Fugu-MT 論文翻訳(概要): From IC Layout to Die Photo: A CNN-Based Data-Driven Approach

論文の概要: From IC Layout to Die Photo: A CNN-Based Data-Driven Approach

arxiv url: http://arxiv.org/abs/2002.04967v2
Date: Thu, 6 Aug 2020 13:16:34 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 02:40:38.378969
Title: From IC Layout to Die Photo: A CNN-Based Data-Driven Approach
Title（参考訳）: IC LayoutからDie Photoへ - CNNベースのデータ駆動アプローチ
Authors: Hao-Chiang Shao, Chao-Yi Peng, Jun-Rei Wu, Chia-Wen Lin, Shao-Yun Fang, Pin-Yen Tsai, Yan-Hsiu Liu
Abstract要約: 本稿では,2つの畳み込みニューラルネットワークからなるディープラーニングに基づくデータ駆動フレームワークを提案する。 LithoniaNetはIC製造による回路上の形状変形を予測し、OPCNetはそのような形状変形を補償するICレイアウト補正を提案する。
参考スコア（独自算出の注目度）: 20.549275584162768
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a deep learning-based data-driven framework consisting of two convolutional neural networks: i) LithoNet that predicts the shape deformations on a circuit due to IC fabrication, and ii) OPCNet that suggests IC layout corrections to compensate for such shape deformations. By learning the shape correspondences between pairs of layout design patterns and their scanning electron microscope (SEM) images of the product wafer thereof, given an IC layout pattern, LithoNet can mimic the fabrication process to predict its fabricated circuit shape. Furthermore, LithoNet can take the wafer fabrication parameters as a latent vector to model the parametric product variations that can be inspected on SEM images. Besides, traditional optical proximity correction (OPC) methods used to suggest a correction on a lithographic photomask is computationally expensive. Our proposed OPCNet mimics the OPC procedure and efficiently generates a corrected photomask by collaborating with LithoNet to examine if the shape of a fabricated circuit optimally matches its original layout design. As a result, the proposed LithoNet-OPCNet framework can not only predict the shape of a fabricated IC from its layout pattern, but also suggests a layout correction according to the consistency between the predicted shape and the given layout. Experimental results with several benchmark layout patterns demonstrate the effectiveness of the proposed method.
Abstract（参考訳）: 2つの畳み込みニューラルネットワークからなるディープラーニングに基づくデータ駆動フレームワークを提案する。一 IC製造による回路上の形状変形を予測するLithoNet及び二このような形状の変形を補うためのICレイアウト補正を提案するOPCNet ICレイアウトパターンが与えられた一対のレイアウトデザインパターンと、その製品ウエハの走査電子顕微鏡画像との形状対応を学習することにより、LithoNetはその製造過程を模倣して回路形状を予測することができる。さらに、リトネットはウェハ製造パラメータを潜伏ベクトルとして、sem画像で検査できるパラメトリック積のバリエーションをモデル化することができる。さらに、リソグラフィフォトマスクの補正を提案するために使用される従来の光学近接補正(OPC)法は計算コストがかかる。提案するOPCNetは,OPCプロシージャを模倣し,LithoNetと共同で補正されたフォトマスクを効率よく生成し,回路形状が元のレイアウト設計と最適に一致するかどうかを調べる。その結果、提案するLithoNet-OPCNetフレームワークは、そのレイアウトパターンから製造したICの形状を予測するだけでなく、予測された形状と所定のレイアウトとの整合性に応じたレイアウト補正を提案する。いくつかのベンチマークレイアウトパターンによる実験結果から,提案手法の有効性が示された。

関連論文リスト

SEMU-Net: A Segmentation-based Corrector for Fabrication Process Variations of Nanophotonics with Microscopic Images [4.875868958100446]
走査型電子顕微鏡画像(SEM)を自動的にセグメント化する手法であるSEMU-Netを導入し,それらを用いて,U-Netとその変種に基づく2つのディープニューラルネットワークモデルをトレーニングする。予測モデルは製造に伴う変動を予測し、補正モデルはこれらの問題に対処するために設計を調整する。実験結果から, セグメンテーションU-Netの平均IoUスコアは99.30%, タンデムアーキテクチャにおける補正注意U-Netの平均IoUスコアは98.67%に達した。
論文参考訳（メタデータ） (2024-11-25T22:49:59Z)
Deformation-Invariant Neural Network and Its Applications in Distorted Image Restoration and Analysis [8.009077765403287]
幾何学的歪みによって劣化した画像は、画像や物体認識などのコンピュータビジョンタスクにおいて重要な課題となる。ディープラーニングに基づく画像モデルは通常、幾何学的に歪んだ画像に対して正確な性能を与えることができない。本稿では、幾何学的に歪んだ画像の撮像タスクに対処するフレームワークである変形不変ニューラルネットワーク(DINN)を提案する。
論文参考訳（メタデータ） (2023-10-04T08:01:36Z)
StructuredMesh: 3D Structured Optimization of Fa\c{c}ade Components on Photogrammetric Mesh Models using Binary Integer Programming [17.985961236568663]
我々は、フォトグラムメッシュモデル内の建物の規則性に応じてファサード構造を再構築する新しい手法であるStructuredMeshを提案する。本手法では,仮想カメラを用いて建物モデルの多視点色と深度画像を取得する。次に、深度画像を用いてこれらのボックスを3次元空間に再マップし、初期ファサードレイアウトを生成する。
論文参考訳（メタデータ） (2023-06-07T06:40:54Z)
RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
論文参考訳（メタデータ） (2023-01-04T15:12:57Z)
Keeping Deep Lithography Simulators Updated: Global-Local Shape-Based Novelty Detection and Active Learning [21.947570061670397]
学習に基づくプレシミュレートモデルでは,ICレイアウトから製造回路への加工誘起形状変形が予測される。モデルトレーニングと更新のために、すべてのレイアウトクリップの参照形状画像を集めるのは高価で時間がかかる。本稿では,新しい(目に見えない)レイアウトパターンを識別するための,ディープラーニングに基づくレイアウトノベルティ検出手法を提案する。
論文参考訳（メタデータ） (2022-01-24T14:50:30Z)
SIR: Self-supervised Image Rectification via Seeing the Same Scene from Multiple Different Lenses [82.56853587380168]
本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
論文参考訳（メタデータ） (2020-11-30T08:23:25Z)
Category Level Object Pose Estimation via Neural Analysis-by-Synthesis [64.14028598360741]
本稿では、勾配に基づくフィッティング法とパラメトリックニューラルネットワーク合成モジュールを組み合わせる。画像合成ネットワークは、ポーズ設定空間を効率的に分散するように設計されている。本研究では,2次元画像のみから高精度に物体の向きを復元できることを実験的に示す。
論文参考訳（メタデータ） (2020-08-18T20:30:47Z)
End-to-end Full Projector Compensation [81.19324259967742]
完全なプロジェクター補償は、プロジェクター入力画像を変更して、プロジェクター表面の幾何学的および測光的乱れを補償することを目的としている。本稿では,この2つの問題を共同で解くために,CompenNeSt++というエンド・ツー・エンドの微分可能な最初のソリューションを提案する。
論文参考訳（メタデータ） (2020-07-30T18:23:52Z)
Learning to Learn Parameterized Classification Networks for Scalable Input Images [76.44375136492827]
畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
論文参考訳（メタデータ） (2020-07-13T04:27:25Z)
Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文参考訳（メタデータ） (2020-04-30T03:23:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。