレータ（図示省略）に指示を出し、回路を示すＣＡＤデータに従って、電極を形成する。マニピュレータは、ＣＡＤデータを読み取って自動又は半自動的に電極を形成する装置であればよい。

以上の認識部１１２による座標の取得、回路設計部１１４による回路の設計、及び電極形成部１１６による電極の形成により、基板において、対象物の各々を一体として、電極向きの配向性に依存しないセンサが形成される。以下に、当該センサについて説明する。

配向性に依存しないセンサとは、すなわち、平面な基板上（以下、単に平面とも記載する）に、ランダムに配置された複数のナノスケールのマテリアルによって可能となる極小のナノメカニカルシステムである。当該ナノメカニカルシステムは、基板に、それぞれの単一ナノマテリアル（例えば、対象物であるカーボンナノチューブ１本）から成るナノセンサ群を有することで、電磁界や光の、配向性に依存しない検知を可能とする。

本実施形態の手法によって、既存の微小な機械振動子を用いた系で生じるデメリットを回避し、ナノメカニカルシステム実現への貢献が期待できる。デメリットとは、例えば、以下のデメリット１及びデメリット２であり、図６及び図７を参照して説明する。図６は、ナノセンサ群の使用による、受信信号のエネルギー増加に関する概念図である。図７は、ランダム配置のナノアンテナ群の使用による、信号の配向性に依存しないナノシステムに関する概念図である。

デメリット１は、センサ部（ナノマテリアル）が微小サイズであるため、信号から受け取れるエネルギーが乏しく、感度が悪い、という点である。これは、現在の様々なセンサは、アンテナ部が検知対象となる電波、光、及び熱等からエネルギーを受け取って動作する、という性質に起因する。受け取れるエネルギーの量はアンテナのサイズ及び表面積の広さに依存するため、微小なセンサでは必然的にその量は減少し、結果として感度特性が悪くなる。ナノメカニカルシステムによって、このようなデメリット１の解決が期待される理由として、１つでは表面積が非常に小さなナノセンサでも、１０個、１００個、のように複数を一体のセンサとして用いると、合計した表面積は増加する。図６に示すように、結果として、信号から受け取れるエネルギー量が増加するに伴い、感度が向上し、微弱な信号が検知可能となる。

デメリット２は、単一のセンサでは、配置されたナノマテリアルの向きに依存し、検知が困難な信号の到来方向が存在する、という点である。これは、一例として、ナノスケールの機械振動子においては、ナノマテリアルに対し、適切な方向、すなわち１次元材料であれば長手方向に垂直な向き、２次元材料であればなら面内垂直方向から信号が入射されるのが好ましい。しかしながら、信号の到来方向は逐次変化する場合が多く、信号検出に不向きな方向からの入射には対応が困難である。デメリット２の解決が期待される理由として、図７に示すように、ランダムに配置されるナノマテリアルによってナノセンサ群を作製すると、どの信号入射方向に対しても適切な向きとなるナノアンテナが確率的に存在するからである。これにより、信号が到来する向きに依らない、つまり配向性のないナノシステムが形成可能となる。

図８は、従来の手法と本実施形態の手法とを比較したプロセスフローの一例である。本実施形態の手法を用いれば、従来では人の手でしか行うことしかできなかったナノデバイス作製工程の時間効率の飛躍的な改善が期待される。

以下に、図８に示すような、「従来の人の手による処理」と「本手法が提案するシステム構成による処理」とを行った際の時間を比較した。なお処理時間は、以下の仮定に基づき算出されている。ナノマテリアルとしてカーボンナノチューブを用い、カーボンナノチューブの端点に電極を有する素子１０００個から成る１個のシステムを作製するための時間を求める。各工程の人の作業時間は、これまで素子を作製してきた作業者の実体験に基づくため、熟練度による生じる違いは無視する。本手法による処理時間は、本手法の検討段階における試験時の時間とする。

まず、人の手による処理について説明する。１ステップ目は、ＳＥＭでナノマテリアルの画像を取得する工程が、１枚１枚人が撮影するとして、１０分×１０００個＝１００００分（約１６７時間）と試算される。２ステップ目は、画像から、ナノマテリアルの位置情報（座標、及び角度）を取得する工程が、１個ずつ人が算出するとして、１５分×１０００個＝１５０００分（約２５０時間）と試算される。３ステップ目は、位置情報（座標、及び角度）に基づいて、ＣＡＤデータを作成する工程が、１部材ずつ人がデザインするとして、１５分×１０００個＝１００００分（約２５０時間）と試算される。４ステップ目は、ＣＡＤデータに基づいて、に電極を形成する工程が、ＣＡＤデータの１ファイルごとに人が処理するとして１０分×１０００個＝２００００分（約１６７時間）と試算される。

