論文の概要: Forward and Inverse Virtual Metrology for Phototransistor Gain: A Hierarchical, Uncertainty-Aware Approach for Small Production Datasets
- arxiv url: http://arxiv.org/abs/2608.11868v1
- Date: Wed, 12 Aug 2026 09:51:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.536807
- Title: Forward and Inverse Virtual Metrology for Phototransistor Gain: A Hierarchical, Uncertainty-Aware Approach for Small Production Datasets
- Title（参考訳）: 光トランジスタゲインのための前方及び逆仮想メトロロジー:小型生産データに対する階層的で不確実なアプローチ
- Abstract要約: 本研究では,1つのデバイスで13から14のプロセスを実行する,実際の製造履歴に関する問題について検討する。
デバイスゲインのばらつきを分解すると、その約半数がプロセス内ではなくプロセス間にあることが分かります。
目標ゲインのレシピを返却する逆探索である,相対的な不確実性を考慮したフォワードゲイン予測器を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The customization, optimization and stabilization of the process flow of a silicon bipolar phototransistor commits months of cleanroom time before a finished device can be measured, so a model that predicts device gain from process parameters before a run has value out of proportion to its accuracy. We study this problem on a real fabrication history, thirteen to fourteen process runs of a single device: a small-sample, hierarchically structured setting unlike the large-corpus regime of conventional virtual metrology. Decomposing the variance of device gain, we find that roughly half of it lies between process runs rather than within them, so recipe-only prediction is bounded by construction. Building on these findings we provide a forward gain predictor with a relative, uncertainty-aware signal, an inverse search that returns recipes for a target gain, and, as the foundation for all of it, a multi-level data-quality assessment tailored to the nested physical entities of fabrication (batch, wafer, die) with an explicit cross-level linkage score. The normalized dataset and analysis code are released for full reproducibility.
- Abstract（参考訳）: シリコンバイポーラフォトトランジスタのプロセスフローのカスタマイズ、最適化、安定化は、完成装置が測定される前に数ヶ月のクリーンルーム時間をコミットするので、実行前にプロセスパラメータからデバイスが得られることを予測したモデルは、その精度に比例しない。
本研究では, 従来の仮想メソロジーの大規模体系とは異なり, 小型で階層的に構成された, 単一のデバイスを13から14のプロセスで動作させるという, 実際の製法の歴史を考察する。
デバイスゲインのばらつきを分解すると、その半分がプロセス内ではなくプロセス内にあることが分かるので、レシピのみの予測は構築によって境界づけられる。
これらの結果に基づいて、フォワードゲイン予測器に、相対的な不確実性を認識した信号、ターゲットゲインのレシピを返却する逆探索、およびそれら全ての基礎として、明示的なクロスレベルリンクスコアを持つネストされた物理的実体(バッチ、ウエハ、ダイ)に合わせたマルチレベルデータ品質評価を提供する。
正規化されたデータセットと解析コードは、完全な再現性のためにリリースされている。
関連論文リスト
- From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - PedestrianDiffusion: Multimodal Generative Denoising and Dense State Estimation for Inertial Navigation [1.8620637029128544]
ペデストリアン拡散(PedestrianDiffusion)は、密度の高い6次元状態推定を連続的な条件付き偏微分過程として再構成する生成フレームワークである。
最先端の性能を達成し、衝動の摂動と6Dキネマティックドリフトの結合に対する前例のない頑丈さを示す。
この研究は、次世代ニューラル慣性測定ユニット(N-IMU)のための厳密なアルゴリズム的青写真を提供する。
論文 参考訳（メタデータ） (2026-07-03T14:04:30Z) - Rethinking Forward Processes for Score-Based Data Assimilation in High Dimensions [2.3550058325130974]
そこで本研究では,測定式から直接,計測値のフォワードプロセスを定義する,測定値に基づくフィルタ(MASF)を提案する。
線形測定では、正確な確率スコアを導出し、学習前のスコアと組み合わせて後部スコアを得る。
高次元データセットを含む様々な設定をカバーする数値実験により、既存のスコアベースフィルタよりも精度と安定性が向上した。
論文 参考訳（メタデータ） (2026-04-03T08:55:38Z) - Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
制約を克服するオイラー法に対する全変分に基づく解析法を開発した。
その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。
全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
論文 参考訳（メタデータ） (2026-02-26T00:47:51Z) - Trajectory Consistency for One-Step Generation on Euler Mean Flows [24.038760671907024]
本研究では,フローベース生成フレームワークであるemphEuler Mean Flows (EMF)を提案する。
EMFは最小サンプリングコストで長距離軌道の整合性を実現する。
論文 参考訳（メタデータ） (2026-01-31T04:32:32Z) - Interpretable Multivariate Conformal Prediction with Fast Transductive Standardization [11.505405148959618]
本稿では,複数の,潜在的に関連する数値出力に対して,厳密な同時予測区間を構築するための共形予測手法を提案する。
この方法は、任意のマルチターゲット回帰モデルと組み合わせて、有限サンプルカバレッジを保証する。
中心となる考え方は、出力次元にまたがる残差を直接的に比較する新しいエンフィコーディネートワイド標準化手順である。
論文 参考訳（メタデータ） (2025-12-17T12:36:00Z) - Measurement-Guided Consistency Model Sampling for Inverse Problems [2.217547045999963]
一貫性モデルは、単一または数ステップで高品質な生成を可能にする。
逆問題再構成に適した整合性サンプリング手法を提案する。
論文 参考訳（メタデータ） (2025-10-02T16:53:07Z) - Distributional Diffusion Models with Scoring Rules [83.38210785728994]
拡散モデルは高品質な合成データを生成する。
高品質な出力を生成するには、多くの離散化ステップが必要です。
クリーンデータサンプルの後部エム分布を学習し,サンプル生成を実現することを提案する。
論文 参考訳（メタデータ） (2025-02-04T16:59:03Z) - Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。
両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。
転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
論文 参考訳（メタデータ） (2023-10-10T10:48:52Z) - Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳（メタデータ） (2023-08-21T13:03:25Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z)
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。