XiaoMi-AI文件搜索系统
World File Search System掩模
通过群集掩模的有效视力语言预训练
图像包含大量冗余信息，使其具有挑战性地在大规模上从它们中有效地了解它们。最近的工作通过在视觉语言构想学习期间掩盖图像贴片来解决这个问题[15,33,36,70]。一种简单的方法是随机放下大部分斑块，通过降低每个训练迭代中的计算成本和记忆使用量，从而更有效地培训训练[36]。替代策略是掩盖语义相关的贴片[15，33，70]，例如属于同一对象的贴片。这迫使学习的模型预测从上下文中描述缺少场景结构的单词，从而改善了学识渊博的表示。但是，这种方法需要一种单独的机制来将语义重新贴定的补丁分组在一起，这为学习过程增加了相当大的复杂性，并且计算上很昂贵。我们提出了一种简单的掩盖策略，用于避免这些缺点的多模式对比学习。在训练期间，我们掩盖了斑块的随机簇（图1）。对于此聚类，我们将Patches的原始RGB值用作特征表示。我们的方法利用了一个事实，即视觉相似性的简单度量通常可以限制相干的视觉结构，例如对象部分[18，53]，
通过使用纳米球自组装掩模直接蚀刻来改进 PDMS 模具制造，以制造软 UV-NIL 亚波长超表面
随着超表面在光学应用领域的应用越来越广泛，在其开发中需要一种能够以低成本实现大表面和亚100纳米尺寸的制造方法。由于其高吞吐量和小结构化能力，软纳米压印光刻是制造此类器件的良好候选方法。但是，由于必须使用低粘度聚合物才能达到所需尺寸，因此阻碍了其在可见光波长下超表面的应用，这使得最终的压印件更易碎，且该过程更昂贵、更复杂。在此，我们提出了一种PDMS模具制造方法，该方法依赖于PDMS的自组装掩模，然后直接蚀刻模具，从而与聚合物粘度无关可达到的最小尺寸。我们对使用我们的方法获得的模具制造的超表面进行了表征，验证了其在大表面器件纳米制造中的应用。
新型深紫外微型 LED 阵列推动无掩模光刻技术发展
光刻技术在集成电路芯片制造中发挥着至关重要的作用，是半导体和微电子工业的关键核心技术之一。20世纪90年代以来，低成本、高分辨率无掩模光刻系统成为先进光刻技术研究的热点。然而，该项前沿技术的专利主要掌握在欧洲、美国、日本和韩国手中，技术壁垒较高。
通过无掩模局部原子层沉积图案化纳米级金属氧化物薄膜进行纳米制造
摘要 ：改进的露天空间原子层沉积 (SALD) 头用于在各种基底上制造复杂氧化物图案。共反应物保持在周围大气中，设计了一个由三个同心喷嘴和一个前体出口组成的简单注入头。可以轻松且可逆地修改金属前体出口的直径，从而可以直接形成具有不同横向尺寸的图案。成功证明了无掩模沉积均匀和同质的 TiO 2 和 ZrO 2 薄膜，横向分辨率从毫米到几百微米范围可调，同时将膜厚度保持在几纳米到几百纳米范围内，并在纳米级控制。这种局部 SALD 方法称为 LOCALD，还可以在结构化基底上进行层堆叠和沉积。
EUV 掩模吸收层的优化
极紫外光刻 (EUVL) 是最有前途的技术之一，它可将半导体器件制造的极限扩展到 50 纳米及以下的临界尺寸 [1]。EUVL 需要制造反射掩模，它不同于紫外可见光光刻技术所用的传统透射掩模。极紫外 (EUV) 掩模由一个 EUV 波长的反射镜组成，反射镜上沉积了吸收图案堆栈。干涉镜由高折射率和低折射率材料的交替堆栈制成，通常是沉积在基板顶部的 40 个 Mo/Si 双层。通过调整 Mo 和 Si 层的厚度，可以针对 13.5 纳米的波长优化反射率。对于“双层工艺” [2]，吸收图案堆栈由缓冲层顶部的导电吸收层制成，缓冲层用作蚀刻停止层以及吸收层修复步骤中的保护层。过去几年，人们评估了多种材料（Ti、TiN、Al-Cu、TaSi、Ta、TaN、Cr）[2–4] 作为 EUV 掩模的导电吸收材料的可能性。图 1 描述了这种基本的减法 EUV 掩模工艺流程，其中采用了“双层”吸收堆栈。
EMLC 2024 - 在格勒诺布尔举行的“欧洲掩模和光刻会议”
