論文の概要: Using Scalable Computer Vision to Automate High-throughput Semiconductor
Characterization
- arxiv url: http://arxiv.org/abs/2304.14408v3
- Date: Tue, 21 Nov 2023 17:21:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 05:30:02.481363
- Title: Using Scalable Computer Vision to Automate High-throughput Semiconductor
Characterization
- Title（参考訳）: 高出力半導体キャラクタリゼーションのためのスケーラブルコンピュータビジョン
- Authors: Alexander E. Siemenn, Eunice Aissi, Fang Sheng, Armi Tiihonen, Hamide
Kavak, Basita Das, Tonio Buonassisi
- Abstract要約: 本稿では,コンピュータビジョンの適応性,並列性,拡張性を活用した自動材料特性評価(オートキャラクタリゼーション)ツールを提案する。
本稿では,高スループット合成二元系のための一般化可能な合成マッピングツールについて述べる。
また,6分で200種類の独特な構成のバンドギャップを自律的に計算し,20分で200種類の独特な構成の劣化度を自律的に計算する2つのスケーラブルな自動評価アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 38.434005183658975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-throughput materials synthesis methods have risen in popularity due to
their potential to accelerate the design and discovery of novel functional
materials, such as solution-processed semiconductors. After synthesis, key
material properties must be measured and characterized to validate discovery
and provide feedback to optimization cycles. However, with the boom in
development of high-throughput synthesis tools that champion production rates
up to $10^4$ samples per hour with flexible form factors, most sample
characterization methods are either slow (conventional rates of $10^1$ samples
per hour, approximately 1000x slower) or rigid (e.g., designed for
standard-size microplates), resulting in a bottleneck that impedes the
materials-design process. To overcome this challenge, we propose a set of
automated material property characterization (autocharacterization) tools that
leverage the adaptive, parallelizable, and scalable nature of computer vision
to accelerate the throughput of characterization by 85x compared to the
non-automated workflow. We demonstrate a generalizable composition mapping tool
for high-throughput synthesized binary material systems as well as two scalable
autocharacterization algorithms that (1) autonomously compute the band gap of
200 unique compositions in 6 minutes and (2) autonomously compute the degree of
degradation in 200 unique compositions in 20 minutes, generating ultra-high
compositional resolution trends of band gap and stability. We demonstrate that
the developed band gap and degradation detection autocharacterization methods
achieve 98.5% accuracy and 96.9% accuracy, respectively, on the
FA$_{1-x}$MA$_{x}$PbI$_3$, $0\leq x \leq 1$ perovskite semiconductor system.
- Abstract（参考訳）: 溶液処理半導体などの新規機能性材料の設計と発見を加速する可能性から,高スループット材料合成法が注目されている。
合成後、重要な材料特性を測定し、発見を検証し、最適化サイクルへのフィードバックを提供するよう特徴付けなければならない。
しかし、フレキシブルなフォームファクターで1時間あたり10^4$のサンプルを生成する高スループット合成ツールの開発が盛んになり、ほとんどのサンプルキャラクタリゼーション手法は遅い(従来の10^1$のサンプルは1時間あたり約1000倍遅い)か硬い(例えば、標準サイズのマイクロプレート用に設計された)か、材料設計プロセスを妨げるボトルネックとなる。
この課題を克服するために,コンピュータビジョンの適応性,並列性,拡張性を活用して,非自動化ワークフローに比べて85倍のスループットを実現する,自動材料特性評価(自動評価)ツールのセットを提案する。
そこで本研究では,高スループット合成二成分系のための汎用合成マッピングツールと,2つのスケーラブルな自動評価アルゴリズムについて述べる。(1)200個の固有組成のバンドギャップを6分で自律的に計算し,(2)200個の固有組成の劣化度を20分で自律的に計算し,バンドギャップと安定性の超高組成分解能トレンドを生成する。
開発したバンドギャップおよび劣化検出オートキャラクタリゼーション法は,fa$_{1-x}$ma$_{x}$pbi$_3$,$0\leq x \leq 1$ perovskite半導体システムにおいてそれぞれ98.5%の精度と96.9%の精度を達成した。
関連論文リスト
- Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization [0.0]
反射型高エネルギー電子回折データの特徴抽出と機械学習による一般化を行う。
専門家ラベル付きデータの小さなセット(10)で定量的に予測関係を確立し、その後に成長したサンプルでかなりの時間を節約した。
これらの予測は、未解決の試行を回避し、後続のキャラクタリゼーションを減らし、材料合成の制御分解能を改善するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2024-09-12T14:03:55Z) - YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。
本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。
YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
論文 参考訳（メタデータ） (2024-06-27T12:40:29Z) - Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。
我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。
本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
論文 参考訳（メタデータ） (2024-05-20T09:28:23Z) - Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。
本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
論文 参考訳（メタデータ） (2023-12-20T06:10:27Z) - Real-time Autonomous Control of a Continuous Macroscopic Process as
Demonstrated by Plastic Forming [0.5755330809949591]
本稿では,リアルタイムなインサイトキャラクタリゼーションを用いた自律システムと,能動的学習アルゴリズムに基づく自律型意思決定処理システムについて報告する。
本システムをプラスチックフィルム形成システムに適用し, 所定のターゲット膜寸法のプロセス条件を決定する際の効率と精度を強調した。
論文 参考訳（メタデータ） (2023-12-14T05:06:49Z) - Extracting Structured Seed-Mediated Gold Nanorod Growth Procedures from
Literature with GPT-3 [52.59930033705221]
1,137枚の紙から抽出した11,644個のエンティティのデータセットを作成した。
1,137枚の紙から抽出した11,644個のエンティティのデータセットを作成した。
論文 参考訳（メタデータ） (2023-04-26T22:21:33Z) - Machine-Learning-Optimized Perovskite Nanoplatelet Synthesis [55.41644538483948]
総合成量200のCsPbBr3ナノプレート(NPL)の品質向上のためのアルゴリズムを開発した。
このアルゴリズムは、前駆率に基づいて、NPL分散のPL放出最大値を予測することができる。
論文 参考訳（メタデータ） (2022-10-18T11:54:11Z) - Autonomous Optimization of Fluid Systems at Varying Length Scales [55.41644538483948]
本稿では,一様液滴を生成するハードウェア条件を正確に把握するコンピュータビジョン駆動型ベイズ最適化フレームワークを提案する。
この枠組みは、マイクロ流体系とインクジェット系を用いて、マイクロメートルとミリメートルの2つの流体系で検証されている。
論文 参考訳（メタデータ） (2021-05-28T02:08:03Z) - Online Preconditioning of Experimental Inkjet Hardware by Bayesian
Optimization in Loop [62.997667081978825]
インクジェットプリンタから堆積した液滴構造を最適化するためのコンピュータビジョン駆動ベイズ最適化フレームワークを開発する。
フレームワークを用いて,最適インクジェットハードウェア条件の収束を10分で示す。
論文 参考訳（メタデータ） (2021-05-06T17:46:16Z) - Annotating and Extracting Synthesis Process of All-Solid-State Batteries
from Scientific Literature [10.443499579567069]
本稿では,全固体電池の合成プロセスの新たなコーパスと自動機械読み取りシステムを提案する。
本稿では,フローグラフを用いた合成プロセスの表現を定義し,243枚の論文の実験的セクションからコーパスを作成する。
この自動機械読取システムは、ディープラーニングベースのシーケンスタグと単純なルールベースの関係抽出器によって開発されている。
論文 参考訳（メタデータ） (2020-02-18T02:30:03Z)
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。