XiaoMi-AI文件搜索系统
World File Search SystemMask
纳米电子的低成本阴影面具制造
摘要：我们提出了两种用于制造阴影面罩的方法，以将电极蒸发到纳米材料上。在第一个中，我们将商业纤维激光雕刻系统的使用与容易获得的铝箔结合在一起。此方法适用于制造50 µm线宽度和最小特征分离为20 µm的阴影面具，并且使用它来创建具有复杂图案的口罩非常简单。在第二种方法中，我们使用市售的乙烯基切割机对乙烯基模具面膜进行图案，然后使用玻璃纤维来定义电极之间的分离。使用这种方法，我们实现了分隔15 µm的良好的固定电极，但是与基于激光的电极相比，该技术在创建复杂的掩码方面的用途较小。我们通过基于MOS 2制造场效应晶体管设备来证明这些技术的潜力。我们的方法是一种具有高分辨率和准确性的阴影面膜的经济高效且易于访问的方法，使其可用于更广泛的实验室。
面罩下胡须覆盖的功效在紧密拟合一次性呼吸器的定量拟合测试中
•在2020年，Covid-19的大流行改变了医疗人员提供治疗和保护自己的方式。紧身的一次性呼吸器（例如N95，FFP2，KN95）在用于医疗保健工人的空中疾病的呼吸保护计划中起着重要作用。这些呼吸器的最佳使用取决于用用户的皮肤形成紧密的密封。在气溶胶生成环境中运营的医疗保健工人必须经历并通过定性或定量拟合测试。•众所周知，这些呼吸器可以在用户脸上获得适当的密封件是障碍。在全球范围内，很大一部分男性偶尔留着胡须。此外，出于宗教，医学和文化原因，由于定性和定量拟合测试的失败，有些人无法佩戴紧身的一次性呼吸器。•一项2020年的研究描述了一种“面罩的胡须盖”替代方案，可让面部头发的个体穿着紧身的呼吸器1。此技术被称为“ singh-thatta”方法，从而将带或表带放在用户脸的下巴和脸颊上，并绑在头顶。然后将紧身呼吸器放在其顶部。•本次审查旨在审查文献，以确定是否可以使用面罩下胡须覆盖物来提高紧密拟合一次性呼吸器的定量拟合测试的功效。
开发病毒保护口罩的功能过滤材料
大流行期间戴着口罩是针对病毒相关的传染病传播的重要保护措施。然而，通过处理口罩间接传播病毒的风险是最早的关注点之一。可以通过用病毒保护涂层补充口罩的纺织结构来最小化此问题。因此，在这个概念中，应评估用于制造病毒保护过滤培养基的合适技术。在这项研究中，非织造聚酰胺6（PA6）过滤材料用负电荷的线性聚甘油硫酸盐（LPG）作为病毒结合官能团进行功能化。研究了两个涂层条件，其中与LPG的直接共价涂层成为最佳涂料方法，没有显示对PA6纳米纤维结构的损坏。未涂层的PA6和LPGS涂层的PA6过滤材料分别显示出空气中的猫科罗尼病毒的病毒颗粒过滤率为95％和94％，对空气中的猫科罗尼亚病毒，分别为98％和86％，分别为空源性马疱疹病毒1（EHV-1）。然而，溶液中的SARS-COV-2吸收测定法表明，与lpgs涂层的PA6滤光片培养基孵育一小时时，LPGS涂层将病毒滴度降低了71％。因此，对于未涂层的PA6材料，没有看到这种效果。这些发现确认LPG涂层的适用性是抑制不同大流行病病毒传播的合适平台。
使用 Mask R-CNN 的头盔检测系统
我们已经看到了这些信息，所以我们决定为这个项目做出贡献。为了公共安全，需要一个可以检测到路上没有戴头盔的人的自动头盔识别系统。这种类型的系统将帮助官员判断谁戴了头盔，并对犯错的两轮车用户处以罚款。在这个项目中，我们将使用 mask RCNN，但首先让我们了解一下 faster R-CNN 的工作原理。它们分为两个阶段。阶段 1：它由两个网络和区域提议网络组成。我们必须一次提供一个输入来获得一组区域提议，区域提议是特征图中包含对象的区域。阶段 2：在第二阶段，网络预测阶段 1 中获得的每个提议区域的边界框和对象类。每个提议区域可以有不同的大小，而网络中的全连接层始终需要固定大小的向量来做出预测。这些提议区域的大小是通过使用 Rol pool 或 RoIAlign 方法来固定的。
掩模几何形状变化对等离子蚀刻轮廓的影响
1 维也纳技术大学微电子研究所 Christian Doppler 半导体器件和传感器多尺度过程建模实验室，Gußhausstraße 27-29/E360, 1040 Vienna, 奥地利；bobinac@iue.tuwien.ac.at (JB)；reiter@iue.tuwien.ac.at (TR) 2 维也纳技术大学微电子研究所，Gußhausstraße 27-29/E360, 1040 Vienna, 奥地利；piso@iue.tuwien.ac.at (JP)；klemenschits@iue.tuwien.ac.at (XK) 3 Global TCAD Solutions GmbH，Bösendorferstraße 1, Stiege 1, Top12, 1010 Vienna, 奥地利；o.baumgartner@globaltcad.com (OB)； z.stanojevic@globaltcad.com (ZS)；g.strof@globaltcad.com (GS)；m.karner@globaltcad.com (MK) * 通信地址：filipovic@iue.tuwien.ac.at；电话：+43-1-58801-36036 † 本文是我们发表在 2022 年 9 月 21 日至 23 日在希腊科孚岛举行的第四届微电子器件和技术国际会议 (MicDAT) 论文集上的论文的扩展版本。
