【摘 要】
：
计算光刻技术作为超大规模集成电路（Very Large Scale Integration,VLSI）制造的核心技术之一,在集成电路制造的一系列模拟过程中发挥着重要的作用.掩模的近场计算在极紫外（Extreme Ultra-violet,EUV）光刻技术的模拟中,是作为工艺建模和仿真验证的基本任务之一.因此,掩模近场的计算在计算光刻的仿真与模拟中是必不可少且非常关键的部分.然而,随着摩尔定律的延续
论文部分内容阅读
计算光刻技术作为超大规模集成电路（Very Large Scale Integration,VLSI）制造的核心技术之一,在集成电路制造的一系列模拟过程中发挥着重要的作用.掩模的近场计算在极紫外（Extreme Ultra-violet,EUV）光刻技术的模拟中,是作为工艺建模和仿真验证的基本任务之一.因此,掩模近场的计算在计算光刻的仿真与模拟中是必不可少且非常关键的部分.然而,随着摩尔定律的延续和光刻技术的不断改进,半导体的特征尺寸不断减小,掩模的厚度在计算中也不再可以忽略.这些变化导致光学衍射效应在极紫外光通过掩模时变的非常严重.因此,标量衍射理论不再精确,这就要求我们去寻找更精确的计算方法来计算掩模的衍射近场.在一些传统的掩模近场计算方法中,如严格的电磁场计算方法,由于计算公式复杂或计算量太大等问题,导致掩模近场的计算效率较低.并且在计算时容易受到具有随机边角和特征尺寸的掩模图案的影响,也使得计算的精度较差.然而,随着近年来深度学习的迅猛发展,以及作为其最有趣的想法之一的生成对抗网络（GAN）的流行,让我们看到了一些新的机会.在经过多次的仿真实验尝试后,本文选定了一种利用循环一致性生成对抗网络（Cycle GAN）计算掩模近场的方法.相比于现有的掩模近场计算方法,本文的计算方法克服了以往传统的严格电磁场计算方法在计算过程中没有任何近似的约束从而导致计算过程较复杂的问题,使得提升运算速度成为可能.本文以深度学习中生成对抗网络的生成模型框架为基础,构造两个生成器分别正向和反向生成掩模近场和掩模的成像图案,利用端到端和像素到像素的数据转换方式,学习不同数据域之间的特征转换.生成器中采用Res Net对编码器给出的特征向量进行组合提取,利用所提取的特征,实现特征向量由源域到目标域转化的学习.另外,再添加循环一致损失作为两个生成模型的约束条件,以确保得到的模型生成前后的掩模近场的成像图案与掩模的成像图案能够一一对应,从而避免模式崩溃等问题.最后本文将仿真实验结果与计算光刻领域论文的一些结果进行了比较.比较结果表明,本文所采用的基于生成模型的掩模近场计算方法与FCN方法相比在计算效率方面提高了4倍以上,在计算的精度方面提高了300倍以上.
