論文の概要: A Deep Learning Framework for Simulation and Defect Prediction Applied in Microelectronics

• arxiv url: http://arxiv.org/abs/2002.10986v1
• Date: Tue, 25 Feb 2020 15:54:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 21:28:46.788487
• Title: A Deep Learning Framework for Simulation and Defect Prediction Applied in Microelectronics
• Title（参考訳）: マイクロエレクトロニクスにおけるシミュレーションと欠陥予測のためのディープラーニングフレームワーク
• Authors: Nikolaos Dimitriou, Lampros Leontaris, Thanasis Vafeiadis, Dimosthenis Ioannidis, Tracy Wotherspoon, Gregory Tinker, Dimitrios Tzovaras
• Abstract要約: 本稿では,3次元畳み込みニューラルネットワーク(DCNN)に基づくアーキテクチャを提案し,製造パラメータの幾何学的変動をモデル化する。 我々は最近発表されたPCBスキャンデータセットを用いて,マイクロエレクトロニクスのユースケースに関する枠組みを検証する。
• 参考スコア（独自算出の注目度）: 3.8698051494433043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prediction of upcoming events in industrial processes has been a long-standing research goal since it enables optimization of manufacturing parameters, planning of equipment maintenance and more importantly prediction and eventually prevention of defects. While existing approaches have accomplished substantial progress, they are mostly limited to processing of one dimensional signals or require parameter tuning to model environmental parameters. In this paper, we propose an alternative approach based on deep neural networks that simulates changes in the 3D structure of a monitored object in a batch based on previous 3D measurements. In particular, we propose an architecture based on 3D Convolutional Neural Networks (3DCNN) in order to model the geometric variations in manufacturing parameters and predict upcoming events related to sub-optimal performance. We validate our framework on a microelectronics use-case using the recently published PCB scans dataset where we simulate changes on the shape and volume of glue deposited on an Liquid Crystal Polymer (LCP) substrate before the attachment of integrated circuits (IC). Experimental evaluation examines the impact of different choices in the cost function during training and shows that the proposed method can be efficiently used for defect prediction.
• Abstract（参考訳）: 産業プロセスにおける今後の出来事の予測は、製造パラメータの最適化、設備整備の計画、さらに重要な予測、最終的には欠陥の防止を可能にするため、長年の研究目標となっている。 既存のアプローチは大きな進歩を遂げているが、それらは主に1次元信号の処理や、環境パラメータのモデル化にパラメータチューニングを必要とする。 本稿では,従来の3次元計測に基づくバッチ内の監視対象の3次元構造の変化をシミュレートする,ディープニューラルネットワークに基づく代替手法を提案する。 特に,3次元畳み込みニューラルネットワーク(3DCNN)に基づくアーキテクチャを提案する。 我々は,集積回路(IC)の付着前に液晶ポリマー(LCP)基板上に付着した接着剤の形状と体積の変化をシミュレートするPCBスキャンデータセットを用いて,マイクロエレクトロニクスのユースケースに関する枠組みを検証する。 実験評価により, 学習中のコスト関数における異なる選択の影響を検証し, 提案手法が欠陥予測に効果的に利用できることを示す。

関連論文リスト

• OccLoff: Learning Optimized Feature Fusion for 3D Occupancy Prediction [5.285847977231642]
  3Dセマンティック占有予測は、自動運転の安全性を確保するために不可欠である。 既存のフュージョンベースの占有法では、画像の特徴に対して2次元から3次元のビュー変換を行うのが一般的である。 OccLoffは3次元占有予測のためにFeature Fusionを最適化するフレームワークである。
  論文  参考訳（メタデータ） (2024-11-06T06:34:27Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Data-Driven Prediction and Uncertainty Quantification of PWR Crud-Induced Power Shift Using Convolutional Neural Networks [2.147634833794939]
  Crud-induced Power Shift (CIPS) は加圧水炉の運用上の課題である。 本研究は、原子炉固有のキャリブレーションを組み込んだ組立レベルでCIPSインスタンスを予測するためのトップダウンアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-27T15:04:24Z)
• Bayesian Mesh Optimization for Graph Neural Networks to Enhance Engineering Performance Prediction [1.6574413179773761]
  工学設計において、サロゲートモデルは計算コストのかかるシミュレーションを置き換えるために広く使われている。 本稿では3次元ディープラーニングに基づく代理モデルのためのベイズグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々のフレームワークはベイズ最適化によってメッシュ要素の最適サイズを決定し、その結果、高精度なサロゲートモデルが得られる。
  論文  参考訳（メタデータ） (2024-06-04T06:27:48Z)
• Weighted Unsupervised Domain Adaptation Considering Geometry Features and Engineering Performance of 3D Design Data [2.306144660547256]
  本稿では,3次元設計データの幾何学的特徴と工学的性能を考慮した2重非教師なし領域適応手法を提案する。 提案モデルでは, 最大von Mises応力の大きさとそれに対応する3次元路面車輪の位置を予測するために, 車輪衝撃解析問題を用いて実験を行った。
  論文  参考訳（メタデータ） (2023-09-08T00:26:44Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Investigation of Physics-Informed Deep Learning for the Prediction of Parametric, Three-Dimensional Flow Based on Boundary Data [0.0]
  熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。 物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
  論文  参考訳（メタデータ） (2022-03-17T09:54:22Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
  モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。 従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。 我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。 これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
  論文  参考訳（メタデータ） (2020-08-31T17:10:48Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。