与往常一样，主题演讲概述了半导体行业以及相关微纳米技术领域的发展方向和趋势。去年的重点是限制当前和未来人工智能应用的过度能耗，而 Serge Nicoleau（意法半导体）的主题演讲将这一主题扩展到半导体行业工艺的总体可持续性，即减少资源消耗并日益避免使用有毒或对环境有害的物质，如 PFAS（所谓的永恒化学物质）。Kagawa-san（佳能）、Sebastian Dauvé（CEA-LETI）和 Kurt Ronse（IMEC）的其他主题演讲涉及纳米压印光刻的现状和前景、CEA-LETI 的半导体研究计划（FAMES）和 EUV 光刻。 Kurt Ronse 的贡献尤其预测了到 2040 年纳米技术的预期发展。虽然半导体行业的领先公司即将推出具有技术节点 N2 的高端工艺（例如，最密集布线层的导体轨道宽度约为 11nm），但节点 A1 中只能实现约 6nm（！）的线宽（根据 2040 年的当前路线图）。
inPainting驱动的掩模优化对象去除
摘要 - 本文提出了一种掩盖优化方法，用于使用图像介入来提高对象去除的质量。在许多现实情况下，许多介绍方法都经过一组随机掩码的训练，但在许多现实的情况下，indpainting的目标可能是一个对象，例如一个人。训练和推理图像中掩模之间的域间隙增加了介入任务的难度。在我们的方法中，通过训练通过分割提取的对象掩码训练介入网络来解决此域间隙，并且在推理步骤中也使用了此类对象掩码。此外，为了优化对象蒙版的介入，分割网络已连接到indpainting网络，并端到端训练以提高镶嵌性能。通过我们的面具扩展损失实现大型面具和小型面具之间的权衡，这种端到端训练的效果进一步增强了。实验结果证明了我们方法使用图像介入的方法去除对象的有效性。索引术语 - 图像inpainting，对象分割，对象删除
多光束掩模版写入过程的多尺度建模
在快速发展的半导体制造领域，多光束掩模版写入机 (MBMW) 已成为光掩模生产的重要工具。光掩模对于不断缩小的半导体元件的生产至关重要。 IMS Nanofabrication 的高性能计算 (HPC) 小组开发的 MBMW 模拟器对理解和改进掩模生产中的写入技术做出了重大贡献。然而，当前 MBMW 模拟方法的一个关键挑战是准确模拟电子背散射等大规模效应的能力有限，而这对于高精度掩模制造至关重要。这项工作通过在 MBMW 模拟器中开发和实施全面的多尺度建模来解决这一差距。主要目标是准确、有效地模拟背散射效应，从而提高模拟器对掩模写入过程中电子散射行为的预测能力。重点是开发一个模型来捕捉不同尺度（从纳米到微米尺度）的反向散射效应。设计模型的目标是模块化和可扩展性。这种灵活性确保了对未来技术发展的适应性和附加模拟模型的集成。实施过程从一维反向散射模拟开始，然后发展到更复杂的二维模型。这种循序渐进的方法不仅提供了对背散射动力学的基本理解，而且还允许对模型进行迭代细化和验证。接下来是错误分析，其中测试模型的能力。这里证明了多尺度方法的准确性和效率，特别是在后向散射起重要作用的场景中。综上所述，这项工作对半导体制造领域做出了重大贡献，特别是在多光束掩模版写入机写入过程的模拟领域。所开发模型的模块化和可扩展性不仅确保了当前的适用性，而且为该领域未来的发展奠定了基础。
RL-OPC：通过深度强化学习进行掩模优化
摘要 — 掩模优化是先进技术节点 VLSI 制造过程中的重要步骤。作为最具代表性的技术之一，光学邻近校正 (OPC) 被广泛应用于提高可印刷性。由于传统 OPC 方法消耗的计算开销过大，近期研究已将机器学习技术应用于高效的掩模优化。然而，现有的判别学习模型依赖给定的数据集进行监督训练，而生成学习模型通常利用代理优化目标进行端到端学习，这可能会限制可行性。在本文中，我们率先引入了用于掩模优化的强化学习 (RL) 模型，该模型无需利用可微代理即可直接优化首选目标。大量实验表明，我们的方法优于最先进的解决方案，包括学术方法和商业工具包。
RL-OPC：通过深度强化学习进行掩模优化
摘要 — 掩模优化是先进技术节点 VLSI 制造过程中的重要步骤。作为最具代表性的技术之一，光学邻近校正 (OPC) 被广泛应用于提高可印刷性。由于传统 OPC 方法消耗的计算开销过大，近期研究已将机器学习技术应用于高效的掩模优化。然而，现有的判别学习模型依赖给定的数据集进行监督训练，而生成学习模型通常利用代理优化目标进行端到端学习，这可能会限制可行性。在本文中，我们率先引入了用于掩模优化的强化学习 (RL) 模型，该模型无需利用可微代理即可直接优化首选目标。大量实验表明，我们的方法优于最先进的解决方案，包括学术方法和商业工具包。