論文の概要: AI4Plasma II: Geometry-Aware Surrogate Modeling for Variable Electrode Gap GEC Plasmas
- arxiv url: http://arxiv.org/abs/2611.15584v1
- Date: Wed, 11 Nov 2026 15:07:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.177022
- Title: AI4Plasma II: Geometry-Aware Surrogate Modeling for Variable Electrode Gap GEC Plasmas
- Title(参考訳): AI4Plasma II: 可変電極ギャップGECプラズマの幾何学的サロゲートモデリング
- Abstract要約: サロゲートモデルは迅速な予測を提供するが、幾何学的変動はそれらの応用を複雑にする。
4つのプラズマフィールドで2%の平均誤差を達成するために、Geo-FNOとTransolverは、他のモデルでは250-1000と比較して100のトレーニングケースを必要とする。
- 参考スコア(独自算出の注目度): 8.96175926728584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial plasma process development requires broad exploration of operating and geometric parameters. Geometric parameters, particularly electrode spacing, affect discharge structure and processing uniformity. Exploring these parameter spaces through repeated high-fidelity simulations can be computationally expensive. Surrogate models can offer rapid predictions, but geometric variation complicates their application because the computational domain and discretization may change across samples. In this work, six geometry-aware surrogate models based on prescribed and learned geometry mappings, extended-domain representation, continuous coordinates, and geometry-native discretizations are compared in terms of their data requirements for accurate predictions of full plasma fields and ion density profiles near the wafer. The simulation dataset spans pressure, voltage, frequency, and electrode gap, with each reference case requiring an average simulation cost of 5.32 CPU h. To achieve a 2% mean error across the four plasma fields, prescribed-mapping Geo-FNO and Transolver require 100 training cases, compared with 250-1000 for the other models. Predicting ion density profiles near the wafer is more demanding and reveals larger differences among models, with prescribed-mapping Geo-FNO requiring the fewest training cases for the profile accuracy targets considered. To further reduce the data required for accurate predictions near the wafer, we introduce charge-separation weighting into the training loss, which reduces the prescribed-mapping Geo-FNO's minimum tested training requirement for a 5% profile error from 1000 to 100 cases. These results support prescribed-mapping Geo-FNO as a practical starting point for the variable-gap problem studied here when a suitable geometry mapping is available, while Transolver achieves the highest prediction accuracy with sufficient training data.
- Abstract(参考訳): 産業用プラズマプロセスの開発には、操作パラメータと幾何パラメータを幅広く探究する必要がある。
幾何学的パラメータ、特に電極間隔は放電構造や加工の均一性に影響を与える。
繰り返し高忠実度シミュレーションによってこれらのパラメータ空間を探索することは、計算に費用がかかる。
代理モデルは高速な予測を提供するが、幾何学的変動は、計算領域と離散化がサンプル間で変化するため、それらの応用を複雑にする。
本研究は, ウェーハ近傍のフルプラズマ場とイオン密度プロファイルの正確な予測のためのデータ要求量から, 所定及び学習した幾何マッピング, 拡張領域表現, 連続座標, 幾何固有離散化に基づく6つの幾何対応サロゲートモデルを比較した。
シミュレーションデータセットは、圧力、電圧、周波数、電極ギャップにまたがり、各基準ケースの平均シミュレーションコストは5.32CPUhである。
4つのプラズマフィールドで2%の平均誤差を達成するために、Geo-FNOとTransolverは、他のモデルでは250-1000と比較して100のトレーニングケースを必要とする。
ウェハ近傍のイオン密度プロファイルの予測はより要求され,モデル間の違いが大きく,Geo-FNOはプロファイル精度を考慮に入れた最小のトレーニングケースを必要とする。
さらに, ウェハ付近での正確な予測に必要なデータを削減するため, トレーニング損失に電荷分離重み付けを導入し, 5%のプロファイル誤差に対するGeo-FNOの最小試験条件を1000から100ケースに短縮する。
これらの結果は,適切な幾何マッピングが利用可能である場合の変数ギャップ問題に対する実用的な出発点として,Geo-FNOがサポートされ,Transolverは十分なトレーニングデータを用いて高い予測精度を達成できる。
関連論文リスト
- FG-ConvNO: A Geometry-Aware Neural Operator for Propeller CFD Prediction [73.25252821263845]
計算力学(CFD)は現代工学設計において不可欠であるが、計算コストは高い。
科学モデリングのための機械学習の最近の進歩は強力なサロゲートフレームワークに繋がった。
限られたトレーニングデータの下でのロバストな幾何認識一般化のためのFG-ConvNO(Factized Geometry Convolutional Neural Operator)を提案する。
論文 参考訳(メタデータ) (2026-10-24T05:21:25Z) - Learnable Splines for Unstructured Neural Operators [78.26652287941543]
L-SplineFNOは、FNOバックボーンとスパースで学習可能なテンソル生成B-Splineトランスファーを結合するメモリ効率のよい神経オペレータである。
ベースライン演算子よりもはるかに少ないメモリと計算を必要とするが、予測精度は高い。
また、ゼロショット超解像と効率的な閉形式空間微分もサポートする。
論文 参考訳(メタデータ) (2026-10-15T15:15:31Z) - Data-Driven Forward and Inverse Modeling of V-Beam Thermal Sensors [0.764671395172401]
本稿では,Vビーム熱センサのデータ駆動逆設計のための機械学習フレームワークを提案する。
目的は、所定の温度下で目標変位を達成する最適センサ形状を決定することである。
提案したパイプラインは3000サンプルのデータセットを使用し、変位を予測するために4.76%のMAPEを達成する。
論文 参考訳(メタデータ) (2026-07-04T12:50:19Z) - FLARE: A Data-Efficient Surrogate for Predicting Displacement Fields in Directed Energy Deposition [10.969341855852276]
指向性エネルギー沈着(DED)は複雑な熱力学的応答を生じさせ、製造部品の歪みと寸法精度を低下させる。
本稿では,DEDの冷却後変位場を幾何学的およびプロセスパラメータから予測するデータ効率な代理モデルフレームワークであるFLAREを紹介する。
FLAREは各シミュレーションを暗黙のニューラルネットワークとして符号化し、対応するニューラルネットワークの重みを正規化し、入力パラメータ空間のアフィン構造に従う。
論文 参考訳(メタデータ) (2026-04-17T19:11:27Z) - Physics-Constrained Adaptive Neural Networks Enable Real-Time Semiconductor Manufacturing Optimization with Minimal Training Data [0.0]
半導体産業は、極紫外(EUV)リソグラフィー最適化の計算危機に直面している。
本稿では,電磁近似を自動的に校正する物理制約付き適応学習フレームワークを提案する。
パターン毎のトレーニングサンプルは50点に過ぎず,一貫したサブナノメータEPE性能(0.664-2.536nm範囲)を示した。
論文 参考訳(メタデータ) (2025-11-16T21:40:57Z) - Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。
学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。
また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
論文 参考訳(メタデータ) (2025-02-14T03:26:57Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km~200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳(メタデータ) (2022-10-11T14:52:20Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - A physics and data co-driven surrogate modeling approach for temperature
field prediction on irregular geometric domain [12.264200001067797]
本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。
数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
論文 参考訳(メタデータ) (2022-03-15T08:43:24Z) - Local approximate Gaussian process regression for data-driven
constitutive laws: Development and comparison with neural networks [0.0]
局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。
FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
論文 参考訳(メタデータ) (2021-05-07T14:49:28Z)
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。