XiaoMi-AI文件搜索系统
World File Search System使用点
通过先进的过滤技术调节 EUV 光刻胶中的缺陷率
EUV 光刻技术是解决先进技术节点关键尺寸的主流技术，目前处于 18nm 及以下的范围内 [1]。EUVL 首次应用于制造领域，利用的是化学放大光刻胶 (CAR) [2]。在 ArF 和 ArF 浸没式光刻中，CAR 的过滤（无论是在本体还是在使用点 (POU)）已证明对减少微桥起着重要作用，主要是通过去除硬颗粒和凝胶 [3-6]。对于 ArFi，EUV 带来了新的挑战，不仅要达到所需的线条粗糙度、灵敏度和分辨率，还需要大幅减少线条塌陷、微桥和断线等缺陷。在这项研究中，它展示了利用新型 POU 过滤来调节微桥和实现卓越启动行为的能力，这两者对于实现大批量制造的 EUVL 都至关重要。在由 TEL CleanTrack LITHIUS Pro-Z 和 ASML NXE:3400B 组成的 imec EUV 集群上测试了不同的 POU 过滤器。通过测量冲洗溶剂体积与 19nm 大小的缺陷之间的函数关系来评估启动性能，结果表明可以快速达到稳定的基线。使用市售光刻胶进行的光刻实验旨在降低晶圆缺陷率，实验结果一致表明，在 16nm L/S 测试载体上，光刻胶显影后 (ADI) 和光刻胶蚀刻后 (AEI) 微桥显著减少。讨论了膜物理固有设计和新型清洁对 POU 设备的影响。关键词：EUV 光刻、微桥、POU 过滤
对能源项目竞争力指标的严格审查
CBA 成本效益分析 CCS 碳捕获与储存 CED 累计能源需求 CF 容量系数 DALY 残疾受影响寿命年 DPB 折现回报 EAPI 能源架构绩效指数 EIA 环境影响评估 EPR 能源回收率 EPTB 能源回收时间 ERO(E)I （能源）投资的能源回报率 EROI st 标准 EROI EROI pou “使用点”的 EROI EROI ext 扩展的 EROI EROC 碳回报的能源 FAHP 模糊层次分析法 GHG 温室气体 GPER 总一次能源需求 GWP 全球变暖潜能 IRR 内部收益率 KPI 关键绩效指标 LACE 平准化避免电力成本 LCA 生命周期分析 LCOE 平准化电力成本 LCOH 平准化供热成本 LCOS 平准化储存成本 MCDA 多标准决策分析 NEP 净能源百分比 NER 净能源比率 NEY 净能源产量NPV 净现值 O&M 运营与维护 OPEX 运营支出 PCA 主成分分析 R&D 研究与开发 RECAI 可再生能源国家吸引力指数 RES 可再生能源 RET 可再生能源技术 SDG 可持续发展目标 SEE 系统能源效率 SER 系统能量返还 SPB 简单回报 TLCC 总生命周期成本 TRL 技术就绪水平 WACC 加权平均资本成本
DAS 环境专家有限公司
许多工业和研究生产程序都会使用工艺气体并产生废气。这些废气有毒且/或高度易燃，通常会对生产设施和环境造成重大风险。例如，半导体行业使用全氟化碳，其全球变暖潜能值极高。将不同的气体混合并输送到工厂的中央废气系统中可能会产生高度易燃和高度爆炸的气体混合物，这在过去有时会导致整个生产设施完全损毁。气体中所含的颗粒也可能导致排气堵塞。为了消除这些风险，需要在“使用点”（POU）处理工艺废气，在那里有害废气会立即减少。在 20 世纪 90 年代初，还没有合适且全面的技术解决方案。自 1992 年以来，由 DAS Environmental Expert 开发和制造的 POU 设备已经掌握了这项任务。无论是硅烷、磷化氢还是氟利昂，DAS 设备都可以根据客户要求，安全且环保地处理芯片行业几乎所有生产步骤产生的废气。DAS 设备可用于几乎所有现代涂层和蚀刻设备。对于大多数气体，它们的效率达到 99% 以上，因此超过了 TA-Luft 规定的标准（根据德国清洁空气法规）。DAS 技术基于灵活的集成产品概念，将工艺气体供应、工艺设备和工艺废气消除结合在一个系统中。最小的设备可放入占地面积不到 1 平方米的柜子中。DAS 技术完全自动化且由传感器控制，符合最高安全标准。在废气处理领域，DAS 目前拥有 9 个注册专利系列。
