論文の概要: Gen-Fab: A Variation-Aware Generative Model for Predicting Fabrication Variations in Nanophotonic Devices

• arxiv url: http://arxiv.org/abs/2603.11505v1
• Date: Thu, 12 Mar 2026 03:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.850003
• Title: Gen-Fab: A Variation-Aware Generative Model for Predicting Fabrication Variations in Nanophotonic Devices
• Title（参考訳）: Gen-Fab:ナノフォトニックデバイスにおける作製変動予測のための変分を考慮した生成モデル
• Authors: Rambod Azimi, Yuri Grinberg, Dan-Xia Xu, Odile Liboiron-Ladouceur,
• Abstract要約: 我々は、Pix2Pixをベースとした条件付き生成逆数ネットワーク(cGAN)であるGen-Fabを導入し、フォトニック加工結果の不確実性を予測し、モデル化する。 我々はGen-Fabを,(1)決定論的U-Net予測器,(2)推論時間モンテカルロドロップアウトU-Net,(3)様々なU-Netのアンサンブルの3つのベースラインと比較する。 Gen-Fab は 89.8% で、決定論的 U-Net (85.3%)、MC-Dropout U-Net (83.4%)、および様々な U-Nets (85.8%) を上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Silicon photonic devices often exhibit fabrication-induced variations such as over-etching, underetching, and corner rounding, which can significantly alter device performance. These variations are non-uniform and are influenced by feature size and shape. Accurate digital twins are therefore needed to predict the range of possible fabricated outcomes for a given design. In this paper, we introduce Gen-Fab, a conditional generative adversarial network (cGAN) based on Pix2Pix to predict and model uncertainty in photonic fabrication outcomes. The proposed method takes a design layout (in GDS format) as input and produces diverse high-resolution predictions similar to scanning electron microscope (SEM) images of fabricated devices, capturing the range of process variations at the nanometer scale. To enable one-to-many mapping, we inject a latent noise vector at the model bottleneck. We compare Gen-Fab against three baselines: (1) a deterministic U-Net predictor, (2) an inference-time Monte Carlo Dropout U-Net, and (3) an ensemble of varied U-Nets. Evaluations on an out-of-distribution dataset of fabricated photonic test structures demonstrate that Gen-Fab outperforms all baselines in both accuracy and uncertainty modeling. An additional distribution shift analysis further confirms its strong generalization to unseen fabrication geometries. Gen-Fab achieves the highest intersection-over-union (IoU) score of 89.8%, outperforming the deterministic U-Net (85.3%), the MC-Dropout U-Net (83.4%), and varying U-Nets (85.8%). It also better aligns with the distribution of real fabrication outcomes, achieving lower Kullback-Leibler divergence and Wasserstein distance.
• Abstract（参考訳）: シリコンフォトニックデバイスは、オーバーエッチング、アンダーエッチング、コーナーラウンドリングなどの製造誘起のバリエーションを示すことが多く、デバイスの性能を大きく変えることができる。 これらのバリエーションは、一様ではなく、特徴の大きさと形状に影響を受けている。 したがって、正確なデジタルツインは、ある設計における製造結果の範囲を予測するために必要である。 本稿では、Pix2Pixをベースとした条件付き生成逆数ネットワーク(cGAN)であるGen-Fabを紹介し、フォトニック加工結果の不確かさを予測・モデル化する。 提案手法は, 設計レイアウト(GDSフォーマット)を入力として, 製造装置の走査型電子顕微鏡(SEM)画像と類似した多彩な高分解能予測を行い, プロセスの変動範囲をナノスケールで計測する。 1対多のマッピングを可能にするため、モデルボトルネックに潜時雑音ベクトルを注入する。 我々はGen-Fabを,(1)決定論的U-Net予測器,(2)推論時間モンテカルロドロップアウトU-Net,(3)様々なU-Netのアンサンブルの3つのベースラインと比較する。 製造されたフォトニックテスト構造のアウト・オブ・ディストリビューションデータセットの評価は、Gen-Fabが精度と不確実性の両方において全てのベースラインより優れていることを示す。 さらなる分布シフト解析により、その強い一般化が未知の造形幾何学にさらに確認される。 Gen-Fabは89.8%で、決定論的U-Net(85.3%)、MC-Dropout U-Net(83.4%)、そして様々なU-Net(85.8%)を上回っている。 また、実際の製造結果の分布とよく一致し、より低いクルバック・リーブラーの発散とワッサーシュタイン距離を達成する。

