論文の概要: Machine Learning-enhanced Efficient Spectroscopic Ellipsometry Modeling
- arxiv url: http://arxiv.org/abs/2201.04933v1
- Date: Sat, 1 Jan 2022 19:53:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-16 16:19:15.678214
- Title: Machine Learning-enhanced Efficient Spectroscopic Ellipsometry Modeling
- Title（参考訳）: 機械学習による効率的な分光エリプソメトリーモデリング
- Authors: Ayush Arunachalam, S. Novia Berriel, Parag Banerjee, Kanad Basu
- Abstract要約: 我々は機械学習を利用して、効率的なフィルム製造、特に原子層堆積(ALD)を容易にする。
本稿では,膜厚推定を高速化するMLに基づく手法を提案する。
- 参考スコア（独自算出の注目度）: 2.502933334555377
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Over the recent years, there has been an extensive adoption of Machine
Learning (ML) in a plethora of real-world applications, ranging from computer
vision to data mining and drug discovery. In this paper, we utilize ML to
facilitate efficient film fabrication, specifically Atomic Layer Deposition
(ALD). In order to make advances in ALD process development, which is utilized
to generate thin films, and its subsequent accelerated adoption in industry, it
is imperative to understand the underlying atomistic processes. Towards this
end, in situ techniques for monitoring film growth, such as Spectroscopic
Ellipsometry (SE), have been proposed. However, in situ SE is associated with
complex hardware and, hence, is resource intensive. To address these
challenges, we propose an ML-based approach to expedite film thickness
estimation. The proposed approach has tremendous implications of faster data
acquisition, reduced hardware complexity and easier integration of
spectroscopic ellipsometry for in situ monitoring of film thickness deposition.
Our experimental results involving SE of TiO2 demonstrate that the proposed
ML-based approach furnishes promising thickness prediction accuracy results of
88.76% within +/-1.5 nm and 85.14% within +/-0.5 nm intervals. Furthermore, we
furnish accuracy results up to 98% at lower thicknesses, which is a significant
improvement over existing SE-based analysis, thereby making our solution a
viable option for thickness estimation of ultrathin films.
- Abstract（参考訳）: 近年、コンピュータビジョンからデータマイニング、薬物発見に至るまで、機械学習(ML)が現実世界の多くのアプリケーションに広く採用されている。
本稿では,MLを用いて効率的な膜形成,特に原子層堆積(ALD)を促進する。
薄膜の生成に利用されるALDプロセスの発展と,それに続く産業への採用を促進するためには,その基盤となる原子プロセスを理解することが不可欠である。
この目的のために,分光エリプソメトリー (SE) などのフィルム成長モニタリング技術が提案されている。
しかし、In situ SEは複雑なハードウェアと関連しており、そのためリソース集約である。
これらの課題に対処するため,MLを用いた膜厚推定手法を提案する。
提案手法は, 高速なデータ取得, ハードウェアの複雑さの低減, および膜厚沈着のその場観察のための分光エリプソメトリーの簡易な統合に大きく影響する。
実験結果から,提案手法は,+/-1.5 nmで88.76%,+/-0.5 nm間隔で85.14%の厚さ予測精度を期待できることがわかった。
さらに, 膜厚を最大98%向上させることにより, 従来のse系分析よりも大幅に向上し, 極薄膜厚推定に有効な選択肢となる。
関連論文リスト
- STBLLM: Breaking the 1-Bit Barrier with Structured Binary LLMs [28.70239743254508]
LLM圧縮のための最初の構造双対化法を1ビット未満の精度で提案する。
バイナライズされたLLMの重みは、性能劣化を伴わずにランダムに反転することができる。
本手法は他の圧縮バイナライズ手法よりも優れた性能を示しながら,メモリ要求を大幅に低減する。
論文 参考訳（メタデータ） (2024-08-03T15:07:44Z) - SliM-LLM: Salience-Driven Mixed-Precision Quantization for Large Language Models [67.67135738642547]
後学習量子化(PTQ)は、大規模言語モデル(LLM)において研究される強力な圧縮手法である。
既存のPTQ法は、特に4ビット幅以下では、精度と効率の点で理想的ではない。
本稿では,LSM,すなわちSliM-LLMに対するSalience-Driven Mixed-Precision Quantizationスキームを提案する。
論文 参考訳（メタデータ） (2024-05-23T16:21:48Z) - Machine-Learning-Assisted and Real-Time-Feedback-Controlled Growth of
InAs/GaAs Quantum Dots [24.63252487293264]
自己組織化したInAs/GaAs量子ドット(QD)は、光電子デバイスを開発する上で非常に価値のある性質を持つ。
これらの応用は、これらのドットの密度と品質に強く依存しており、高品質なエピウエハやデバイスを実現するための成長過程制御の研究を動機付けている。
本稿では,完全自動化・インテリジェントな任意の密度を持つQDの成長を実現するためのリアルタイムフィードバック制御手法について報告する。
論文 参考訳（メタデータ） (2023-06-22T14:07:23Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳（メタデータ） (2023-06-20T21:21:19Z) - Autonomous sputter synthesis of thin film nitrides with composition
controlled by Bayesian optimization of optical plasma emission [0.0]
制御された組成を有する薄膜のスパッタ堆積のための自律的ワークフローの設計と実装について報告する。
我々は, 蛍光X線で測定したフィルム組成を, 共スパッタ中に観測された発光線の線形関数としてモデル化した。
OESに通知されたベイズ制御アルゴリズムは、スパッタリングパワーの空間をナビゲートし、ユーザ定義の組成で映画を製作する。
論文 参考訳（メタデータ） (2023-05-18T17:09:21Z) - 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) - Transfer Learning for Rapid Extraction of Thickness from Optical Spectra
of Semiconductor Thin Films [11.894117300649372]
厚みMLは分光反射と透過から膜厚を急速に抽出する。
厚みMLは2段階のプロセスで6つのペロブスカイト試料から膜厚を抽出できることを実証した。
その結果, トレーニング前の厚み平均絶対パーセンテージ誤差(MAPE)は5～7%, 実験用厚みMAPEは6～19%であった。
論文 参考訳（メタデータ） (2022-06-14T16:26:15Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - TMM-Fast: A Transfer Matrix Computation Package for Multilayer Thin-Film
Optimization [62.997667081978825]
先進的な薄膜構造は、厚みの異なる複数の材料と多数の層から構成される。
複数の変数を持つ複雑な薄膜構造の設計と最適化は、まだ活発な研究が続けられている計算的に重い問題である。
我々は,多層膜を透過する波長と入射角度の異なる光の反射と透過の並列計算を可能にするPythonパッケージTMM-Fastを提案する。
論文 参考訳（メタデータ） (2021-11-24T14:47:37Z) - Improving Semiconductor Device Modeling for Electronic Design Automation
by Machine Learning Techniques [6.170514965470266]
本稿では,変分オートエンコーダを用いたMLに基づくデバイスモデリング改善のための自己拡張戦略を提案する。
提案手法の有効性を実証するために,ガリウム窒化物デバイスにおけるオーミック抵抗値に対するディープニューラルネットワークに基づく予測タスクに適用する。
論文 参考訳（メタデータ） (2021-05-25T00:52:44Z) - 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。