論文の概要: Fast inverse lithography based on a model-driven block stacking convolutional neural network
- arxiv url: http://arxiv.org/abs/2412.14599v1
- Date: Thu, 19 Dec 2024 07:42:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-20 13:29:46.443486
- Title: Fast inverse lithography based on a model-driven block stacking convolutional neural network
- Title(参考訳): モデル駆動型ブロック積み重ね畳み込みニューラルネットワークによる高速逆リソグラフィ
- Authors: Ruixiang Chen, Yang Zhao, Haoqin Li, Rui Chen,
- Abstract要約: 本稿では,光近接補正(OPC)に対する新しい逆リソグラフィー手法を提案する。
モデル駆動でブロックを積み重ねるディープラーニングフレームワークを採用しており、製造に寄与するマスクの生成を迅速化する。
数値実験により,提案手法の有効性が実証された。
- 参考スコア(独自算出の注目度): 10.170465557304897
- License:
- Abstract: In the realm of lithography, Optical Proximity Correction (OPC) is a crucial resolution enhancement technique that optimizes the transmission function of photomasks on a pixel-based to effectively counter Optical Proximity Effects (OPE). However, conventional pixel-based OPC methods often generate patterns that pose manufacturing challenges, thereby leading to the increased cost in practical scenarios. This paper presents a novel inverse lithographic approach to OPC, employing a model-driven, block stacking deep learning framework that expedites the generation of masks conducive to manufacturing. This method is founded on vector lithography modelling and streamlines the training process by eliminating the requirement for extensive labeled datasets. Furthermore, diversity of mask patterns is enhanced by employing a wave function collapse algorithm, which facilitates the random generation of a multitude of target patterns, therefore significantly expanding the range of mask paradigm. Numerical experiments have substantiated the efficacy of the proposed end-to-end approach, highlighting its superior capability to manage mask complexity within the context of advanced OPC lithography. This advancement is anticipated to enhance the feasibility and economic viability of OPC technology within actual manufacturing environments.
- Abstract(参考訳): リソグラフィーの分野では、光学近接補正(OPC)は、光学近接効果(OPE)を効果的に対抗するために、画素ベースのフォトマスクの伝送機能を最適化する重要な分解能向上技術である。
しかし、従来の画素ベースのOPC手法は、しばしば製造上の課題を生じさせるパターンを生成するため、実用的なシナリオではコストが増大する。
本稿では,OPC に対する新しい逆リソグラフィー手法を提案する。
この方法はベクトルリソグラフィーに基づいて構築され、広範囲なラベル付きデータセットの要求を排除してトレーニングプロセスの合理化を行う。
さらに,多数のターゲットパターンをランダムに生成し,マスクパラダイムの範囲を大きく拡大する波動関数崩壊アルゴリズムを用いることにより,マスクパターンの多様性が向上する。
OPCリソグラフィーの文脈においてマスクの複雑さを管理する能力が優れていることを強調して,提案手法の有効性を実証した。
この進歩は、実際の製造環境におけるOPC技術の実現可能性と経済性を高めることが期待されている。
関連論文リスト
- Deep Learning based Optical Image Super-Resolution via Generative Diffusion Models for Layerwise in-situ LPBF Monitoring [4.667646675144656]
我々は,ビルドプレートの低解像度画像とビルドプレートの詳細な高解像度光学画像とを関連付けるために,生成的深層学習モデルを実装した。
低解像度Webカメラ画像からビルドプレートの現実的な高解像度画像を生成するために,条件付き潜在確率拡散モデルを訓練した。
また, 印刷部の3次元形状を再現し, 復元した試料の表面粗さを解析する枠組みを設計した。
論文 参考訳(メタデータ) (2024-09-20T02:59:25Z) - MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。
既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。
そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
論文 参考訳(メタデータ) (2024-09-15T13:08:59Z) - Differentiable Edge-based OPC [13.779806155253043]
DiffOPCは、エッジベースのOPCとILTの両方の利点を享受する、差別化可能なOPCフレームワークである。
提案手法は,最先端のOPC技術と比較して製造コストを半減させるとともに,エッジ配置誤差の低減を実現する。
論文 参考訳(メタデータ) (2024-08-16T18:35:01Z) - Image Inpainting via Tractable Steering of Diffusion Models [48.16994134964729]
本稿では,トラクタブル確率モデル(TPM)の制約後部を正確に,かつ効率的に計算する能力を活用することを提案する。
具体的には、確率回路(PC)と呼ばれる表現型TPMのクラスを採用する。
論文 参考訳(メタデータ) (2023-11-28T21:14:02Z) - 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) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - Realistic mask generation for matter-wave lithography via machine
learning [0.0]
準安定原子を対象としたマスク生成のための機械学習手法を提案する。
マスクの初期近似を生成するために、新しいディープニューラルアーキテクチャを訓練する。
この近似は、任意の精度に収束できる遺伝的最適化アルゴリズムの初期集団を生成するために用いられる。
論文 参考訳(メタデータ) (2022-07-15T09:14:03Z) - A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。
我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
論文 参考訳(メタデータ) (2021-12-07T05:22:50Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - Universal and Flexible Optical Aberration Correction Using Deep-Prior
Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。
具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文 参考訳(メタデータ) (2021-04-07T12:00:38Z)
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。