XiaoMi-AI文件搜索系统
World File Search SystemMask
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。
Develset：即时掩模优化的深神经级
摘要 - 作为分辨率增强技术的关键技术之一（RET），光学接近校正（OPC）的计算成本过高，作为特征尺寸缩小的缩小。逆光刻技术（ILTS）将掩模优化过程视为反向成像问题，产生高质量的曲线掩模。但是，由于其时间消耗程序和过多的计算开销，ILT方法通常无法打印性能和制造性。在本文中，我们提出了DEVELSET，这是一种有效的金属层OPC引擎，该发动机替换了基于隐式级别设置表示的离散基于像素的掩码。使用GPU加速的岩性模拟器，Develset使用神经网络实现端到端掩模优化，以提供准优化的水平设置初始化，并使用基于CUDA的掩模优化器进行快速收敛。Develset-NET的骨干是一个基于变压器的多重型神经网络，它提供了一个参数选择器，以消除对手动参数初始化的需求。实验结果表明，DEVELSET框架在可打印性方面优于最先进的方法，同时实现快速运行时性能（约1 s）。我们期望这种增强的水平设定技术，再加上CUDA/DNN加速的关节优化范式，对工业面罩优化解决方案产生了重大影响。
O-0133(EU) 氧气泡泡面膜
Lubrizol Advanced Materials, Inc.（“Lubrizol”）希望您对此建议的配方感兴趣，但请注意，这只是一种代表性配方，并非商业化产品。在适用法律允许的最大范围内，Lubrizol 不作任何陈述、保证或担保（无论是明示、暗示、法定或其他形式），包括任何关于适销性或特定用途适用性的暗示担保，或关于任何信息的完整性、准确性或及时性的暗示担保。Lubrizol 认为此配方所基于的信息和数据是可靠的，但配方尚未经过性能、功效或安全性测试。在商业化之前，您应彻底测试该配方或其任何变体，包括配方的包装方式，以确定其性能、功效和安全性。您有责任获得任何必要的政府批准、许可或注册。本文中包含的任何内容均不得视为未经专利所有者许可而实施任何专利发明的许可、建议或诱导。与此配方相关的任何索赔可能并非在所有司法管辖区都获得批准。安全处理信息不包括安全使用所需的产品安全信息。操作前，请阅读所有产品和安全数据表以及容器标签，了解安全使用和物理及健康危害信息。您可从路博润代表或经销商处获取此配方路博润产品的安全数据表。
COVID-19 疫苗接种和口罩政策相关表格
Mercy 大学致力于保护您的个人信息，并公开透明地说明所持有的信息及其使用方式。我们理解您对隐私的担忧，并向您保证我们非常重视隐私问题。请参阅 Mercy 的 COVID-19 隐私政策声明，其中大学解释了如何收集和使用您的个人身份信息来证明 COVID-19 疫苗接种情况。您提供的信息将仅按照该政策声明中概述的方式使用。如果您对本隐私声明有任何疑问，请直接联系 kbowes@mercy.edu。
CTM-SRAF：基于连续传输掩模的约束...
引言在过去的几十年里，集成电路的特征尺寸按照摩尔定律不断缩小。光学光刻已进入低 k -1 区域[1]，[2]，所用光的波长仍为193 nm。因此，使用传统光刻工艺获得高图案保真度和掩模可印刷性变得越来越具有挑战性。此外，印刷晶圆图像对光刻条件的微小变化变得高度敏感。为了缓解这些问题，对光学光刻中的分辨率增强技术 (RET) 的要求变得更加严格[3]，[4]。最广泛采用的 RET 之一是光学邻近校正 (OPC) [5]，[6]，[7]，[8]，[9]。传统OPC中，光刻掩模版针对主图案进行预失真处理，以补偿印刷晶圆图像的不良失真。然而，随着关键尺寸的缩小和目标图案的复杂化，仅使用OPC很难在足够的工艺窗口下获得令人满意的印刷图像。
CTM-SRAF：基于连续传输掩模的约束感知亚分辨率辅助特征生成
引言在过去的几十年里，集成电路的特征尺寸按照摩尔定律不断缩小。光学光刻已进入低 k -1 区域[1]，[2]，所用光的波长仍为193 nm。因此，使用传统光刻工艺获得高图案保真度和掩模版可印刷性变得越来越具有挑战性。此外，印刷晶圆图像对光刻条件的微小变化变得高度敏感。为了缓解这些问题，对光学光刻中的分辨率增强技术 (RET) 的要求变得更加严格[3]，[4]。最广泛采用的 RET 之一是光学邻近校正 (OPC) [5]，[6]，[7]，[8]，[9]。传统OPC中，光刻掩模版针对主图案进行预失真处理，以补偿印刷晶圆图像的不良失真。然而，随着关键尺寸的缩小和目标图案的复杂化，仅使用OPC很难在足够的工艺窗口下获得令人满意的印刷图像。
在单倍体组织 - 特异性基因的强烈纯化选择支持掩盖理论
掩盖理论指出，单倍体阶段表达的基因将在更有效的选择下。在con trast中，选择在二倍体阶段表达的基因中的效率较低，在二倍体阶段，隐性有害或有益突变的适应性可能以杂合形式隐藏。这种差异可以在流动性中几个进化过程，例如维持遗传变异，适应率和遗传负荷。掩盖理论期望已在单细胞单倍体和二倍体生物中得到证实。然而，在多细胞生物（例如植物）中，单倍体选择的作用并不明确。在植物中，已经使用血管中的雄性单倍体组织进行了大量选择的研究。因此，这些系统中的证据与性选择和种内竞争的影响相混淆。其他植物群的证据很少，结果没有对掩盖理论的支持。在这里，我们使用了裸子苏格兰松树巨型植物学，母体衍生的种子单倍体组织和四个二倍体Tis SU来测试在具有组织特异性表达的一组基因上纯化选择的强度。通过使用这些基因的靶向重新定位数据，我们获得了遗传多样性，0倍和4倍位点的位点频谱的估计值，并推断了单倍体组织和二倍体组织 - 特异性基因中新突变的适应性效应的分布。我们的结果表明，在单倍体巨脂组织组织中表达的组织特异性基因纯化选择更强，并且这种强选择的信号不是由高表达水平驱动的伪像。
病毒防护口罩功能性过滤材料的开发
在大流行期间佩戴口罩是防止病毒相关传染病传播的重要保护措施。然而，通过接触口罩间接传播病毒的风险是人们最早担心的问题之一。通过在口罩的纺织结构上补充病毒防护涂层，可以最大限度地减少这一问题。因此，在这一概念中，应评估制造病毒防护过滤介质的合适技术。在本研究中，无纺布聚酰胺 6 (PA6) 过滤材料用带负电荷的线性聚甘油硫酸盐 (LPGS) 作为病毒结合官能团进行功能化。研究了两种涂层条件，其中直接与 LPGS 共价涂覆已成为最佳涂层方法，对 PA6 纳米纤维结构没有损坏。未涂层的 PA6 和 LPGS 涂层的 PA6 过滤材料对空气传播的猫冠状病毒的病毒颗粒过滤效率分别为 95% 和 94%，对空气传播的马疱疹病毒 1 (EHV-1) 的病毒颗粒过滤效率分别为 98% 和 86%。然而，溶液中的 SARS-CoV-2 吸收试验表明，当与 LPGS 涂层 PA6 滤料一起孵育一小时时，LPGS 涂层可将病毒滴度降低高达 71%。因此，未涂层的 PA6 材料不会出现这种效果。这些发现证实了 LPGS 涂层适合作为抑制不同流行病中病毒传播的合适平台。