論文の概要: Machine-learning based methodologies for 3d x-ray measurement, characterization and optimization for buried structures in advanced ic packages

• arxiv url: http://arxiv.org/abs/2103.04838v1
• Date: Mon, 8 Mar 2021 15:44:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 21:50:43.073881
• Title: Machine-learning based methodologies for 3d x-ray measurement, characterization and optimization for buried structures in advanced ic packages
• Title（参考訳）: 高度なICパッケージ内埋設構造物の3次元X線計測・評価・最適化のための機械学習手法
• Authors: Ramanpreet S Pahwa, Soon Wee Ho, Ren Qin, Richard Chang, Oo Zaw Min, Wang Jie, Vempati Srinivasa Rao, Tin Lay Nwe, Yanjing Yang, Jens Timo Neumann, Ramani Pichumani, Thomas Gregorich
• Abstract要約: シリコンのスケーリングが遅くなるにつれて、業界はICパッケージ技術に依存して、回路統合と性能改善に貢献している。 従来のパッケージ特性評価とプロセス最適化は、物理的な断面や遅延などの破壊的な技術に依存します。 本稿では、3次元X線顕微鏡で非破壊的に取得したデータを機械学習を用いて強化・最適化する方法を示す。
• 参考スコア（独自算出の注目度）: 0.5727968722424194
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: For over 40 years lithographic silicon scaling has driven circuit integration and performance improvement in the semiconductor industry. As silicon scaling slows down, the industry is increasingly dependent on IC package technologies to contribute to further circuit integration and performance improvements. This is a paradigm shift and requires the IC package industry to reduce the size and increase the density of internal interconnects on a scale which has never been done before. Traditional package characterization and process optimization relies on destructive techniques such as physical cross-sections and delayering to extract data from internal package features. These destructive techniques are not practical with today's advanced packages. In this paper we will demonstrate how data acquired non-destructively with a 3D X-ray microscope can be enhanced and optimized using machine learning, and can then be used to measure, characterize and optimize the design and production of buried interconnects in advanced IC packages. Test vehicles replicating 2.5D and HBM construction were designed and fabricated, and digital data was extracted from these test vehicles using 3D X-ray and machine learning techniques. The extracted digital data was used to characterize and optimize the design and production of the interconnects and demonstrates a superior alternative to destructive physical analysis. We report an mAP of 0.96 for 3D object detection, a dice score of 0.92 for 3D segmentation, and an average of 2.1um error for 3D metrology on the test dataset. This paper is the first part of a multi-part report.
• Abstract（参考訳）: 40年以上にわたり、リソグラフィーシリコンのスケーリングは半導体産業における回路統合と性能改善を推進してきた。 シリコンのスケーリングが遅くなるにつれて、業界はICパッケージ技術に依存して、さらなる回路統合と性能向上に貢献している。 これはパラダイムシフトであり、icパッケージ産業はサイズを縮小し、これまで一度も行われなかった規模で内部インターコネクトの密度を高める必要がある。 従来のパッケージの特性評価とプロセス最適化は、内部パッケージ機能からデータを抽出するために物理的な断面や遅延などの破壊的な技術に依存します。 これらの破壊技術は、今日の先進的なパッケージでは実用的ではない。 本稿では,3次元X線顕微鏡を用いて非破壊的に取得したデータを,機械学習を用いて拡張・最適化し,高度ICパッケージにおける埋設配線の設計・製造を計測・特徴化・最適化する方法について述べる。 2.5D および HBM 構造を複製する試験車両を設計、製造し、3D X線および機械学習技術を用いてこれらの試験車両からデジタルデータを抽出した。 抽出したデジタルデータは、配線の設計と生産を特徴付け、最適化するために使用され、破壊物理的解析の優れた代替手段を示す。 3Dオブジェクト検出のためのmAP0.96、3Dセグメンテーションのためのダイススコア0.92、テストデータセット上の3D計測における平均2.1umエラーを報告する。 この論文は、マルチパートレポートの最初の部分です。

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)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [62.663113296987085]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータに基づいて漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 冗長特徴除去器(RFE)と空間ノイズ補償器(SNC)の2つの新しいコンポーネントを紹介する。 既存の3次元データセットの不均衡を考慮し、3次元FSCILモデルのより微妙な評価を提供する新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Pretrained Deep 2.5D Models for Efficient Predictive Modeling from Retinal OCT [7.8641166297532035]
  3Dディープラーニングモデルは、病気進行の強力な予測モデルを構築する上で重要な役割を果たす。 本稿では、畳み込みニューラルネットワーク(CNN)、長寿命メモリ(LSTM)、トランスフォーマーを組み合わせた2.5Dアーキテクチャについて検討する。 湿潤加齢関連黄斑変性(AMD)の進行を6ヶ月以内に予測する作業において,建築と関連する事前訓練の有効性を実証した。
  論文  参考訳（メタデータ） (2023-07-25T23:46:48Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• Simulation-Driven Training of Vision Transformers Enabling Metal Segmentation in X-Ray Images [6.416928579907334]
  本研究は,CTデータセットとCADインプラントを組み合わせたシミュレーションX線画像を生成することを提案する。 CBCT射影における金属セグメンテーションは、金属アーティファクト回避および還元アルゴリズムの前提条件となる。 本研究は,CADモデルに基づくデータ生成の柔軟性が向上し,臨床データサンプリングとラベル付けの不足を克服する手段となる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-03-17T09:58:58Z)
• Generating 3D structures from a 2D slice with GAN-based dimensionality expansion [0.0]
  GAN(Generative adversarial Network)は、3D画像データを生成するためのトレーニングが可能で、設計の最適化に役立ちます。 本稿では,1つの代表2次元画像を用いて高忠実度3次元データセットを合成できる生成逆ネットワークアーキテクチャであるSliceGANを紹介する。
  論文  参考訳（メタデータ） (2021-02-10T18:46:17Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Improving 3D Object Detection through Progressive Population Based Augmentation [91.56261177665762]
  本稿では3次元オブジェクト検出のためのデータ拡張ポリシーの設計を自動化するための最初の試みを示す。 このアルゴリズムは,探索空間を狭め,過去の反復で発見された最良のパラメータを採用することで,拡張戦略の最適化を学習する。 PPBAは, 拡張のないベースライン3次元検出モデルよりも最大10倍のデータ効率が高く, ラベル付きモデルよりもはるかに少ない精度で3次元検出モデルが競合精度を達成できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-02T05:57:02Z)
• Generative Multi-Stream Architecture For American Sign Language Recognition [15.717424753251674]
  複雑なアプリケーションのための機能豊かさの低いデータセットのトレーニングは、人間のパフォーマンスよりも最適な収束を制限します。 本稿では,非現実性を危険にさらすことなく機能収束を改善することを目的とした,新たなハードウェアの必要性を排除した生成型マルチストリームアーキテクチャを提案する。 提案手法は,従来のモデルよりも0.45%,5.53%の精度で,トレーニングから1.42%の精度で95.62%の精度を達成している。
  論文  参考訳（メタデータ） (2020-03-09T21:04:51Z)

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。