Fugu-MT 論文翻訳(概要): A Novel Approach for Semiconductor Etching Process with Inductive Biases

論文の概要: A Novel Approach for Semiconductor Etching Process with Inductive Biases

arxiv url: http://arxiv.org/abs/2104.02468v1
Date: Tue, 6 Apr 2021 12:51:52 GMT
ステータス: 処理完了
システム内更新日: 2021-04-07 14:25:45.090950
Title: A Novel Approach for Semiconductor Etching Process with Inductive Biases
Title（参考訳）: 誘導バイアスを用いた半導体エッチングプロセスの新展開
Authors: Sanghoon Myung, Hyunjae Jang, Byungseon Choi, Jisu Ryu, Hyuk Kim, Sang Wuk Park, Changwook Jeong and Dae Sin Kim
Abstract要約: 本稿では,エッチングプロセスにインダクティブバイアスを適用するための新しい手法を提案する。私たちのアプローチは、より精度と低コストでエッチングプロセスを改善する新しい機会をもたらします。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The etching process is one of the most important processes in semiconductor manufacturing. We have introduced the state-of-the-art deep learning model to predict the etching profiles. However, the significant problems violating physics have been found through various techniques such as explainable artificial intelligence and representation of prediction uncertainty. To address this problem, this paper presents a novel approach to apply the inductive biases for etching process. We demonstrate that our approach fits the measurement faster than physical simulator while following the physical behavior. Our approach would bring a new opportunity for better etching process with higher accuracy and lower cost.
Abstract（参考訳）: エッチングプロセスは半導体製造において最も重要なプロセスの1つである。エッチングプロファイルを予測するために最先端ディープラーニングモデルを導入した。しかし、物理学に違反する重要な問題は、説明可能な人工知能や予測の不確かさの表現といった様々な技術を通じて発見されている。この問題に対処するため,本論文では,エッチングプロセスにインダクティブバイアスを適用するための新しい手法を提案する。本手法は, 物理挙動を追従しながら, 物理シミュレータよりも高速に測定できることを示す。私たちのアプローチは、より精度と低コストでエッチングプロセスを改善する新しい機会をもたらします。

関連論文リスト

A Rate-Distortion View of Uncertainty Quantification [36.85921945174863]
教師付き学習では、入力がトレーニングデータに近接していることを理解することは、モデルが信頼できる予測に達する十分な証拠を持っているかどうかを判断するのに役立つ。本稿では,この特性でディープニューラルネットワークを強化するための新しい手法であるDistance Aware Bottleneck (DAB)を紹介する。
論文参考訳（メタデータ） (2024-06-16T01:33:22Z)
CSE: Surface Anomaly Detection with Contrastively Selected Embedding [4.287890602840307]
本稿では,目標固有埋め込みに着目した新しい手法を導入することにより,事前学習した特徴に基づくアプローチを再検討する。テクスチャの最も顕著な特徴を考察するために, 人工的に生成された欠陥サンプルと異常のないサンプルの両方を組み込んだ, コントラスト訓練法を応用した。
論文参考訳（メタデータ） (2024-03-04T09:15:55Z)
Deep Learning for Fast Inference of Mechanistic Models' Parameters [0.28675177318965045]
本稿では,観測対象の力学モデルのパラメータを直接予測するために,ディープニューラルネットワーク(NN)を提案する。本稿では,ニューラルネットワークとメカニスティックモデルを組み合わせたトレーニング手法を検討する。ニューラルネットワークの推定値は、さらなる適合によってわずかに改善されているのに対して、これらの推定は、適合手順単独よりも測定精度が良いことがわかった。
論文参考訳（メタデータ） (2023-12-05T22:16:54Z)
Sliced Denoising: A Physics-Informed Molecular Pre-Training Method [29.671249096191726]
本稿では,スライスデノナイジング(SliDe)と呼ばれる分子前訓練法を提案する。 SliDeは、結合の長さ、角度、ねじれ角を乱す新しいノイズ戦略を使用して、コンフォーメーションよりも優れたサンプリングを実現する。その結果,現在最先端の遮音法と比較して,推定力場の精度は42%向上した。
論文参考訳（メタデータ） (2023-11-03T07:58:05Z)
Ground state preparation with shallow variational warm-start [5.526775342940154]
この研究は、現在のアルゴリズムのボトルネックに取り組むために、浅い変分温開始を伴う量子基底状態の準備スキームを提供する。本研究では,スピン-1/2$ハイゼンベルクモデル上での広範な数値シミュレーションにより提案手法の有効性を実証する。本研究では,ハバードモデルの研究を拡張し,有意な変動量子アルゴリズムと比較して優れた性能を示す。
論文参考訳（メタデータ） (2023-03-20T15:36:23Z)
HomoDistil: Homotopic Task-Agnostic Distillation of Pre-trained Transformers [49.79405257763856]
本稿では,タスク非依存蒸留に焦点をあてる。これは、計算コストとメモリフットプリントを小さくして、様々なタスクで簡単に微調整できるコンパクトな事前訓練モデルを生成する。本稿では, 反復刈り込みによる新規なタスク非依存蒸留法であるHomotopic Distillation (HomoDistil)を提案する。
論文参考訳（メタデータ） (2023-02-19T17:37:24Z)
Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
論文参考訳（メタデータ） (2022-11-02T14:35:13Z)
Retrieving space-dependent polarization transformations via near-optimal quantum process tomography [55.41644538483948]
トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
論文参考訳（メタデータ） (2022-10-27T11:37:14Z)
Physical Gradients for Deep Learning [101.36788327318669]
最先端のトレーニング技術は、物理的なプロセスに関わる多くの問題に適していないことが分かりました。本稿では,高次最適化手法と機械学習手法を組み合わせた新しいハイブリッドトレーニング手法を提案する。
論文参考訳（メタデータ） (2021-09-30T12:14:31Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
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。