関連論文リスト

• Dual-Solver: A Generalized ODE Solver for Diffusion Models with Dual Prediction [0.26856688022781555]
  学習可能なパラメータによって多段階のサンプルを一般化するDual-rを導入する。 2階局所精度を維持しながら、標準的な予測器・相関器構造を維持している。 FIDおよびCLIPスコアは、背骨全体にわたる低NFEレギュレーションで改善される。
  論文  参考訳（メタデータ） (2026-03-04T12:14:52Z)
• Which Layer Causes Distribution Deviation? Entropy-Guided Adaptive Pruning for Diffusion and Flow Models [77.55829017952728]
  EntPrunerは、拡散およびフローモデルのためのエントロピー誘導自動プログレッシブプルーニングフレームワークである。 DiTモデルとSiTモデルの実験はEntPrunerの有効性を示し、最大2.22$times$推論スピードアップを達成する。
  論文  参考訳（メタデータ） (2025-11-26T07:20:48Z)
• Generative Modeling with Bayesian Sample Inference [50.07758840675341]
  我々は,反復的なガウス後部推論から新しい生成モデルを導出した。 我々のモデルは、未知のサンプルを反復的に絞り込むために、一連の予測と後続の更新ステップを使用する。 実験では,BFNと近縁な変分拡散モデルの両方に対して,ImageNet32のサンプル品質が向上することが実証された。
  論文  参考訳（メタデータ） (2025-02-11T14:27:10Z)
• SEMU-Net: A Segmentation-based Corrector for Fabrication Process Variations of Nanophotonics with Microscopic Images [4.875868958100446]
  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。
  論文  参考訳（メタデータ） (2024-11-25T22:49:59Z)
• PCF-Lift: Panoptic Lifting by Probabilistic Contrastive Fusion [80.79938369319152]
  我々は,PCF(Probabilis-tic Contrastive Fusion)に基づくPCF-Liftという新しいパイプラインを設計する。 私たちのPCFリフトは、ScanNetデータセットやMessy Roomデータセット(シーンレベルのPQが4.4%改善)など、広く使用されているベンチマークにおいて、最先端の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T16:06:59Z)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Learning Gaussian Representation for Eye Fixation Prediction [54.88001757991433]
  既存のアイ固定予測方法は、入力画像から原固定点から生成された対応する濃密な固定マップへのマッピングを行う。 本稿ではアイフィグレーションモデリングのためのガウス表現について紹介する。 我々は,リアルタイムな固定予測を実現するために,軽量なバックボーン上にフレームワークを設計する。
  論文  参考訳（メタデータ） (2024-03-21T20:28:22Z)
• Quantifying U-Net Uncertainty in Multi-Parametric MRI-based Glioma Segmentation by Spherical Image Projection [4.721505041393889]
  球面投影型U-Net(SPU-Net)セグメンテーションモデルの設計を提案する。 複数の独立セグメンテーション予測は、1つのMRIから得られる。 このモデルは正しいセグメンテーション予測のための低い不確実性を達成し、不正確な結果に対する高い不確実性を達成した。
  論文  参考訳（メタデータ） (2022-10-12T18:11:49Z)
• Characterizing and Taming Model Instability Across Edge Devices [4.592454933053539]
  本稿では,実世界のモバイルデバイス間でのモデル予測のバリエーションの方法論的特徴について述べる。 この変動を捉えた新しい指標である不安定性を導入する。 実験では、画像の14-17%が1つまたは複数の電話モデルに異なる分類を作成した。
  論文  参考訳（メタデータ） (2020-10-18T16:52:06Z)
• Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by Enabling Input-Adaptive Inference [119.19779637025444]
  深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。 本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
  論文  参考訳（メタデータ） (2020-02-24T00:40:22Z)
• Machine Learning Pipeline for Segmentation and Defect Identification from High Resolution Transmission Electron Microscopy Data [0.0]
  我々は高分解能電子顕微鏡データ解析のための柔軟な2ステップパイプラインを実証した。 トレーニングしたU-Netは、Dice係数0.8の非晶質背景からナノ粒子を分離することができる。 すると、ナノ粒子が86%の精度で可視積層断層を含むかどうかを分類できる。
  論文  参考訳（メタデータ） (2020-01-14T19:49:30Z)

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。