論文の概要: Transforming Computational Lithography with AC and AI -- Faster, More Accurate, and Energy-efficient

• arxiv url: http://arxiv.org/abs/2602.15036v1
• Date: Tue, 27 Jan 2026 17:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.61726
• Title: Transforming Computational Lithography with AC and AI -- Faster, More Accurate, and Energy-efficient
• Title（参考訳）: ACとAIによる計算リソグラフィーの変換 -- 高速、高精度、エネルギー効率
• Authors: Saumyadip Mukhopadhyay, Kiho Yang, Kasyap Thottasserymana Vasudevan, Mounica Jyothi Divvela, Selim Dogru, Dilip Krishnamurthy, Fergo Treska, Werner Gillijns, Ryan Ryoung han Kim, Kumara Sastry, Vivek Singh,
• Abstract要約: 計算リソグラフィー(Computational lithography)は、半導体製造における最大のワークロードである。 NVIDIA cuLithoはコアプリミティブを再発明し、57Xのエンドツーエンドアクセラレーションを実現する。 これは、シリコンにおけるACとAIのリソグラフィーのメリットを、初めて定量化したチップスケールのデモである。
• 参考スコア（独自算出の注目度）: 0.8163416164403072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: From climate science to drug discovery, scientific computing demands have surged dramatically in recent years -- driven by larger datasets, more sophisticated models, and higher simulation fidelity. This growth rate far outpaces transistor scaling, leading to unsustainably rising costs, energy consumption, and emissions. Semiconductor manufacturing is no exception. Computational lithography -- involving transferring circuitry to silicon in diffraction-limited conditions -- is the largest workload in semiconductor manufacturing. It has also grown exceptionally complex as miniaturization has advanced in the angstrom-era, requiring more accurate modeling, intricate corrections, and broader solution-space exploration. Accelerated computing (AC) offers a solution by dramatically freeing up the compute and power envelope. AI augments these gains by serving as high-fidelity surrogates for compute-intensive steps. Together, they present a sustainable, next-generation computing platform for scientific workloads. This new paradigm needs a fundamental redesign of the software stack. For computational lithography, NVIDIA cuLitho reinvents the core primitives -- diffractive optics, computational geometry, multi-variant optimization, data processing -- to achieve a transformative 57X end-to-end acceleration. Beyond dramatically faster cycles, this expanded compute envelope enables more rigorous solutions, including curvilinear masks, high-numerical aperture extreme ultraviolet (high-NA EUV) lithography, and subatomic modeling. We reinvest a small fraction of the freed-up compute to include through-focus correction for better process resilience. Silicon experiments at IMEC show significant benefits compared to conventional methods -- 35% better process window and 19% better edge placement error. This is the first quantified chip-scale demonstration of the lithography benefits of AC and AI in silicon.
• Abstract（参考訳）: 気候科学から薬物発見に至るまで、科学計算の需要は近年飛躍的に急増し、より大きなデータセット、より洗練されたモデル、より高いシミュレーションの忠実さによって加速している。この成長速度は、トランジスタのスケーリングをはるかに上回り、持続不可能なコスト、エネルギー消費、エミッションを生み出している。半導体製造は例外ではない。計算リソグラフィーは、回折制限条件下でシリコンに回路を転送することを含む。半導体製造における最大のワークロードである。 また、アングストローム時代の小型化が進み、より正確なモデリング、複雑な修正、より広い解空間探索が必要になったため、非常に複雑になった。 加速コンピューティング(AC)は、計算エンベロープと電力エンベロープを劇的に解放することでソリューションを提供する。 AIは、計算集約的なステップのための高忠実度サロゲートとして機能することで、これらの利益を増大させる。 彼らは共に、科学ワークロードのための持続可能な次世代コンピューティングプラットフォームを提供する。 この新しいパラダイムは、ソフトウェアスタックを根本的に再設計する必要があります。 計算リソグラフィーでは、NVIDIA cuLithoがコアプリミティブ(微分光学、計算幾何学、多変量最適化、データ処理)を再発明し、57倍のエンドツーエンド加速を実現している。 この拡張された計算エンベロープは、劇的に高速なサイクルの他に、カービリナーマスク、高数開口極紫外(高NA EUV)リソグラフィー、サブアトミックモデリングなど、より厳密な解を可能にする。 我々は、プロセスのレジリエンスを改善するために、スルーフォーカス補正を含むように、解放された計算のごく一部を再開発する。 IMECでのシリコン実験では、従来の方法に比べて大きなメリットがある。 これは、シリコンにおけるACとAIのリソグラフィーのメリットを、初めて定量化したチップスケールのデモである。

関連論文リスト

• Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
  Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。 Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-04T16:52:44Z)
• LuxIA: A Lightweight Unitary matriX-based Framework Built on an Iterative Algorithm for Photonic Neural Network Training [36.03523572070848]
  アートPNNシミュレーションツールの現状は,大規模PNNのトレーニングにおいて,大きなスケーラビリティ上の課題に直面している。 バックプロパゲーションに適合する効率的な転送行列計算手法であるスライシング法を提案する。 スライシング方式はメモリ使用量と実行時間を大幅に削減し、大規模PNNのスケーラブルなシミュレーションとトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-12-24T17:31:51Z)
• Estimating Voltage Drop: Models, Features and Data Representation Towards a Neural Surrogate [1.7010199949406575]
  集積回路(IC)において、機械学習(ML)技術が計算労力を減らし、電圧低下を推定するのに要する時間を暗黙的に削減する方法について検討する。 我々のアプローチはASICの電気的、タイミング的、物理的にMLモデルを訓練し、最小限の調整を施した多種多様な設計への適応性を確保する。 本研究は,IRドロップを正確に推定し,ASICサインオフを最適化するMLアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2025-02-07T21:31:13Z)
• Hardware-Efficient Photonic Tensor Core: Accelerating Deep Neural Networks with Structured Compression [15.665630650382226]
  本稿では,構造圧縮型光ニューラルネットワーク(StrC-ONN)アーキテクチャのためのブロック循環型フォトニックテンソルコアを提案する。 この研究は、実用的でスケーラブルなONNへの新たな道筋を探求し、将来の計算効率の課題に対処するための有望な道筋を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-02-01T17:03:45Z)
• SLaNC: Static LayerNorm Calibration [1.2016264781280588]
  より精度の低いフォーマットへの量子化は、利用可能な値表現の限られた範囲によって引き起こされる多くの課題を自然に引き起こす。 本稿では,推論中のTransformerモデルに容易に適用可能な,計算効率のよいスケーリング手法を提案する。 提案手法は,直近の線形層の静的重みに基づくLayerNorm入力のスケーリング方法を提案する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:55Z)
• Accelerating Error Correction Code Transformers [56.75773430667148]
  本稿では,トランスを用いたデコーダの高速化手法を提案する。 最新のハードウェアでは、90%の圧縮比を実現し、算術演算エネルギー消費を少なくとも224倍削減する。
  論文  参考訳（メタデータ） (2024-10-08T11:07:55Z)
• ReCycle: Fast and Efficient Long Time Series Forecasting with Residual Cyclic Transformers [0.06965384453064827]
  ReCycleと呼ばれるResidual Cyclic Transformerは、ハイメソッドの複雑さとリアルな計算リソースのギャップを埋める。 提案手法は,低性能,低消費電力,エッジコンピューティングデバイス上でのトレーニングと推論を両立させることにより,実行時間とエネルギー消費を1桁以上削減する。
  論文  参考訳（メタデータ） (2024-05-06T12:48:34Z)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。