其他文献
随着平视显示器（HUD）系统在飞机上普及应用，其配套的训练课程和训练设备的需求量持续增长，HUD将会成为D级飞行模拟机必选功能件。主要介绍了飞行平视显示器的各组成设备及功能，实现了HUD真机件在飞行模拟机上的安装、接口信号激励以及与视景系统的校准。安装、激励和校准完成后，参照中国民航局的HUD鉴定标准对飞行模拟机上集成的HUD系统进行了功能、性能和精度的验证，结果表明，方案具有良好的稳定性、实时性
肿瘤涉及DNA、RNA、蛋白质和代谢物水平的多种异常,是一种复杂的全身性疾病。根据中心法则衍生的组学方法分别为基因组学、转录组学、蛋白质组学和代谢组学。在过去的数十年间,关于肿瘤的单一组学研究取得了显著成绩,但肿瘤发生发展的确切机制尚不清楚。为了更加系统地揭示肿瘤发生发展的过程及其机制,多组学研究应运而生,推动肿瘤研究范式从单参数模型向多参数系统模型的转变。多组学方法的整合有望阐明肿瘤的发生发展机
激光波数扫描干涉（Wavenumber Scanning Interferometry,WSI）是一种具有非侵入、高灵敏、高精度和层析测量的方法。通过借助光源的波数线性扫描和全场干涉特性,WSI在无需机械部件扫描前提下,就能实现被测样件内部三维体变形场测量,被广泛应用在医学诊断、生物成像和复合材料检测等领域。然而在测量过程中,样品的深度变形场是由光谱干涉图经过傅里叶变换得到的,为了重构傅里叶变换后
市政工程主要包括道路、桥梁等与居民生活相关的工程建设。由于使用人数众多，市政工程不单单是使用质量那么简单，更关系到城镇正常生活及秩序的平稳。因此，强化市政工程建设，优化施工质量，对于推动市政工程有着重要的价值意义。
近年来,区块链已经和人工智能、大数据、物联网等前沿信息技术深度融合。其中,区块链下的物联网相关研究,如隐私保护、能源和数据交易、物联网下的共识机制等正在如火如荼地开展。然而,基于区块链的物联网面临一些严峻的挑战,这些挑战源于解决共识机制中的工作量证明问题（Proof-of-Work,Po W）需要大量的计算资源,但是物联网设备的计算资源有限,这限制了更复杂研究的开展。为了解决这个问题,可以将边缘云
近年来,目标跟踪领域的新技术不断出现。其中,动态目标跟踪是移动机器人领域的研究热点,从公共场所的治安监控、道路中对违章车辆的监控、自动驾驶车辆再到无人机对目标的跟踪,目标跟踪技术已经广泛应用于各个领域。然而,目前的动态目标跟踪技术依然存在一些关键问题。首先,用于监控领域的目标跟踪基本都通过固定形式的摄像机拍摄视频,即使能够在支架上旋转,单个摄像机能够观察的视野非常有限。其次,应用于机器人领域的动态
在实际控制系统中,因为被控对象本身或所处环境的物理局限性,往往会约束控制系统的输出或状态。与此同时,控制系统的性能是考察控制器是否有效的关键评判因素。所以,研究面向性能的非线性系统约束控制问题具有重要的意义和价值,并且取得了一定的研究成果,但依然存在未解决的难题,即:现有基于障碍李雅普诺夫函数的控制方法通过约束跟踪误差来实现对系统输出的约束,要求系统输出初始值必须限制在一个比给定约束区间更小的区域
肿瘤药物敏感性预测在指导患者临床用药方面具有重要意义。本文基于癌症药物敏感性基因组学数据库（genomics of drug sensitivity in cancer, GDSC） 198种药物的细胞系敏感性IC50数据，通过Stacking集成学习构建了包含基因表达、基因突变、拷贝数变异数据的多组学癌症药物敏感性预测模型。采用多种特征选择方法对基因特征进行降维，使用Stacking方法集成6种
在机器学习领域,多视角聚类是一个热门的研究方向,其主要的任务是根据多视角数据自身的数据特性,对不同视角的数据进行融合,获取数据的潜在模式,从而将数据划分为不同簇类。目前,针对多视角聚类的研究,研究者们提出了许多方法。其中,比较受关注的是基于表示学习的多视角聚类方法。该类方法的核心思想是在子空间中,从多个视角数据中学习一个统一的表示,用于聚类。因此,基于表示学习的多视角聚类方法的关键在于如何从多视角
随着现代智能制造技术的快速发展,控制系统对象变得越来越复杂。首先,在控制系统中,大部分控制对象并不能简单用传统的线性数学模型表示,受控系统往往是非线性系统,由于实际工业系统中存在未知不确定对象和外界扰动,而难于建立精确的数学模型,因此受控对象是不确定系统。其次,由于信息化与网络化的布局在加快,相对于传统控制系统,网络化控制系统已经成为控制系统的重要研究方向。现在,在闭环控制系统中,很多工业设备之间