次に、本手法の処理について説明する。１ステップ目で、ＳＥＭでナノマテリアルの画像取得する工程が、平面内を自動撮影するとして、０．２５分×１０００個＝２５０分（約４時間）と試算される。２ステップ目は、画像に基づいて、自動で位置情報を取得するとして、０．０００４分×１０００個＝０．４分（約０．０６時間）と試算される。３ステップ目は、位置情報（座標、及び角度）に基づいて、自動でＣＡＤデータを作成するとして、０．０５分（約０．０００８時間）と試算される。４ステップ目は、ＣＡＤデータに基づいて電極形成する（ＣＡＤデータの統一ファイルを作成して電極を形成する）工程が、０．１２分×１０００個＝１００分（約２時間）と試算される。

以上から、これまで人の手による処理で約８８４時間、つまり現実的な実動時間を８時間とすると１１０日の歳月を要していた作業が、本実施形態により約６時間（約０．２５日）での実現が可能となる。上記から、本実施形態の手法は、これまで現実的には困難であった、単一ナノマテリアルを用いた多量のナノデバイス群から構成されるナノシステムの実現に大きな貢献が期待できる。

＜本発明の実施形態に係る自動回路形成装置の作用＞
次に、自動回路形成装置１００の作用について説明する。図９は、自動回路形成装置１００による自動回路形成処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から自動回路形成プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、自動回路形成処理が行なわれる。

ステップＳ１００において、ＣＰＵ１１は、基板に配されたナノスケールの対象物の各々を含む画像を取得する。

ステップＳ１０２において、ＣＰＵ１１は、画像の対象物の各々について、記憶部１２０に記憶されているモデルを用いて認識し、当該対象物についての基板上の座標を取得する。取得する座標とは、観測部１１０で取得された画像に写された基板に配された対象物の各々の端点座標及び電極向きである。

ステップＳ１０４において、ＣＰＵ１１は、ステップＳ１０２で取得された対象物の各々の端点座標及び電極向きに従って、回路を設計する。

ステップＳ１０６において、ＣＰＵ１１は、ステップＳ１０４で設計された回路に従って、基板上の対象物の各々を用いた電極を形成する。

以上説明したように、本発明の実施形態に係る自動回路形成装置によれば、短時間、かつ、容易に、ナノスケールの対象物を用いた基板上の回路を設計できる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上述した実施形態では対象物（カーボンナノチューブ）を基板上にランダムに散布する場合を例に説明したが、これに限定されるものではない。例えば、ある程度の方向性をもって対象物を基板上に散布してもよい。これにより、任意の回路の設計、及び電極の形成ができる。

１００ 自動回路形成装置
１１０ 観測部
１１２ 認識部
１１４ 回路設計部
１１６ 電極形成部
１２０ 記憶部

Claims (5)

1. 基板に配されたナノスケールのカーボンナノチューブである対象物の各々を含む画像を取得する観測部と、
   前記画像の対象物の各々について、予め学習された前記対象物の座標として端点座標及び電極向きを取得するためのモデルを用いて認識し、当該対象物についての基板上の前記端点座標及び電極向きを取得する認識部と、
   前記対象物の各々の前記端点座標及び電極向きから回路を設計する回路設計部と、
   設計された前記回路に従って、前記基板上の前記対象物の各々を用いた電極を形成する電極形成部と、
   を含む自動回路形成装置。
2. 前記基板に前記カーボンナノチューブがランダムに散布されている状態について、ランダムに散布されている状態について、前記観測部は、前記画像を取得する請求項１に記載の自動回路形成装置。
3. 前記認識部による前記端点座標及び電極向きの取得、前記回路設計部による前記回路の設計、及び前記電極形成部による前記電極の形成により、
   前記基板において、前記対象物の各々を一体として、電極向きの配向性に依存しないセンサが形成される請求項１又は請求項２に記載の自動回路形成装置。
4. 基板に配されたナノスケールのカーボンナノチューブである対象物の各々を含む画像を取得し、
   前記画像の対象物の各々について、予め学習された前記対象物の座標として端点座標及び電極向きを取得するためのモデルを用いて認識し、当該対象物についての基板上の座標を取得し、
   前記対象物の各々の前記端点座標及び電極向きから回路を設計し、
   設計された前記回路に従って、前記基板上の前記対象物の各々を用いた電極を形成する、
   ことを含む処理をコンピュータが実行することを特徴とする自動回路形成方法。
5. 基板に配されたナノスケールのカーボンナノチューブである対象物の各々を含む画像を取得し、
   前記画像の対象物の各々について、予め学習された前記対象物の座標として端点座標及び電極向きを取得するためのモデルを用いて認識し、当該対象物についての基板上の前記端点座標及び電極向きを取得し、
   前記対象物の各々の座標から回路を設計し、
   設計された前記回路に従って、前記基板上の前記対象物の各々を用いた電極を形成する、
   ことをコンピュータに実行させるプログラム。

Images