論文の概要: GNN-Guided Local Refinement for Efficient Layout Decomposition with DSA-MP

• arxiv url: http://arxiv.org/abs/2610.22214v1
• Date: Thu, 15 Oct 2026 17:00:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.205395
• Title: GNN-Guided Local Refinement for Efficient Layout Decomposition with DSA-MP
• Title（参考訳）: DSA-MPを用いた高効率レイアウト分解のためのGNN誘導局所微細化
• Abstract要約: 多重パターンリソグラフィ(MPL)は、高度なノードのリソグラフィ分解能を改善するために広く用いられているが、機能サイズが縮小するにつれてコスト制限に直面している。 従来見過ごされていた制約をキャプチャする新たなコンフリクトグラフモデルを導入し,グラフニューラルネットワークを利用した局所的な洗練戦略を開発する。 実験により,本手法は最先端の手法よりも高速な収束で解の質の向上を実証した。
• 参考スコア（独自算出の注目度）: 14.386098962809456
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multiple patterning lithography (MPL) has been widely used to improve lithography resolution in advanced nodes, but it faces cost limits as feature sizes shrink. Directed self-assembly (DSA) offers a cost-effective complement, extending the resolution of optical lithography to sub-10 nm and beyond. Integrating DSA into MPL (DSA-MP) further enhances the resolution of contact/via patterning. Nevertheless, growing design complexity exposes the limits of existing decomposition methods, which struggle to balance solution quality and runtime, and neglect edge-to-edge spacing constraints of DSA templates, compromising manufacturability. To address these issues, we introduce a new conflict graph model capturing the previously overlooked constraints and develop a local refinement strategy powered by the graph neural network, enabling efficient and scalable layout decomposition. Experiments demonstrate that our method achieves higher solution quality with faster convergence than state-of-the-art methods, while maintaining robustness across layout scales, design styles, technology nodes, and varying mask counts.
• Abstract（参考訳）: 多重パターンリソグラフィ(MPL)は、高度なノードのリソグラフィ分解能を改善するために広く用いられているが、機能サイズが縮小するにつれてコスト制限に直面している。 Directed Self-assembly (DSA) は、光学リソグラフィーの分解能を10nm以下にまで拡張し、コスト効率のよい補完を提供する。 DSAをMPL(DSA-MP)に統合することで、接触/移動パターンの分解能がさらに向上する。 それでも、設計の複雑さの増大は、ソリューションの品質とランタイムのバランスに苦しむ既存の分解方法の限界を明らかにし、DSAテンプレートのエッジ・ツー・エッジスペーシングの制約を無視し、製造性を向上させる。 これらの問題に対処するために,従来見過ごされていた制約をキャプチャする新たなコンフリクトグラフモデルを導入し,グラフニューラルネットワークを利用した局所的な改善戦略を開発し,効率的な,スケーラブルなレイアウト分割を実現する。 提案手法は, レイアウトスケール, 設計スタイル, 技術ノード, 各種マスク数にまたがるロバスト性を維持しつつ, 最先端の手法よりも高速に収束し, 高い解品質が得られることを示す。

関連論文リスト

• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
  血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。 ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。 本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
  論文  参考訳（メタデータ） (2026-03-05T03:41:08Z)
• UnfoldLDM: Deep Unfolding-based Blind Image Restoration with Latent Diffusion Priors [21.35552789229871]
  そこで我々は,UnfoldLDMを提案し,深部展開ネットワークと潜時拡散モデル(LDM)を統合してブラインド画像復元を行う。 各段階において、UnfoldLDMは勾配降下ステップとして多粒度劣化認識モジュール(MGDA)を用いる。 本研究では, 劣化抑制型LCM (DR-LDM) を設計し, コンパクトな劣化不変前駆体を抽出する。 このユニークな組み合わせは、最終的な結果が劣化のない、視覚的に豊かなものであることを保証します。
  論文  参考訳（メタデータ） (2025-11-22T18:44:01Z)
• Progressive Alignment Degradation Learning for Pansharpening [3.7939736380306552]
  深層学習に基づくパンシャーピングにより,高分解能マルチスペクトル画像(HRMS)を効果的に生成できることが示されている。 Waldプロトコルは、人工低解像度データで訓練されたネットワークが、高解像度データでも同じように機能すると仮定する。 本稿では,PAlignNetとPDegradeNetという2つのサブネットワーク間の相互イテレーションを用いて,正確な劣化過程を適応的に学習するPADMを提案する。
  論文  参考訳（メタデータ） (2025-06-25T07:07:32Z)
• Cross-Domain Knowledge Distillation for Low-Resolution Human Pose Estimation [31.970739018426645]
  人間のポーズ推定の実践的応用では、低解像度の入力が頻繁に発生し、既存の最先端モデルでは低解像度の画像では不十分である。 本研究は,高分解能モデルから知識を抽出することにより,低分解能モデルの性能向上に重点を置いている。
  論文  参考訳（メタデータ） (2024-05-19T04:57:17Z)
• Scalable Multiple Patterning Layout Decomposition Implemented by a Distribution Evolutionary Algorithm [11.366935475887239]
  一般化グラフ着色問題として MPL のレイアウト分解をモデル化する。 DEA-PPMは、分解結果と実行時間のバランスをとることができる。
  論文  参考訳（メタデータ） (2023-04-09T10:23:30Z)
• Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
  本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。 IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。 スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
  論文  参考訳（メタデータ） (2023-03-29T07:02:20Z)
• GPU-accelerated Matrix Cover Algorithm for Multiple Patterning Layout Decomposition [8.528609848514511]
  マルチパターニングリソグラフィ(MPLD)技術は、先進ノードにおける製造性を改善するためにますます重要になっている。 本研究では,CPUのダンスリンクデータ構造を並列GPU行列演算に置き換えて,正確なカバーベースMPLDアルゴリズムの解を高速化する。
  論文  参考訳（メタデータ） (2023-03-25T02:51:12Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
  我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
  論文  参考訳（メタデータ） (2020-09-14T08:23:37Z)

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。