論文の概要: SEMU-Net: A Segmentation-based Corrector for Fabrication Process Variations of Nanophotonics with Microscopic Images
- arxiv url: http://arxiv.org/abs/2411.16973v1
- Date: Mon, 25 Nov 2024 22:49:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:31:24.735086
- Title: SEMU-Net: A Segmentation-based Corrector for Fabrication Process Variations of Nanophotonics with Microscopic Images
- Title（参考訳）: SEMU-Net:顕微鏡画像によるナノフォトニクスのプロセス変化生成のためのセグメンテーションベースのコレクタ
- Authors: Rambod Azimi, Yijian Kong, Dusan Gostimirovic, James J. Clark, Odile Liboiron-Ladouceur,
- Abstract要約: 走査型電子顕微鏡画像(SEM)を自動的にセグメント化する手法であるSEMU-Netを導入し,それらを用いて,U-Netとその変種に基づく2つのディープニューラルネットワークモデルをトレーニングする。
予測モデルは製造に伴う変動を予測し、補正モデルはこれらの問題に対処するために設計を調整する。
実験結果から, セグメンテーションU-Netの平均IoUスコアは99.30%, タンデムアーキテクチャにおける補正注意U-Netの平均IoUスコアは98.67%に達した。
- 参考スコア（独自算出の注目度）: 4.875868958100446
- License:
- Abstract: Integrated silicon photonic devices, which manipulate light to transmit and process information on a silicon-on-insulator chip, are highly sensitive to structural variations. Minor deviations during nanofabrication-the precise process of building structures at the nanometer scale-such as over- or under-etching, corner rounding, and unintended defects, can significantly impact performance. To address these challenges, we introduce SEMU-Net, a comprehensive set of methods that automatically segments scanning electron microscope images (SEM) and uses them to train two deep neural network models based on U-Net and its variants. The predictor model anticipates fabrication-induced variations, while the corrector model adjusts the design to address these issues, ensuring that the final fabricated structures closely align with the intended specifications. Experimental results show that the segmentation U-Net reaches an average IoU score of 99.30%, while the corrector attention U-Net in a tandem architecture achieves an average IoU score of 98.67%.
- Abstract（参考訳）: 光を操作してシリコンオン絶縁体チップの情報を伝達・処理する集積シリコンフォトニックデバイスは、構造変化に非常に敏感である。
ナノファブリケーション中の小さな偏差 - オーバーエッチングやアンダーエッチング、コーナーラウンドリング、意図しない欠陥など、ナノスケールで構造を構築するための正確なプロセスは、性能に大きな影響を及ぼす。
これらの課題に対処するために、電子顕微鏡画像(SEM)を自動的にセグメント化する包括的な手法であるSEMU-Netを導入し、それらを用いて、U-Netとその変種に基づく2つのディープニューラルネットワークモデルをトレーニングする。
予測モデルは製造による変動を予測し、補正モデルはこれらの問題に対処するために設計を調整し、最終的な製造された構造が意図された仕様と密接に一致することを保証する。
実験結果から, セグメンテーションU-Netの平均IoUスコアは99.30%, タンデムアーキテクチャにおける補正注意U-Netの平均IoUスコアは98.67%に達した。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Exploring structure diversity in atomic resolution microscopy with graph neural networks [18.903519247639355]
ディープラーニングは、構造多様性を迅速で正確でインテリジェントな方法で探求するための強力なツールです。
この作業は、迅速で正確でインテリジェントな方法で構造多様性を探求する強力なツールを提供する。
論文 参考訳（メタデータ） (2024-10-23T07:48:35Z) - Automated Segmentation and Analysis of Microscopy Images of Laser Powder Bed Fusion Melt Tracks [0.0]
断面画像から溶融トラック次元を自動的に識別し,計測する画像分割ニューラルネットワークを提案する。
我々は、U-Netアーキテクチャを用いて、異なる研究室、機械、材料から得られた62個の事前ラベル付き画像のデータセットと、画像拡張を併用したトレーニングを行う。
論文 参考訳（メタデータ） (2024-09-26T22:44:00Z) - Isomorphic Pruning for Vision Models [56.286064975443026]
構造化プルーニングは、冗長なサブ構造を取り除くことによって、ディープニューラルネットワークの計算オーバーヘッドを低減する。
Isomorphic Pruningは、ネットワークアーキテクチャの範囲で有効性を示すシンプルなアプローチである。
論文 参考訳（メタデータ） (2024-07-05T16:14:53Z) - DeepForge: Leveraging AI for Microstructural Control in Metal Forming
via Model Predictive Control [0.0]
本研究では, 閉鎖型熱間鍛造における組織制御手法を提案する。
Model PredictiveCMPとDeepForgeというマシンを組み合わせる。
論文 参考訳（メタデータ） (2024-02-25T15:37:14Z) - Enhancing Rock Image Segmentation in Digital Rock Physics: A Fusion of
Generative AI and State-of-the-Art Neural Networks [5.089732183029123]
デジタル・ロック物理学において、CTとSEMスキャンから微細構造を分析することは、ポーシティーや細孔接続性などの特性を推定するために重要である。
しきい値やCNNのような従来のセグメンテーション手法は、しばしば岩の微細構造を正確に詳細に記述するに足りず、ノイズを生じやすい。
U-Netはセグメンテーションの精度を改善したが、複雑な細孔形状のため、多くの専門家による注釈付きサンプルを必要とした。
我々の研究は、これらの制限を克服するために、高度な生成AIモデルである拡散モデルを用いていた。
TransU-Netは、デジタルロック物理学の新しい標準を設定し、将来の地球科学と工学のブレークスルーの道を開く。
論文 参考訳（メタデータ） (2023-11-10T14:24:50Z) - CINFormer: Transformer network with multi-stage CNN feature injection
for surface defect segmentation [73.02218479926469]
表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。
CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。
さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
論文 参考訳（メタデータ） (2023-09-22T06:12:02Z) - Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳（メタデータ） (2023-05-22T13:39:44Z) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z) - Improving the Segmentation of Scanning Probe Microscope Images using
Convolutional Neural Networks [0.9236074230806579]
有機溶媒からの沈着によりシリコン表面に生成した金ナノ粒子の2次元集合体像の分画プロトコルを開発した。
溶媒の蒸発は粒子の極端に平衡な自己組織化を駆動し、様々なナノパターンや微細構造パターンを生み出す。
U-Net畳み込みニューラルネットワークを用いたセグメンテーション戦略が従来の自動アプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-08-27T20:49:59Z)
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。