論文の概要: Bayesian optimization for stable properties amid processing fluctuations in sputter deposition

• arxiv url: http://arxiv.org/abs/2405.03092v1
• Date: Mon, 6 May 2024 01:08:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 15:04:42.815459
• Title: Bayesian optimization for stable properties amid processing fluctuations in sputter deposition
• Title（参考訳）: スパッタ成膜における加工変動に伴う安定特性のベイズ最適化
• Authors: Ankit Shrivastava, Matias Kalaswad, Joyce O. Custer, David P. Adams, Habib N. Najm,
• Abstract要約: 薄膜のスパッタ堆積を導出するベイズ最適化手法を提案する。 本研究の目的は, 堆積中の変動に対する感受性を最小化しつつ, 所望の残留応力とシート抵抗を達成することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a Bayesian optimization approach to guide the sputter deposition of molybdenum thin films, aiming to achieve desired residual stress and sheet resistance while minimizing susceptibility to stochastic fluctuations during deposition. Thin films are pivotal in numerous technologies, including semiconductors and optical devices, where their properties are critical. Sputter deposition parameters, such as deposition power, vacuum chamber pressure, and working distance, influence physical properties like residual stress and resistance. Excessive stress and high resistance can impair device performance, necessitating the selection of optimal process parameters. Furthermore, these parameters should ensure the consistency and reliability of thin film properties, assisting in the reproducibility of the devices. However, exploring the multidimensional design space for process optimization is expensive. Bayesian optimization is ideal for optimizing inputs/parameters of general black-box functions without reliance on gradient information. We utilize Bayesian optimization to optimize deposition power and pressure using a custom-built objective function incorporating observed stress and resistance data. Additionally, we integrate prior knowledge of stress variation with pressure into the objective function to prioritize films least affected by stochastic variations. Our findings demonstrate that Bayesian optimization effectively explores the design space and identifies optimal parameter combinations meeting desired stress and resistance specifications.
• Abstract（参考訳）: 本研究では, モリブデン薄膜のスパッタ成膜を導出するベイズ最適化手法を提案する。 薄膜は半導体や光学デバイスなど多くの技術において重要な役割を担っている。 蒸着力、真空室圧、作業距離などのスパッタ沈着パラメータは残留応力や抵抗などの物理的特性に影響を与える。 過度なストレスと高い抵抗は、最適なプロセスパラメータの選択を必要とするデバイス性能を損なう可能性がある。 さらに、これらのパラメータは薄膜特性の整合性と信頼性を確保し、装置の再現性を支援する。 しかし,プロセス最適化のための多次元設計空間の探索は高価である。 ベイズ最適化は、勾配情報に依存することなく一般的なブラックボックス関数の入力/パラメータを最適化するのに理想的である。 ベイズ最適化を応用して,観測応力と抵抗データを組み込んだ目標関数を用いて,堆積力と圧力を最適化する。 さらに, 応力変動と圧力の事前知識を客観的関数に統合し, 確率的変動の影響の少ないフィルムを優先する。 その結果,ベイジアン最適化は設計空間を効果的に探索し,所望の応力および抵抗仕様を満たす最適パラメータの組み合わせを同定した。

関連論文リスト

• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• A Unified Gaussian Process for Branching and Nested Hyperparameter Optimization [19.351804144005744]
  ディープラーニングでは、条件に依存したパラメータのチューニングが一般的に行われている。 新しいGPモデルでは、新しいカーネル関数を通じて入力変数間の依存構造が説明される。 ニューラルネットワークの一連の合成シミュレーションおよび実データ応用において、高い予測精度とより良い最適化効率が観察される。
  論文  参考訳（メタデータ） (2024-01-19T21:11:32Z)
• Fine-Tuning Adaptive Stochastic Optimizers: Determining the Optimal Hyperparameter $ε$ via Gradient Magnitude Histogram Analysis [0.7366405857677226]
  我々は、損失の大きさの経験的確率密度関数に基づく新しい枠組みを導入し、これを「緩やかな等級ヒストグラム」と呼ぶ。 そこで本稿では, 最適安全のための精密かつ高精度な探索空間を自動推定するために, 勾配等級ヒストグラムを用いた新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-20T04:34:19Z)
• Photonic Structures Optimization Using Highly Data-Efficient Deep Learning: Application To Nanofin And Annular Groove Phase Masks [40.11095094521714]
  メタ表面は、薄膜光学の領域における光特性の操作のための柔軟なフレームワークを提供する。 本研究の目的は,これらのデバイスに対するサロゲート最適化フレームワークの導入である。 本フレームワークは、天文高コントラストイメージングへの応用に適した2種類の渦位相マスク(VPM)の開発に応用される。
  論文  参考訳（メタデータ） (2023-09-05T07:19:14Z)
• Sensitivity-Aware Visual Parameter-Efficient Fine-Tuning [91.5113227694443]
  私たちは新しいビジュアルを提案します。 Sensuous-Aware Fine-Tuning (SPT) スキーム。 SPTはタスク固有の重要な位置にトレーニング可能なパラメータを割り当てる。 ダウンストリーム認識タスクの幅広い実験により,SPTは既存のPEFT法と相補的であることが示された。
  論文  参考訳（メタデータ） (2023-03-15T12:34:24Z)
• Tuning Particle Accelerators with Safety Constraints using Bayesian Optimization [73.94660141019764]
  粒子加速器の機械パラメータのチューニングは反復的で時間を要する作業である。 我々は、安全なベイズ最適化のステップサイズ制限版を提案し、評価する。
  論文  参考訳（メタデータ） (2022-03-26T02:21:03Z)
• Constrained multi-objective optimization of process design parameters in settings with scarce data: an application to adhesive bonding [48.7576911714538]
  接着プロセスに最適なプロセスパラメータを見つけることは困難である。 遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。 本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
  論文  参考訳（メタデータ） (2021-12-16T10:14:39Z)
• 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)
• What Makes an Effective Scalarising Function for Multi-Objective Bayesian Optimisation? [6.4239565988811425]
  目的のスケール化による多対象ベイズ最適化は、高価な積分ベースの獲得関数の計算を避ける。 ここで定義されるすべての方法論的改善の有効性は、実世界の問題で実証される。
  論文  参考訳（メタデータ） (2021-04-10T15:18:58Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)

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。