論文の概要: Generic Lithography Modeling with Dual-band Optics-Inspired Neural
Networks
- arxiv url: http://arxiv.org/abs/2203.08616v1
- Date: Sat, 12 Mar 2022 08:08:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 16:01:15.709218
- Title: Generic Lithography Modeling with Dual-band Optics-Inspired Neural
Networks
- Title(参考訳): デュアルバンド光誘起ニューラルネットワークを用いたジェネリックリソグラフィモデリング
- Authors: Haoyu Yang and Zongyi Li and Kumara Sastry and Saumyadip Mukhopadhyay
and Mark Kilgard and Anima Anandkumar and Brucek Khailany and Vivek Singh and
Haoxing Ren
- Abstract要約: 我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。
提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。
また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
- 参考スコア(独自算出の注目度): 52.200624127512874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lithography simulation is a critical step in VLSI design and optimization for
manufacturability. Existing solutions for highly accurate lithography
simulation with rigorous models are computationally expensive and slow, even
when equipped with various approximation techniques. Recently, machine learning
has provided alternative solutions for lithography simulation tasks such as
coarse-grained edge placement error regression and complete contour prediction.
However, the impact of these learning-based methods has been limited due to
restrictive usage scenarios or low simulation accuracy. To tackle these
concerns, we introduce an dual-band optics-inspired neural network design that
considers the optical physics underlying lithography. To the best of our
knowledge, our approach yields the first published via/metal layer contour
simulation at 1nm^2/pixel resolution with any tile size. Compared to previous
machine learning based solutions, we demonstrate that our framework can be
trained much faster and offers a significant improvement on efficiency and
image quality with 20X smaller model size. We also achieve 85X simulation
speedup over traditional lithography simulator with 1% accuracy loss.
- Abstract(参考訳): リソグラフィーシミュレーションは、VLSIの設計と製造性最適化における重要なステップである。
厳密なモデルを用いた高精度なリソグラフィシミュレーションのための既存の解は、様々な近似技術を備えた場合でも計算コストが高く、遅い。
近年、機械学習は粗粒度エッジ配置誤差回帰や完全な輪郭予測といったリソグラフィシミュレーションタスクの代替ソリューションを提供している。
しかし、これらの学習に基づく手法の影響は、使用シナリオの制限やシミュレーション精度の低さにより制限されている。
これらの問題に対処するために,光物理を基礎とするデュアルバンド・オプティクスに触発されたニューラルネットワーク設計を導入する。
我々の知る限り、我々の手法はタイルサイズの1nm^2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。
従来の機械学習ベースのソリューションと比較して、我々のフレームワークはより高速にトレーニングでき、20倍のモデルサイズで効率と画質を大幅に向上させることができる。
また,従来のリソグラフィシミュレータよりも85倍の高速化を達成できた。
関連論文リスト
- Neural Lithography: Close the Design-to-Manufacturing Gap in
Computational Optics with a 'Real2Sim' Learned Photolithography Simulator [2.033983045970252]
計算光学における「デザイン・ツー・マニュファクチャリング」のギャップに対処するために,ニューラルリソグラフィを導入する。
本稿では,事前学習したフォトリソグラフィーシミュレータをモデルベース光設計ループに統合する,完全に微分可能な設計フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T15:50:26Z) - Optical Aberration Correction in Postprocessing using Imaging Simulation [17.331939025195478]
モバイル写真の人気は増え続けている。
最近のカメラは、これらの修正作業の一部を光学設計から後処理システムに移行した。
光学収差による劣化を回復するための実用的手法を提案する。
論文 参考訳(メタデータ) (2023-05-10T03:20:39Z) - Near-realtime Facial Animation by Deep 3D Simulation Super-Resolution [7.14576106770047]
本稿では,低コストでリアルタイムな物理シミュレーションによって生み出す顔のパフォーマンスを効率よく,現実的に向上させるニューラルネットワークに基づくシミュレーションフレームワークを提案する。
顔のアニメーションをこのようなシミュレーション領域の例に用いて,2つのシミュレータで同じ筋の運動制御と骨格のポーズを単純にダイヤルすることで,この意味の一致を創り出すことができる。
提案するニューラルネットワーク超解像フレームワークは,このトレーニングセットから未確認表現を一般化し,リアルタイム変種における解像度の制限やコスト削減近似による2つのシミュレーション間の不一致をモデル化するための補償を行うとともに,意味記述子やパラメータを必要としない。
論文 参考訳(メタデータ) (2023-05-05T00:09:24Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose
Estimation [55.94900327396771]
合成データから6次元オブジェクトポーズ推定のためのニューラルネットワークによるテクスチャ学習を提案する。
実画像からオブジェクトの現実的なテクスチャを予測することを学ぶ。
画素完全合成データからポーズ推定を学習する。
論文 参考訳(メタデータ) (2022-12-25T13:36:32Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。
ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。
合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文 参考訳(メタデータ) (2020-04-01T12:56:13Z)
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。