启用了蒙版优化的GPU级别集
摘要 - 由于高级集成电路的特征大小不断收缩，因此分辨率增强技术（RET）被利用来改善光刻过程中的可打印性。光学接近校正（OPC）是旨在补偿面罩以生成更精确的晶圆图像的最广泛使用的RET之一。在本文中，我们提出了一种基于级别的OPC方法，具有高面膜优化质量和快速收敛。为了抑制光刻过程中条件爆发的干扰，我们会提供一个新的过程窗口感知的成本函数。然后，采用了一种新颖的基于动量的进化技术，该技术取得了重大改进。我们还提出了一种自适应共轭梯度方法，该方法有望具有更高的优化稳定性和更少的消耗时间。此外，图形过程（GPU）被利用用于加速所提出的算法。我们将输出掩码从机器学习基于掩码优化流中作为输入和工作作为重新定位掩码的后过程。ICCAD 2013基准测试的实验结果表明，我们的算法在解决方案质量和运行时开销中均优于以前的所有OPC算法。
启用了蒙版优化的GPU级别集
摘要 - 由于高级集成电路的特征大小不断收缩，因此分辨率增强技术（RET）被利用来改善光刻过程中的可打印性。光学接近校正（OPC）是旨在补偿面罩以生成更精确的晶圆图像的最广泛使用的RET之一。在本文中，我们提出了一种基于级别的OPC方法，具有高面膜优化质量和快速收敛。为了抑制光刻过程中条件爆发的干扰，我们会提供一个新的过程窗口感知的成本函数。然后，采用了一种新颖的基于动量的进化技术，该技术取得了重大改进。我们还提出了一种自适应共轭梯度方法，该方法有望具有更高的优化稳定性和更少的消耗时间。此外，图形过程（GPU）被利用用于加速所提出的算法。我们将输出掩码从机器学习基于掩码优化流中作为输入和工作作为重新定位掩码的后过程。ICCAD 2013基准测试的实验结果表明，我们的算法在解决方案质量和运行时开销中均优于以前的所有OPC算法。
通过 MHP（戴口罩、洗手）进行健康促进策略...
本研究的目的是确定健康促进策略与 MHP 活动（戴口罩、洗手和保持身体距离）之间的关系。本研究的设计是横断面研究。人口包括 2020 年 12 月之后的生产年龄（15-59 岁）人群，共计 2,738 人。样本数量为 96 名受访者，通过系统随机抽样。数据收集是通过访谈完成的。本研究的工具是问卷。使用卡方检验对数据进行统计分析，显着性水平为 5%（0.05）。统计测试结果表明，倡导（p = 0.009）、社会支持（p = 0.023）和社区赋权（p = 0.001）与 2021 年 Prajawinangun Wetan 村的 MHP 活动有显著关系。可以通过由卫生工作者参与社区领导开展有关 MHP 活动的咨询和辅导来跟进本研究的结果，包括使用口罩、洗手、定期保持距离和进行评估，以确保继续开展 MHP 活动。关键词：倡导、社会支持、社区赋权、戴口罩、洗手、保持身体距离
自适应声音掩蔽技术算法解释
在幕后，自适应声音掩蔽系统算法非常复杂。它提供了很大的灵活性，可以避免“动态”声音掩蔽系统的许多潜在缺陷。无反馈、自平衡系统：自适应声音掩蔽技术每 15 秒进行一次调整。该算法将测量该期间的峰值噪声水平 (L10%)，并将其与背景噪声水平 (L95%) 进行比较。当这两个值之间的差距很小时，这意味着空间很安静，算法将默认使用 0.5 dB 的步长略微降低增益。当峰值和背景之间的差距增加时，这意味着空间中的活动更多，因此系统将略微增加声音掩蔽增益。几分钟后，这将倾向于增加由自然背景（活动 + 通风）和声音掩蔽组成的整体背景噪声水平。背景噪声水平 (L95%) 的增加将因此减少峰值和背景之间的差距，并且掩蔽噪声增加将停止。结果是系统不会自我反馈，在任何条件下都能自我平衡。对背景水平变化做出适当反应：适当的声音掩蔽系统应该对语音噪音做出反应，但当建筑物中的自然背景噪音水平增加时（通风增加、交通噪音增加），不应增加。为了实现这一目标，自适应声音掩蔽系统有一个“语音过滤器”，一个 200 到 3000Hz 之间的带通滤波器，用于关注人声。
MAEEG：用于脑电图表征学习的蒙版自动编码器
由于数据集较小且难以获取标签，使用机器学习从 EEG 等生物信号中解码信息一直是一项挑战。我们提出了一种基于重建的自监督学习模型，即 EEG 的掩蔽自动编码器 (MAEEG)，通过学习使用 Transformer 架构重建掩蔽的 EEG 特征来学习 EEG 表示。我们发现，当仅给出少量标签时，MAEEG 可以学习显着改善睡眠阶段分类的表示（准确率提高约 5％）。我们还发现，基于重建的 SSL 预训练期间的输入样本长度和不同的掩蔽方式对下游模型性能有很大影响。具体而言，学习重建更大比例和更集中的掩蔽信号可带来更好的睡眠分类性能。我们的研究结果深入了解了基于重建的 SSL 如何帮助 EEG 的表征学习。