論文の概要: DevelSet: Deep Neural Level Set for Instant Mask Optimization
- arxiv url: http://arxiv.org/abs/2303.12529v1
- Date: Sat, 18 Mar 2023 13:48:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 14:04:14.448390
- Title: DevelSet: Deep Neural Level Set for Instant Mask Optimization
- Title（参考訳）: DevelSet: インスタントマスク最適化のためのディープニューラルネットワークレベルセット
- Authors: Guojin Chen, Ziyang Yu, Hongduo Liu, Yuzhe Ma, Bei Yu
- Abstract要約: 逆リソグラフィ技術 (ILT) が注目され, 新興のOPCソリューションで普及しつつある。
本稿では,GPUおよびディープニューラルネットワーク(DNN)による金属層用レベルセットOPCフレームワークであるDevelSetを紹介する。
- 参考スコア（独自算出の注目度）: 11.847061281805463
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the feature size continuously shrinking in advanced technology nodes,
mask optimization is increasingly crucial in the conventional design flow,
accompanied by an explosive growth in prohibitive computational overhead in
optical proximity correction (OPC) methods. Recently, inverse lithography
technique (ILT) has drawn significant attention and is becoming prevalent in
emerging OPC solutions. However, ILT methods are either time-consuming or in
weak performance of mask printability and manufacturability. In this paper, we
present DevelSet, a GPU and deep neural network (DNN) accelerated level set OPC
framework for metal layer. We first improve the conventional level set-based
ILT algorithm by introducing the curvature term to reduce mask complexity and
applying GPU acceleration to overcome computational bottlenecks. To further
enhance printability and fast iterative convergence, we propose a novel deep
neural network delicately designed with level set intrinsic principles to
facilitate the joint optimization of DNN and GPU accelerated level set
optimizer. Experimental results show that DevelSet framework surpasses the
state-of-the-art methods in printability and boost the runtime performance
achieving instant level (around 1 second).
- Abstract（参考訳）: 高度な技術ノードでは、機能サイズが継続的に縮小しているため、マスク最適化は従来の設計フローにおいてますます重要になり、光学近接補正法(OPC)の計算オーバーヘッドが爆発的に増大する。
近年, 逆リソグラフィ技術 (ILT) が注目され, 新興のOPCソリューションでも普及しつつある。
しかし、ILT法は時間を要するか、マスク印刷性や製造性に弱い。
本稿では,GPUおよびディープニューラルネットワーク(DNN)による金属層用レベルセットOPCフレームワークであるDevelSetを紹介する。
まず,マスクの複雑さを減らすために曲率項を導入し,計算ボトルネックを克服するためにgpuアクセラレーションを適用することで,従来のレベルセットに基づくiltアルゴリズムを改善する。
印刷性の向上と高速な反復収束を実現するため,DNNとGPU加速レベルセット最適化器の協調最適化を容易にするために,レベルセット固有の原理で微妙に設計された新しいディープニューラルネットワークを提案する。
実験の結果,DevelSetフレームワークは印刷性において最先端の手法を超越し,実行時のパフォーマンスを即時(約1秒)向上することがわかった。
関連論文リスト
- Fast, Scalable, Warm-Start Semidefinite Programming with Spectral
Bundling and Sketching [53.91395791840179]
我々は、大規模なSDPを解くための、証明可能な正確で高速でスケーラブルなアルゴリズムであるUnified Spectral Bundling with Sketching (USBS)を提案する。
USBSは、20億以上の決定変数を持つインスタンス上で、最先端のスケーラブルなSDP解決器よりも500倍のスピードアップを提供する。
論文 参考訳（メタデータ） (2023-12-19T02:27:22Z) - Check-Agnosia based Post-Processor for Message-Passing Decoding of Quantum LDPC Codes [3.4602940992970908]
ハードウェアフレンドリーな方向性を持つ新しい後処理アルゴリズムを導入し、最先端技術と競合する誤り訂正性能を提供する。
FPGA基板上では,1マイクロ秒に近いレイテンシ値が得られることを示すとともに,ASIC実装においてより低いレイテンシ値が得られることを示す。
論文 参考訳（メタデータ） (2023-10-23T14:51:22Z) - Inverse Lithography Physics-informed Deep Neural Level Set for Mask
Optimization [0.8547032097715571]
レベルセットベースの逆リソグラフィ技術(ILT)は、将来性のあるOPCソリューションとして注目されている。
深層学習(DL)法はILTを加速させる大きな可能性を示している。
マスク最適化のための逆リソグラフィー物理インフォームドディープニューラルネットワークレベルセット(ILDLS)手法を提案する。
論文 参考訳（メタデータ） (2023-08-15T01:56:22Z) - Sophisticated deep learning with on-chip optical diffractive tensor
processing [5.081061839052458]
フォトニック集積回路は、電子回路によってもたらされる帯域制限と電力ウォールを緩和するための効率的なアプローチを提供する。
我々は、オンチップ回折により、光畳み込みユニット(OCU)と呼ばれる畳み込み加速度を実装する光学コンピューティングアーキテクチャを提案する。
OCUを基本単位として、光学畳み込みニューラルネットワーク(oCNN)を構築し、分類と回帰という2つの一般的なディープラーニングタスクを実装する。
論文 参考訳（メタデータ） (2022-12-20T03:33:26Z) - Adaptable Butterfly Accelerator for Attention-based NNs via Hardware and
Algorithm Co-design [66.39546326221176]
多くのAIタスクにおいて、注意に基づくニューラルネットワークが普及している。
注意機構とフィードフォワードネットワーク(FFN)の使用は、過剰な計算とメモリ資源を必要とする。
本稿では,注目機構とFFNの両方を近似するために,バタフライの分散パターンを統一したハードウェアフレンドリーな変種を提案する。
論文 参考訳（メタデータ） (2022-09-20T09:28:26Z) - Large Scale Mask Optimization Via Convolutional Fourier Neural Operator
and Litho-Guided Self Training [54.16367467777526]
マスクタスクを効率的に学習できる畳み込みニューラルネットワーク(CFCF)を提案する。
機械学習ベースのフレームワークが初めて、最先端の数値マスクデータセットを上回った。
論文 参考訳（メタデータ） (2022-07-08T16:39:31Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor
Multi-view Stereo [97.07453889070574]
本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。
提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2021-09-02T17:54:31Z) - Use of static surrogates in hyperparameter optimization [0.0]
本研究の目的は,ニューラルネットワークのアーキテクチャとトレーニングの両方を同時にチューニングするために,直接探索微分自由最適化アルゴリズムを適用するライブラリであるHyperNOMADを強化することである。
これらのHyperNOMADへの追加は、提案したソリューションの品質を損なうことなく、リソース消費を改善することが示されている。
論文 参考訳（メタデータ） (2021-03-14T16:15:53Z) - Deep unfolding of the weighted MMSE beamforming algorithm [9.518010235273783]
MISOダウンリンクチャネルに対するWMMSEアルゴリズムに対する深部展開の新たな適用法を提案する。
深層展開は、自然に専門家の知識を取り入れており、即時かつしっかりとしたアーキテクチャ選択の利点、トレーニング可能なパラメータの少ないこと、説明可能性の向上がある。
シミュレーションにより、ほとんどの設定において、展開されたWMMSEは、一定回数の反復に対して、WMMSEよりも優れているか、等しく動作することを示す。
論文 参考訳（メタデータ） (2020-06-15T14:51:20Z) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z)
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。