BAA 呼叫 N00014-23-S-BC10 海军研究办公室特别计划公告
研究机会：“二氧化碳作为海军能源和材料来源” I。简介 本公告描述了一个名为“环境碳的作战耐久性”的技术领域，属于海军和海军陆战队科学技术长期广泛机构公告 N00014-23-S-B001，可在 https://www.nre.navy.mil/work-with-us/funding-opportunities/announcements 找到。提案的提交、提案的评估以及研究补助金和合同的安排将按照上述长期广泛机构公告中所述进行。本公告的目的是引起科学界的关注 (1) 待研究领域，(2) 促进对此领域感兴趣的人之间的对话，以及 (3) 提交白皮书和完整提案的计划时间表。II.主题描述 提议的主题将探索和利用二氧化碳 (CO 2 ) 捕获和利用技术的进步，以用于未来的海军应用。该计划将寻求白皮书和提案，以支持技术就绪水平 (TRL) 2-6 的应用研究工作。背景：ONR 正在研究未来的低碳能源和材料生产过程，包括将环境碳去除技术与燃料和材料合成技术相结合。将直接海洋和直接空气捕获能力增强为可现场技术对于未来在陆地和海上的作战实施变得越来越重要。下一代碳转化技术为作战耐力和可持续性提供了独特的解决方案。这些努力对于实现海军气候行动 2030 的“净零”碳排放目标至关重要。然而，目前的碳捕获和利用过程不具备模块化、可扩展性、尺寸、重量、占地面积、现场能力以及能源或机械效率，无法在海军使用点附近部署用于能源和材料生产。此外，当前的技术应用并不专注于生产符合或超过海军规格（如 MIL-DTL-5624W）的碳氢化合物和材料。提案旨在确定和开发简单、低资本成本、可扩展的技术，以高效利用合成方法中的所有碳来生产符合或超过 MIL-DTL-5624W 的成品合成喷气燃料，而无需与石油喷气燃料混合。
小型神经网络可以比人类更好地训练大型人工智能模型
新方法首先应用于计算机视觉领域——该团队成功提高了 3D 物体检测和识别的准确性。 AIRI 研究所和国立高等经济学院的科学家展示并通过实验证实了使用在高质量数据集上训练的小型生成模型进一步训练大型 AI 模型和解决 3D 检测问题的优势。该方法将适用于无人驾驶飞行器的开发，并将在未来更准确地确定物体的运动速度和方向、表面特性以及飞行器在空间中的定位。该文章已被最大的国际计算机视觉会议CVPR 2024接受。3D物体识别是预测和规划无人驾驶汽车路径的关键任务之一。为了解决这个问题，系统使用一组不同的读数来确定物体所在的区域（平行六面体）。然而，激光雷达等传感器并不总是提供有关深度的完整信息，因此也不能提供有关物体的 3D 位置的完整信息。在道路上，一个元素可能会被其他结构复杂的物体（例如一棵树或一辆行驶的汽车）完全或部分遮挡，这将对激光雷达的效率产生负面影响。俄罗斯科学家提出的方法证明，尽管激光雷达数据存在噪声且物体相互重叠，但可以更准确地确定物体的三维位置。在为期一年的研究过程中，该团队利用汽车行驶在城市街道上时获取的点云记录训练了一个小型生成模型。数据点是在三种情况下收集的：当物体完全在视野中时、当只有部分可见时、以及当物体被遗忘时。然后，使用点云配准 (PCR) 方法，即使基于一个小的可见片段，点云也可以与特定汽车和其他物体相关联。然后使用这个小而准确的模型（教师模型）来训练在具有许多复杂参数的噪声点云上运行的更大的神经网络（学生模型）。结果，神经网络显著提高了识别真实物体的准确性——该技术开始正确预测未来才能看到的周围物体的形状。 “我们开始与 OpenAI 的研究人员并行开展该项目，他们决定采用类似的方法处理文本，而我们的团队则专注于计算机视觉。有趣的是，这个想法本身和得到的结果对两个团队来说都证明了其价值，他们并没有直接互动就得出了类似的结论。我们看到了扩展计算机视觉方法的机会：例如，通过增加任务数量和每个模型的复杂性。是的，你可以教
SPAR3D：从单幅图像实现稳定的点感知三维物体重建
