論文の概要: Physics-Informed Neural Systems for the Simulation of EUV Electromagnetic Wave Diffraction from a Lithography Mask
- arxiv url: http://arxiv.org/abs/2603.15584v1
- Date: Mon, 16 Mar 2026 17:46:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 18:28:58.709211
- Title: Physics-Informed Neural Systems for the Simulation of EUV Electromagnetic Wave Diffraction from a Lithography Mask
- Title（参考訳）: リソグラフィーマスクからのEUV電磁波回折シミュレーションのための物理インフォームニューラルネットワーク
- Authors: Vasiliy A. Es'kin, Egor V. Ivanov,
- Abstract要約: リソグラフィーマスクから超紫外線(EUV)電磁波を回折する問題を解くための物理情報ニューラルネットワーク(PINN)とニューラル演算子(NO)について述べる。
ニューラルネットワークに置き換える最も計算コストの高いコンポーネントを持つ導波管法に基づいて、新しいハイブリッド導波管ニューラル演算子(WGNO)が導入された。
現実的な2Dマスクと3Dマスクの数値実験により、PINNとニューラルオペレータは競争精度と予測時間を大幅に短縮することを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physics-informed neural networks (PINNs) and neural operators (NOs) for solving the problem of diffraction of Extreme Ultraviolet (EUV) electromagnetic waves from contemporary lithography masks are presented. A novel hybrid Waveguide Neural Operator (WGNO) is introduced, based on a waveguide method with its most computationally expensive components replaced by a neural network. To evaluate performance, the accuracy and inference time of PINNs and NOs are compared against modern numerical solvers for a series of problems with known exact solutions. The emphasis is placed on investigation of solution accuracy by considered artificial neural systems for 13.5 nm and 11.2 nm wavelengths. Numerical experiments on realistic 2D and 3D masks demonstrate that PINNs and neural operators achieve competitive accuracy and significantly reduced prediction times, with the proposed WGNO architecture reaching state-of-the-art performance. The presented neural operator has pronounced generalizing properties, meaning that for unseen problem parameters it delivers a solution accuracy close to that for parameters seen in the training dataset. These results provide a highly efficient solution for accelerating the design and optimization workflows of next-generation lithography masks.
- Abstract（参考訳）: 現代リソグラフィーマスクからの極紫外(EUV)電磁波の回折を解くための物理インフォームドニューラルネットワーク(PINN)とニューラル演算子(NO)について述べる。
ニューラルネットワークに置き換えた計算コストの高いコンポーネントを持つ導波管法に基づいて、新しいハイブリッド導波管ニューラル演算子(WGNO)が導入された。
性能を評価するために、PINNとNOの精度と推定時間を、既知の正確な解の一連の問題に対して、現代の数値解法と比較する。
13.5nmおよび11.2nm波長の人工ニューラルネットワークによる解の精度の調査に重点を置いている。
現実的な2Dマスクと3Dマスクの数値実験により、PINNとニューラル演算子が競争精度を達成し、予測時間を著しく短縮し、提案したWGNOアーキテクチャが最先端の性能に達することを示した。
提示されたニューラル演算子は、明らかに一般化プロパティを持つため、目に見えない問題パラメータに対して、トレーニングデータセットで見られるパラメータに近いソリューション精度を提供する。
これらの結果は、次世代リソグラフィーマスクの設計と最適化のワークフローを高速化するための高効率なソリューションを提供する。
関連論文リスト
- A Deep-Learning-Boosted Framework for Quantum Sensing with Nitrogen-Vacancy Centers in Diamond [12.497803457724325]
ダイヤモンド中の窒素空孔中心は、ナノスケール空間分解能を持つ磁場、温度、ひずみの高感度測定のための多用途量子センシングプラットフォームである。
ここでは、1次元畳み込みニューラルネットワーク(1D-CNN)に基づくリアルタイムODMR解析のための堅牢で効率的な機械学習フレームワークを紹介する。
ナノダイアモンドプローブによる細胞内温度変化の診断と高温超伝導体における超伝導渦の広視野イメージングの2つの代表的応用で本手法の有効性を検証した。
論文 参考訳（メタデータ） (2026-03-16T02:02:14Z) - An effective physics-informed neural operator framework for predicting wavefields [10.94738894332709]
我々はヘルムホルツ方程式を効率的に解くために物理インフォームド畳み込みニューラル演算子(PICNO)を導入する。
PICNOは、均質媒質と速度モデルに対応する背景波動場を入力関数空間とし、散乱波動場を出力関数空間として生成する。
限られたトレーニングサンプルであっても、精度の高い精度の予測が可能になる。
論文 参考訳（メタデータ） (2025-07-22T10:22:30Z) - Physics-informed neural networks and neural operators for a study of EUV electromagnetic wave diffraction from a lithography mask [0.0]
WGNO(Waveguide Neural Operator)は、最も計算コストのかかる部品をニューラルネットワークに置き換えた導波路法に基づいている。
現実的な2Dマスクと3Dマスクの数値実験により、WGNOは最先端の精度と推測時間を達成することが示された。
論文 参考訳（メタデータ） (2025-07-05T20:21:31Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - Data-driven localized waves and parameter discovery in the massive
Thirring model via extended physics-informed neural networks with interface
zones [3.522950356329991]
深層学習を用いた大規模Thiring(MT)モデルにおいて,データ駆動型局所波動解とパラメータ発見について検討した。
高次局所波解に対しては、拡張PINN(XPINN)とドメイン分解を用いる。
実験結果から, XPINNsの改良により, 収束速度が速く, 計算の複雑さを低減できることがわかった。
論文 参考訳（メタデータ） (2023-09-29T13:50:32Z) - Machine learning for phase-resolved reconstruction of nonlinear ocean
wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。
提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文 参考訳（メタデータ） (2023-05-18T12:30:26Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Physics-informed neural network for ultrasound nondestructive
quantification of surface breaking cracks [0.0]
本研究では,金属板の表面破壊ひび割れの同定と特徴化の問題を解決するために,最適化された物理情報ニューラルネットワーク(PINN)を導入する。
PINNは、損失関数に部分微分方程式系の残基を追加することによって、学習過程におけるデータと物理を組み合わせることができるニューラルネットワークである。
PINNを用いて,1%の誤差で行う金属板の音速を推定し,音速の空間依存性を許容することにより,音速が低下した位置としてひび割れを識別・特徴付ける。
論文 参考訳（メタデータ） (2020-05-07T16:32:11Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。