ILILT: Implicit Learning of Inverse Lithography Technologies
NVIDIA（英伟达）
本文提出隐式学习反向光刻框架ILILT，利用隐式层学习与光刻条件输入直接生成高质量优化掩模，无需ILT求解器参与，在效率和质量上超越现有机器学习方法。
2024-05-06 cs.LG
Realistic mask generation for matter-wave lithography via machine learning
University of Bergen（卑尔根大学）
快速生产具有纳米分辨率的大面积图案对于已建立的半导体行业以及实现下一代量子器件的工业规模生产至关重要。具有二元全息掩模的亚稳态原子光刻已经被建议作为当前技术状态的更高分辨率/低成本替代方案：极紫外（EUV）光刻。然而，它最近表明，亚稳态原子与掩模材料（SiN）的相互作用导致的波前，不包括在现有的掩模生成理论，这是基于经典的标量波的强烈扰动。这意味着即使在1D中也无法解析地解决逆问题（基于所需图案创建掩模）。在这里，我们提出了一个机器学习的方法来屏蔽生成针对亚稳态原子。我们的算法使用遗传优化和深度学习的组合来获得掩模。一种新的深度神经架构被训练来产生掩模的初始近似。然后，使用该近似值来生成可以收敛到任意精度的遗传优化算法的初始种群。我们证明了任意的一维图案的生成系统的尺寸内的Fraunhofer近似限制。
2022-07-15 cs.LG physics.optics quant-ph
Inverse Lithography Physics-informed Deep Neural Level Set for Mask Optimization
Tencent Quantum Lab, Tencent（腾讯量子实验室，腾讯）
本文提出逆光刻物理信息深度神经水平集（ILDLS）方法，将基于水平集的ILT嵌入深度学习框架并迭代校正掩模，在显著提升可印刷性和工艺窗口的同时，将计算时间较ILT减少几个数量级。
2023-08-15 cs.AR cs.CV cs.LG
Fast inverse lithography based on a model-driven block stacking convolutional neural network
Sun Yat-sen University（中山大学）
本文提出一种基于模型驱动的块堆叠深度学习框架的逆光刻OPC方法，结合矢量光刻建模与波函数坍缩算法，免除了对大量标注数据的需求并扩展了掩模图案多样性，数值实验证明其能有效管理掩模复杂性并提升制造可行性。
2024-12-19 cs.LG physics.optics
MaskOpt: A Large-Scale Mask Optimization Dataset to Advance AI in Integrated Circuit Manufacturing
University at Buffalo（布法罗大学）；IBM Research（IBM研究院）
MaskOpt通过大规模真实IC设计数据集推动深度学习在单元和上下文感知的掩模优化中的应用，提升集成电路制造中的AI能力。
2025-12-18 cs.AI cs.CV cs.LG
An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design
Nvidia Corporation（英伟达公司）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；California Institute of Technology（加州理工学院）
光刻建模是芯片设计中的一个关键问题，以确保芯片设计掩模的可制造性。它需要对光学和化学模型进行严格的模拟，这在计算上是昂贵的。机器学习的最新发展提供了替代方案，用深度神经网络代替耗时的光刻模拟。然而，相当大的精度下降仍然阻碍了其工业应用。最重要的是，训练数据集的质量和数量直接影响模型的性能。为了解决这个问题，我们提出了一个光刻感知的数据增强（LADA）框架，以解决有限的数据和提高机器学习模型的性能的困境。首先，我们预训练用于光刻建模的神经网络和梯度友好的StyleGAN 2生成器。然后，我们执行对抗性主动采样，以生成信息丰富的合成分布掩码设计。这些合成掩模图像将增强用于微调光刻模型以提高性能的原始有限训练数据集。实验结果表明，LADA可以成功地利用神经网络的能力，通过缩小训练和测试数据实例之间的性能差距。
2022-10-27 cs.LG
Physics-Informed Optical Kernel Regression Using Complex-valued Neural Fields
Chinese University of Hong Kong（香港中文大学）；nVIDIA（英伟达）；HKUST(GZ)（香港科技大学（广州））
提出基于复值神经场的光核回归范式，将光刻模型分解为非参数掩模操作和学习光核，以更少参数和小规模数据实现高精度与强泛化。
2023-04-09 cs.CV cs.LG eess.IV
FourierMask: Instance Segmentation using Fourier Mapping in Implicit Neural Networks
University of Tuebingen（图宾根大学）
我们提出了FourierMask，它采用傅立叶级数结合隐式神经表示来生成实例分割掩码。我们将傅立叶映射（FM）应用于坐标位置，并利用映射的特征作为隐式表示（基于坐标的多层感知器（MLP））的输入。FourierMask学习预测特定实例的FM系数，从而使FM适应特定对象。这允许将FourierMask一般化以从自然图像预测实例分割掩模。由于隐函数在输入坐标域中是连续的，我们说明了通过对输入像素坐标进行子采样，我们可以在推理过程中生成更高分辨率的掩码。此外，我们训练渲染器MLP（FourierRend）上的不确定预测的FourierMask，并说明它显着提高了质量的面具。与基线Mask R-CNN相比，FourierMask在相同的输出分辨率下在MS COCO数据集上显示出具有竞争力的结果，并在更高的分辨率上超越了它。
