論文の概要: Image resolution enhancement for advanced semiconductor nodes

• arxiv url: http://arxiv.org/abs/2610.05809v1
• Date: Mon, 05 Oct 2026 05:04:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:12:41.3422
• Title: Image resolution enhancement for advanced semiconductor nodes
• Title（参考訳）: 先進半導体ノードの高分解能化
• Abstract要約: ニューラルネットワークに基づく分解能増強器を設計する一般的なフレームワークを提供する。 我々は,200nmのピッチを持つ直線/空間構造を用いて,この枠組みの有効性を示す。 また, 事前学習モデルの再利用性向上のために, 伝達学習を活用し, 微妙に異なる構造に対する新しいモデルを再学習し, 校正することができることを示す。
• 参考スコア（独自算出の注目度）: 1.6905148249467707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advanced semiconductor nodes are pushing the limits of feature sizes and require metrology with sub-nm resolution without compromising on the throughput as needed for in-line process control. Recently, high-throughput scanning probe microscopy (SPM) based metrology and inspection tools capable of meeting these needs have been introduced to the market and qualified for use in HVM. While innovative measurement methods and tool architecture have allowed for a leap of improvement in throughput, the next step in further reducing imaging time can be obtained through the application of machine learning for enhancing the resolution of measured images for extraction of relevant parameters. In this work, we provide the general framework under which a neural network-based resolution enhancer is designed and used for SPM images. We showcase the effectiveness of this framework using measurements performed on Line/Space structures with a pitch of 200 nm. For the reusability of a pre-developed pre-trained model, we additionally leverage transfer learning and show that a new model for slightly differing structures can be re-trained and calibrated with a smaller data set of measurements performed on Line/Space structures with a pitch of 100 nm.
• Abstract（参考訳）: 高度な半導体ノードは、機能サイズの限界を押し上げており、インラインプロセス制御に必要なスループットを損なうことなく、サブnm解像度のメソロジーを必要とする。 近年,高スループット走査型プローブ顕微鏡 (SPM) を用いたメログラフィーおよび検査ツールが市場に導入され,HVMでの使用に適している。 革新的な計測方法とツールアーキテクチャによりスループットの向上が図られたが、さらに画像時間を削減する次のステップは、関連するパラメータを抽出するための計測画像の解像度を向上させる機械学習の適用によって得ることができる。 本研究では、ニューラルネットワークに基づく解像度向上器を設計し、SPM画像に使用するための一般的なフレームワークを提供する。 本稿では,200nmのピッチを持つLine/Space構造を用いて,このフレームワークの有効性を示す。 また, 事前学習モデルの再利用可能化のために, 転送学習を活用し, 100nmのピッチでLine/Space構造に対して行った測定値の小さなデータセットを用いて, 微妙に異なる構造に対する新しいモデルを再学習し, 校正可能であることを示す。

関連論文リスト

• Feature identification for parameter extraction and defect detection using machine learning [1.6625521720042127]
  3次元構造への移動には、層ごとに大きく異なる構造から臨界次元パラメータを抽出する必要がある。 nmスケールで欠陥を検出するには、HVMファブのスループット要求を満たすために、低解像度でキャプチャされた特徴を特定する必要がある。 MLベースの画像処理手法の出現により、両方のケースにおけるこのアルゴリズム開発プロセスが加速される。
  論文  参考訳（メタデータ） (2026-10-05T05:08:10Z)
• Diffusion Image Generation with Explicit Modeling of Data Manifold Geometry [64.61931485161833]
  画像生成モデルは、基礎となるデータ多様体からデータポイントをサンプリングすることを目的としている。 データマニフォールド対応画像差分法(MIND)を提案する。 MINDは離散パッチトークン化を連続拡散モデルのスコア関数に統合する。
  論文  参考訳（メタデータ） (2026-05-25T08:43:14Z)
• Flow-Based Generative Modeling for Optimizing Sampling Policies in Compressed Sensing Applications [6.687252358900529]
  圧縮センシングのためのサブサンプリングマスクを学習するためのフローベース生成フレームワークを提案する。 画像再構成では, ピーク信号対雑音比が25.17dB, サブサンプリングレートが5%であった。 その結果、生成フローモデルにおけるタスクコンディショニングの有効性を強調し、表現学習戦略の有望な方向性を明らかにした。
  論文  参考訳（メタデータ） (2026-05-22T12:35:05Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Adaptive Compressed Sensing with Diffusion-Based Posterior Sampling [34.50287066865267]
  圧縮センシング(CS)は、高忠実度再構成に十分な測定値の小さなサブセットを選択することにより、高速な画像取得を容易にする。 アダプティブCSは、既に取得したデータから得られる情報に基づいて、将来の計測を動的に選択することで、このプロセスをさらに強化しようとしている。 AdaSenseは、ゼロショット後部サンプリングと事前学習拡散モデルを利用する新しい適応CSアプローチである。
  論文  参考訳（メタデータ） (2024-07-11T07:56:17Z)
• Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
  臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。 スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。 現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
  論文  参考訳（メタデータ） (2024-06-10T02:20:26Z)
• Learned Interferometric Imaging for the SPIDER Instrument [5.65707814923407]
  本稿では,SPIDER計測装置による画像再構成のための2つのデータ駆動手法を提案する。 ディープラーニングは、トレーニングデータから事前情報を学習し、再構築品質を高め、計算時間を著しく短縮するために使用される。 これらの手法は、天文画像などのトレーニングデータが不足している領域にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-24T19:00:03Z)

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。