从单目图像重建3D物体是计算机视觉领域的一个基本问题。高效的重建系统能够开辟广泛的应用领域，包括增强现实、电影制作和制造业。单目3D重建也是一个复杂的逆问题：虽然可见表面可以通过阴影估计，但预测遮挡表面需要强大的3D物体先验知识。我们的领域已经在两个不同的方向上出现了分歧：前馈回归[2、10、19、24、25、27、37、53、54、59-62、65、66、69]和基于扩散的生成[6、8、9、26、29、31-35、39、46-48、68、71]。尽管在两个方向上都取得了重大进展，但每个方向都有根本的局限性。基于回归的模型在粘附图像中的可见表面方面非常有效，并且推理速度通常很快。然而，它们对图像和 3D 之间的双射映射做出了过于简单的假设。这一假设在学习目标中引入了模糊性，导致遮挡区域的表面和纹理估计不佳。另一方面，基于扩散的方法是生成性的，不能预测统计平均值。然而，在建模高分辨率 3D 时，它们在推理时的迭代采样计算效率低下。此外，[27] 等先前的研究表明，扩散生成的 3D 模型与输入图像中可见表面的对齐效果较差。我们如何才能兼顾两者的优点而又避免它们的局限性？有鉴于此，我们提出了 SPAR3D，它将 3D 重建过程分为两个阶段：点采样阶段和网格划分阶段。点采样阶段使用扩散模型生成稀疏点云，然后是网格划分阶段，将点云转换为高度详细的网格。我们的主要思想是将不确定性建模转移到点采样阶段，在此阶段，点云的低分辨率允许快速迭代采样。随后的网格划分阶段利用局部图像特征将点云转换为具有高输出保真度的详细网格。减少点云网格划分的不确定性进一步促进了逆渲染的无监督学习，从而减少了纹理中的烘焙照明。我们的两阶段设计使 SPAR3D 的性能显著优于以前的回归方法，同时保持了高计算效率和对输入观测的保真度。我们方法的一个关键设计选择是使用点云来连接两个阶段。为了确保快速重建，我们的中间表示需要轻量级，以便能够高效生成。另一方面，它应该为网格划分阶段提供足够的指导。这
测试设计摘要和蓝图：FAST Mathematics 和 BEST EOC
o 编辑任务选项 — 学生单击下拉菜单，其中包含完成方程式或表达式、语句或其他组件的选项。然后，学生从下拉菜单中选择正确的答案。对于纸质作业，此项目类型已修改；学生填写气泡以表示选择。 o 可选热文本 — 指示学生从多个选项中单击一个或多个正确答案。当学生将鼠标悬停在选项（例如短语、句子、数字或表达式）上时，文本将突出显示。这表明文本是可选的（“热”）。选项可以以各种方式呈现（例如，作为列表、嵌入文本或表格）。然后，学生可以单击一个选项来选择它。对于纸质作业，此项目类型已修改；学生填写气泡以表示选择。 o 多选 — 指示学生从多个选项中选择所有正确答案。这些项目不同于多项选择题，后者只允许学生选择一个正确答案。这些项目出现在在线评估和纸质评估中。 o 图形响应项目显示 (GRID) — 学生使用点、线或箭头工具在图形上创建响应。项目类型还可能要求学生选择数字、单词、短语或图像，并使用拖放功能将它们放入图形中。对于纸质评估，此项目类型将被另一种项目类型取代。 o 公式编辑器 — 学生根据测试项目在响应框中输入数字、变量、表达式或公式。向学生展示一个工具栏，其中包含可用于创建响应的各种数学符号。响应框可以与项目的文本分开，也可以嵌入在项目的文本中（例如，与句子对齐或嵌入在表格中）。对于纸质评估，此项目类型已修改；学生在响应框中写下响应。 o 匹配项目 — 学生勾选一个框以指示列标题中的信息是否与行中的信息匹配。每行或每列的正确答案选项数量可能有所不同。这些项目出现在在线评估和纸质评估中。o 分数模型项目——学生创建分数模型。该项目类型要么为学生提供已分成相等部分的模型，要么允许学生通过选择相等部分的数量来构建模型。如果学生构建模型，该项目可能要求学生单击 + 和 - 按钮以选择整体的数量和/或每个整体中的部分数量。然后，学生选择要着色的部分数量。对于纸质评估，此项目类型将被另一种项目类型替换。o 图形项目——学生创建图形或数字线。学生可以通过点击显示的部分内容来创建条形图、线图或直方图。学生可以通过点击网格或坐标网格来绘制点、创建方程式图形、绘制形状或构建其他响应。学生可以通过点击数轴来在数轴上绘制点，或者通过点击数轴并选择箭头来绘制不等式。对于纸质作业，此项目类型将被其他项目类型取代。