Fugu-MT 論文翻訳(概要): Scalable Multiple Patterning Layout Decomposition Implemented by a Distribution Evolutionary Algorithm

論文の概要: Scalable Multiple Patterning Layout Decomposition Implemented by a Distribution Evolutionary Algorithm

arxiv url: http://arxiv.org/abs/2304.04207v1
Date: Sun, 9 Apr 2023 10:23:30 GMT
ステータス: 処理完了
システム内更新日: 2023-04-11 17:00:25.452596
Title: Scalable Multiple Patterning Layout Decomposition Implemented by a Distribution Evolutionary Algorithm
Title（参考訳）: 分散進化アルゴリズムによるスケーラブルな多重パターンレイアウト分解
Authors: Yu Chen and Yongjian Xu and Ning Xu
Abstract要約: 一般化グラフ着色問題として MPL のレイアウト分解をモデル化する。 DEA-PPMは、分解結果と実行時間のバランスをとることができる。
参考スコア（独自算出の注目度）: 11.366935475887239
License: http://creativecommons.org/licenses/by/4.0/
Abstract: As the feature size of semiconductor technology shrinks to 10 nm and beyond, the multiple patterning lithography (MPL) attracts more attention from the industry. In this paper, we model the layout decomposition of MPL as a generalized graph coloring problem, which is addressed by a distribution evolutionary algorithm based on a population of probabilistic model (DEA-PPM). DEA-PPM can strike a balance between decomposition results and running time, being scalable for varied settings of mask number and lithography resolution. Due to its robustness of decomposition results, this could be an alternative technique for multiple patterning layout decomposition in next-generation technology nodes.
Abstract（参考訳）: 半導体技術の特徴サイズが10nm以降に縮小するにつれて、複数のパターン化リソグラフィ(mpl)が業界から注目を集めている。本稿では,確率モデル(dea-ppm)の集団に基づく分布進化アルゴリズムによって解決される一般化グラフカラー化問題として,mplのレイアウト分解をモデル化する。 dea-ppmは分解結果と実行時間のバランスを取ることができ、マスク番号とリソグラフィ解像度の様々な設定でスケーラブルである。分解結果の堅牢性のため、これは次世代技術ノードにおける多重パターン化レイアウト分解の代替技術である可能性がある。

関連論文リスト

ADMM-MM Algorithm for General Tensor Decomposition [7.0326155922512275]
提案アルゴリズムは3つの基本損失関数(ell$-loss, $ell$-loss, KL divergence)と様々な低ランクテンソル分解モデル(CP, Tucker, TT, TR)をサポートする。提案したアルゴリズムにより広帯域のアプリケーションを解くことができ、プラグイン・アンド・プレイ方式で既存のテンソル分解モデルに容易に拡張できることを示す。
論文参考訳（メタデータ） (2023-12-19T00:17:34Z)
GPU-accelerated Matrix Cover Algorithm for Multiple Patterning Layout Decomposition [8.528609848514511]
マルチパターニングリソグラフィ(MPLD)技術は、先進ノードにおける製造性を改善するためにますます重要になっている。本研究では,CPUのダンスリンクデータ構造を並列GPU行列演算に置き換えて,正確なカバーベースMPLDアルゴリズムの解を高速化する。
論文参考訳（メタデータ） (2023-03-25T02:51:12Z)
PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
論文参考訳（メタデータ） (2022-07-29T03:09:21Z)
Image Generation with Multimodal Priors using Denoising Diffusion Probabilistic Models [54.1843419649895]
このタスクを達成するために生成モデルを使用する際の大きな課題は、すべてのモダリティと対応する出力を含むペアデータの欠如である。本稿では,拡散確率的合成モデルに基づく多モデル先行画像生成手法を提案する。
論文参考訳（メタデータ） (2022-06-10T12:23:05Z)
A Distribution Evolutionary Algorithm for the Graph Coloring Problem [9.258122432690556]
確率モデル (DEA-PPM) に基づく分布進化アルゴリズムを開発し, グラフカラー化の問題に対処する。 DEA-PPMは、新しい確率モデルに基づく分布人口を採用し、分布空間を探索するための探索戦略を導入する。数値的な結果から,小集団のDEA-PPMは最先端のメタヒューリスティックスと競合することが示された。
論文参考訳（メタデータ） (2022-03-29T00:50:30Z)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。我々の手法は古典的DPベースの推論に広く適用できる。また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文参考訳（メタデータ） (2021-12-07T11:26:41Z)
Multiresolution Graph Variational Autoencoder [11.256959274636724]
多分解能グラフネットワーク(MGN)と多分解能グラフ変分オートエンコーダ(MGVAE)を提案する。各解像度レベルでは、MGNはグラフを符号化し、それを互いに排他的なクラスタに分割し、より低い解像度に粗くする。 MGVAEはMGNに基づく階層的生成モデルを構築し、粗いグラフの階層を変動的に自動符号化する。
論文参考訳（メタデータ） (2021-06-02T06:28:47Z)
CP-MDP: A CANDECOMP-PARAFAC Decomposition Approach to Solve a Markov Decision Process Multidimensional Problem [21.79259092920586]
テンソル分解法を用いて多次元問題に対するMDPソルバを開発する。われわれのアプローチは、メモリを大幅に減らして、より大きな問題を計算できることを示した。
論文参考訳（メタデータ） (2021-02-27T21:33:19Z)
ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文参考訳（メタデータ） (2021-02-16T04:07:13Z)
Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文参考訳（メタデータ） (2020-11-18T03:32:27Z)

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。