2022-03-17 cs.CV cs.LG
VLSI Mask Optimization: From Shallow To Deep Learning
The Chinese University of Hong Kong（香港中文大学）；Dalian University of Technology（大连理工大学）
VLSI掩模优化是可制造性设计中的关键环节之一，由于掩模优化和光刻仿真的复杂性，其成本很高。近年来的研究表明，机器学习技术在处理复杂的大数据问题上具有显著的优势，这为DFM问题的专用机器学习解决方案带来了潜力，并促进了VLSI设计周期。在本文中，我们专注于一个异构的OPC框架，协助掩模布局优化。初步结果表明，所提出的框架，有可能成为现有的EDA解决方案的替代品的效率和有效性。
2019-12-16 cs.LG stat.ML
Applying Machine Learning Models on Metrology Data for Predicting Device Electrical Performance
imec（比利时微电子研究中心）；University of Bologna（博洛尼亚大学）
本研究针对半导体套刻误差影响器件电学性能的问题，基于imec N14 BEOL工艺的多阶段计量数据，用多种机器学习模型预测电容，证明其可提升电学结果预测效果。
2023-11-20 cs.AI cs.LG eess.SP
DevelSet: Deep Neural Level Set for Instant Mask Optimization
The Chinese University of Hong Kong（香港中文大学）
随着先进技术节点中特征尺寸的不断缩小，掩模优化在传统设计流程中变得越来越重要，同时光学邻近校正（OPC）方法中令人望而却步的计算开销也呈爆炸式增长。最近，逆光刻技术（ILT）引起了极大的关注，并成为流行的新兴OPC解决方案。然而，ILT方法要么耗时，要么掩模印刷性和可制造性的性能较弱。在本文中，我们提出了一个GPU和深度神经网络（DNN）加速水平集OPC框架的金属层的OPC集。我们首先改进了传统的基于水平集的ILT算法，通过引入曲率项来降低掩模复杂度，并应用GPU加速来克服计算瓶颈。为了进一步增强可打印性和快速迭代收敛，我们提出了一种新的深度神经网络，该网络采用水平集内在原理进行精心设计，以促进DNN和GPU加速水平集优化器的联合优化。实验结果表明，该框架在可打印性方面优于现有的方法，运行时性能达到了即时水平（1秒左右）。
2023-03-18 cs.AI cs.AR cs.CV
Understanding robustness and generalization of artificial neural networks through Fourier masks
Baylor College of Medicine（贝勒医学院）；Rice University（莱斯大学）
尽管人工神经网络（ANN）在许多学科中取得了巨大的成功，但其计算的特征和关键属性（如泛化和鲁棒性）的起源仍然是一个悬而未决的问题。最近的文献表明，具有良好泛化性能的鲁棒网络往往偏向于处理图像中的低频。为了进一步探索频率偏差假设，我们开发了一种算法，使我们能够学习调制掩码，突出保持训练网络性能所需的基本输入频率。我们通过在输入频率中相对于这种调制的损耗中施加不变性来实现这一点。我们首先使用我们的方法来测试对抗训练或数据增强网络的低频偏好假设。我们的研究结果表明，对抗鲁棒网络确实表现出低频偏置，但我们发现这种偏置也依赖于频率空间中的方向。然而，这对于其他类型的数据增强不一定是正确的。我们的研究结果还表明，问题中的基本频率是有效的，用于实现泛化摆在首位。令人惊讶的是，通过这些调制面具看到的图像是不可识别的，并且类似于纹理样图案。
2022-03-16 cs.CV cs.LG eess.IV
Neuro-BERT: Rethinking Masked Autoencoding for Self-supervised Neurological Pretraining
Westlake University（西湖大学）；Westlake Institute for Optoelectronics（西湖光电研究院）
Neuro-BERT 提出基于傅里叶域掩码自编码和傅里叶反演预测任务的自监督预训练框架，无需数据增强即可在睡眠分期和手势识别等神经信号下游任务中大幅提升性能。
2024-07-03 cs.LG eess.SP q-bio.NC
Learning Random Fourier Features by Hybrid Constrained Optimization
Tsinghua University（清华大学）
核嵌入算法是使核方法适应大数据集的重要组成部分。由于该算法在测试阶段消耗了大量的计算成本，我们提出了一种新的教师-学习者框架，从特定的数据中学习计算效率高的内核嵌入。在该框架中，高精度嵌入（教师）将数据信息传递给计算效率高的内核嵌入（学习者）。我们共同选择信息嵌入函数，并追求两个嵌入之间的正交变换。本文提出了一种新的约束变分期望最大化方法，在最大化步骤中，将交替方向乘子法应用于非凸区域。我们还提出了两个具体的配方的基础上流行的随机傅立叶特征（RFF），掩蔽和阻塞版本的计算效率RFF（CERF），通过施加一个随机的二进制掩码或块结构的变换矩阵。通过在不同真实数据集上的几个应用的实证研究，我们证明了CERF显著提高了RFF的核方法的性能，在一定的算术运算要求下，并适用于快餐型算法中的结构化矩阵乘法。
2017-12-07 cs.CV cs.LG stat.ML
