論文の概要: SiMiC: Context-Aware Silicon Microstructure Characterization Using Attention-Based Convolutional Neural Networks for Field-Emission Tip Analysis
- arxiv url: http://arxiv.org/abs/2601.17048v1
- Date: Wed, 21 Jan 2026 04:36:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:07.095087
- Title: SiMiC: Context-Aware Silicon Microstructure Characterization Using Attention-Based Convolutional Neural Networks for Field-Emission Tip Analysis
- Title（参考訳）: SiMiC: フィールドエミッションチップ解析のための注意型畳み込みニューラルネットワークを用いたコンテキスト対応シリコン微細構造評価
- Authors: Jing Jie Tan, Rupert Schreiner, Matthias Hausladen, Ali Asgharzade, Simon Edler, Julian Bartsch, Michael Bachmann, Andreas Schels, Ban-Hoe Kwan, Danny Wee-Kiat Ng, Yan-Chai Hum,
- Abstract要約: Intention-based Convolutional Neural Networks for Field-Emission Tip Analysis を用いたSiMiC: Context-Aware Silicon Structure Characterizationを提案する。
深層学習を利用して,SEM画像から形状,形状,頂点曲率などの形態的特徴を効率的に抽出する。
シリコン系フィールドエミッタチップの特殊なデータセットを開発し,注目機構を取り入れたCNNアーキテクチャを多層構造分類と次元予測のために訓練した。
- 参考スコア（独自算出の注目度）: 1.4613896920385958
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate characterization of silicon microstructures is essential for advancing microscale fabrication, quality control, and device performance. Traditional analysis using Scanning Electron Microscopy (SEM) often requires labor-intensive, manual evaluation of feature geometry, limiting throughput and reproducibility. In this study, we propose SiMiC: Context-Aware Silicon Microstructure Characterization Using Attention-Based Convolutional Neural Networks for Field-Emission Tip Analysis. By leveraging deep learning, our approach efficiently extracts morphological features-such as size, shape, and apex curvature-from SEM images, significantly reducing human intervention while improving measurement consistency. A specialized dataset of silicon-based field-emitter tips was developed, and a customized CNN architecture incorporating attention mechanisms was trained for multi-class microstructure classification and dimensional prediction. Comparative analysis with classical image processing techniques demonstrates that SiMiC achieves high accuracy while maintaining interpretability. The proposed framework establishes a foundation for data-driven microstructure analysis directly linked to field-emission performance, opening avenues for correlating emitter geometry with emission behavior and guiding the design of optimized cold-cathode and SEM electron sources. The related dataset and algorithm repository that could serve as a baseline in this area can be found at https://research.jingjietan.com/?q=SIMIC
- Abstract（参考訳）: シリコン微細構造の精密評価は, 微細加工, 品質管理, デバイス性能の向上に不可欠である。
SEM(Scanning Electron Microscopy)を用いた従来の分析では、しばしば労働集約的な手動による特徴幾何の評価、スループットの制限、再現性が必要である。
本研究では、フィールドエミッションチップ解析のための注意に基づく畳み込みニューラルネットワークを用いたSiMiC:コンテキスト対応シリコン微細構造評価手法を提案する。
深層学習を利用して,SEM画像から形状,形状,頂点曲率などの形態的特徴を効率よく抽出し,測定一貫性を向上しながら人の介入を著しく低減する。
シリコン系フィールドエミッタチップの特殊なデータセットを開発し,注目機構を取り入れたCNNアーキテクチャを多層構造分類と次元予測のために訓練した。
従来の画像処理技術との比較分析により,SiMiCは解釈可能性を維持しつつ高い精度を実現していることが示された。
提案フレームワークは, 電界放出特性に直接関連したデータ駆動型微細構造解析の基礎を確立し, 放射体形状と発光挙動を関連づけ, 最適化冷陰極およびSEM電子源の設計を導くための道を開いた。
この領域のベースラインとして機能する関連するデータセットとアルゴリズムリポジトリは、https://research.jingjietan.com/?
q=SIMIC
関連論文リスト
- MicroEvoEval: A Systematic Evaluation Framework for Image-Based Microstructure Evolution Prediction [5.114987417721577]
我々は、画像ベースの進化予測のための最初の総合的なベンチマークであるMicroEvoEvalを紹介する。
ドメイン固有のアーキテクチャと汎用アーキテクチャの両方を含む14のモデルを,4つの代表的MicroEvoタスクにわたって評価した。
論文 参考訳（メタデータ） (2025-11-12T04:01:25Z) - evoxels: A differentiable physics framework for voxel-based microstructure simulations [41.94295877935867]
微分可能な物理フレームワークであるevoxelsは、完全にPythonで統一されたボクセルベースのアプローチに基づいており、セグメント化された3D顕微鏡データ、物理シミュレーション、逆モデリング、機械学習を統合している。
論文 参考訳（メタデータ） (2025-07-29T12:29:15Z) - STEM Diffraction Pattern Analysis with Deep Learning Networks [0.0]
本研究は、走査型透過電子顕微鏡(STEM)回折パターン(DP)から直接オイラー角を予測する機械学習に基づくアプローチを提案する。
これは高解像度結晶配向マップの自動生成を可能にし、ナノスケール内部の微細構造の解析を容易にする。
3つのディープラーニングアーキテクチャ – 畳み込みニューラルネットワーク(CNN)、Dense Convolutional Networks(DenseNets)、Shifted Windows(Swin) Transformers – は、商用TMアルゴリズムによってラベル付けされた実験的に取得されたデータセットを使用して評価される。
論文 参考訳（メタデータ） (2025-07-02T16:58:09Z) - AMBER: Adaptive Mesh Generation by Iterative Mesh Resolution Prediction [48.72179728638418]
本稿では,メッシュ適応のための教師あり学習手法であるAMBER(Adaptive Meshing By Expert Reconstruction)を提案する。
AMBERは、サイズフィールドを反復的に予測し、この予測を使用して、アウト・オブ・ザ・ボックスメッシュジェネレータを使用して、新しい中間メッシュを生成する。
AMBERを2次元および3次元の幾何学、古典物理学問題を含むデータセット、機械部品、人間の専門家メッシュを用いた実世界の産業デザインで評価する。
論文 参考訳（メタデータ） (2025-05-29T17:10:44Z) - Learning Multiscale Consistency for Self-supervised Electron Microscopy
Instance Segmentation [48.267001230607306]
本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。
当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。
効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
論文 参考訳（メタデータ） (2023-08-19T05:49:13Z) - Computer Vision Methods for the Microstructural Analysis of Materials:
The State-of-the-art and Future Perspectives [0.4595477728342621]
本稿では, マルチスケール画像解析に応用された最先端CNN技術について概説する。
材料科学研究へのこれらの手法の適用に関する主な課題を同定する。
論文 参考訳（メタデータ） (2022-07-29T15:27:47Z) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳（メタデータ） (2022-05-31T13:26:51Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳（メタデータ） (2021-12-19T15:17:20Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。