論文の概要: Application of artificial neural network to determine the thickness profile of thin film

• arxiv url: http://arxiv.org/abs/2210.11421v1
• Date: Sat, 24 Sep 2022 09:03:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 21:01:12.714010
• Title: Application of artificial neural network to determine the thickness profile of thin film
• Title（参考訳）: 人工ニューラルネットワークによる薄膜の厚み分布決定
• Authors: Archana Bora
• Abstract要約: 平面波と薄膜の厚み情報を記録する薄膜表面から反射される発散波との可視干渉パターンを考察する。 我々は、既知の厚みプロファイルの線情報を用いてネットワークをトレーニングする。 トレーニングされたネットワークの性能は、未知の表面の厚さを推定することによって検証される。
• 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: In this paper, we introduce a novel artificial neural network (ANN) based scheme to estimate the thickness of thin films deposited on a given substrate. Here we consider the visible interference pattern between a plane wave and a diverging wave reflected from the thin film surface that records the thickness information of the thin film. We assume a uniform thickness profile of the film. However, the thickness increases as the deposition takes place. We extract the intensity data along a line through the center of the interference pattern. We train our network by using a number of such line information of known thickness profiles. The performance of the trained network is then tested by estimating the thickness of unknown surfaces. The numerical simulation results show that the proposed technique can be very much useful for automated measurement of thickness, quickly and in real time, during deposition
• Abstract（参考訳）: 本稿では,与えられた基板上に堆積した薄膜の厚さを推定する新しい人工ニューラルネットワーク(ann)方式を提案する。 ここでは、薄膜の厚さ情報を記録する薄膜表面から反射される平面波と発散波との間の可視干渉パターンについて考察する。 フィルムの厚さは一様であると仮定する。 しかし、沈着が進むにつれて厚さが大きくなる。 干渉パターンの中心を通して線に沿って強度データを抽出する。 我々は,既知の厚みプロファイルのライン情報を用いてネットワークを訓練する。 トレーニングされたネットワークの性能は、未知の表面の厚さを推定することによって検証される。 シミュレーションの結果,提案手法は堆積中の厚さ,迅速,リアルタイムの自動計測に非常に有用であることがわかった。

関連論文リスト

• Asymptotics of Learning with Deep Structured (Random) Features [9.366617422860543]
  機能マップの大規模なクラスでは、読み出しレイヤの学習に伴うテストエラーの厳密な特徴付けを提供しています。 いくつかのケースでは、勾配降下下で訓練された深部有限幅ニューラルネットワークによって学習された特徴写像をキャプチャできる。
  論文  参考訳（メタデータ） (2024-02-21T18:35:27Z)
• Bayesian Interpolation with Deep Linear Networks [92.1721532941863]
  ニューラルネットワークの深さ、幅、データセットサイズがモデル品質にどう影響するかを特徴付けることは、ディープラーニング理論における中心的な問題である。 線形ネットワークが無限深度で証明可能な最適予測を行うことを示す。 また、データに依存しない先行法により、広い線形ネットワークにおけるベイズ模型の証拠は無限の深さで最大化されることを示す。
  論文  参考訳（メタデータ） (2022-12-29T20:57:46Z)
• Investigation of inverse design of multilayer thin-films with conditional invertible Neural Networks [62.997667081978825]
  我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、光学目標を与えられた多層薄膜を逆設計する。 我々は、cINNが、ランダムな変数に応じて、所望のターゲットに適当に近い薄膜構成の提案を生成可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-10T12:29:20Z)
• Uncertainty-Aware Deep Multi-View Photometric Stereo [100.97116470055273]
  光度ステレオ(PS)は高周波表面の細部を復元するのに優れ、マルチビューステレオ(MVS)はPSによる低周波歪みを除去し、大域的な形状を維持するのに役立つ。 本稿では,PS と MVS の相補的強みを効果的に活用する手法を提案する。 我々は,不確実性を考慮したディープPSネットワークとディープMVSネットワークを用いて,画素ごとの表面の正規度と深さを推定する。
  論文  参考訳（メタデータ） (2022-02-26T05:45:52Z)
• Machine Learning-enhanced Efficient Spectroscopic Ellipsometry Modeling [2.502933334555377]
  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。
  論文  参考訳（メタデータ） (2022-01-01T19:53:03Z)
• 3DVNet: Multi-View Depth Prediction and Volumetric Refinement [68.68537312256144]
  3DVNetは、新しいマルチビューステレオ(MVS)深度予測法である。 私たちのキーとなるアイデアは、粗い深度予測を反復的に更新する3Dシーンモデリングネットワークを使用することです。 本手法は, 深度予測と3次元再構成の両指標において, 最先端の精度を超えることを示す。
  論文  参考訳（メタデータ） (2021-12-01T00:52:42Z)
• 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)
• Automatic Head Overcoat Thickness Measure with NASNet-Large-Decoder Net [10.582441516469856]
  TEM画像からの膜厚のマニュアル決定は、主観的だけでなく時間を要する。 したがって,ヘッドオーバーコートの厚さを自動的に測定するソフトウェアを開発する必要がある。 本研究では,NASNet-Largeをエンコーダとし,次にデコーダアーキテクチャを用いたHOC層分割手法を提案する。 分割HOC層の厚さを測定するために,回帰畳み込みニューラルネットワーク(RCNN)モデルを提案する。
  論文  参考訳（メタデータ） (2021-06-22T20:53:58Z)
• Deep Video Matting via Spatio-Temporal Alignment and Aggregation [63.6870051909004]
  新たな集計機能モジュール(STFAM)を用いた深層学習型ビデオマッチングフレームワークを提案する。 フレーム毎のトリマップアノテーションを排除するため、軽量なインタラクティブなトリマップ伝搬ネットワークも導入されている。 私達のフレームワークは従来のビデオ マットおよび深いイメージのマットの方法よりかなり優秀です。
  論文  参考訳（メタデータ） (2021-04-22T17:42:08Z)
• Feature Space Saturation during Training [0.0]
  本研究では, 性能損失を伴わない分散行列の固有空間に, 層の出力を制限できることを示す。 層飽和-固有空間次元と層幅の比を導出する。 ニューラルネットワークの層飽和度を、ネットワーク深さ、フィルタサイズ、入力解像度を変化させることで、どのように変化させるかを示す。
  論文  参考訳（メタデータ） (2020-06-15T18:28:21Z)
• DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares [43.24287146191367]
  本研究では,非構造型3次元点雲の表面フィッティング法を提案する。 DeepFitと呼ばれるこの方法は、ニューラルネットワークを組み込んで、重み付けされた最小二乗表面フィッティングのポイントワイド重みを学習する。
  論文  参考訳（メタデータ） (2020-03-23T09:18:54Z)

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。