A Self-Training End-to-End Mask Optimization Framework Based on Semantic Segmentation Network

光学接近校正 计算机科学 特征(语言学) 编码器 过程(计算) 卷积(计算机科学) 端到端原则 人工智能 分割 可操作性 水准点(测量) 还原(数学) 集成电路布局 架空(工程) 反向 计算机工程 模式识别(心理学) 人工神经网络 集成电路 数学 软件工程 操作系统 哲学 语言学 地理 大地测量学 几何学
作者
Hui Xu,Fuxin Tang,Qi Pan,Ye Yuan,Huaguo Liang,Zhengfeng Huang
标识
DOI:10.2139/ssrn.4452583
摘要

As the process advances and the minimum linewidth gets closer to the physical limit, inverse lithography technique (ILT) is widely used for optical proximity correction (OPC). However, the computational overhead of the ILT method is high, and the printability of the mask is poor. In response to these limitations, we proposed ERFNet-ILT, a self-training method for an end-to-end learning framework for generating optimized masks directly from layout patterns, which introduces a feature fusion module at the end of the encoder and uses dilated convolution to expand the receptive field, thereby extracting layout pattern information such as edges, vertices and corners of the layout pattern from the feature map. The framework has shorter model building time and higher mask printability. Compared with the state-of-the-art methods, experimental quantitative results show that the proposed framework achieves 2.5% squared L2Â error and 7.9% process variation band reduction within a comparable mask correction time.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
我就回来了关注了科研通微信公众号
2秒前
2秒前
ll完成签到,获得积分20
3秒前
3秒前
年轻的吐司完成签到,获得积分10
3秒前
一条猫发布了新的文献求助10
3秒前
从容飞凤完成签到,获得积分10
4秒前
Jasper应助香菜统治全世界采纳,获得10
5秒前
罗冬发布了新的文献求助10
6秒前
君临梅阿查完成签到,获得积分10
6秒前
ayu发布了新的文献求助10
8秒前
alexyusheng完成签到,获得积分20
8秒前
10秒前
JYH完成签到,获得积分20
11秒前
豪文完成签到,获得积分20
11秒前
13秒前
14秒前
紧张的皮皮虾完成签到,获得积分20
14秒前
songvv发布了新的文献求助10
15秒前
16秒前
TCXYL5114发布了新的文献求助30
18秒前
阔达书雪发布了新的文献求助10
20秒前
20秒前
汉堡包应助罗冬采纳,获得10
22秒前
大模型应助小乌龟采纳,获得10
22秒前
songvv完成签到,获得积分20
22秒前
老詹头关注了科研通微信公众号
23秒前
23秒前
24秒前
Kayla完成签到 ,获得积分10
24秒前
25秒前
27秒前
lalala发布了新的文献求助10
27秒前
Owen应助颜颜采纳,获得10
27秒前
ohh发布了新的文献求助10
28秒前
zengyan完成签到 ,获得积分10
28秒前
28秒前
28秒前
崔佳鑫完成签到 ,获得积分10
30秒前
展七发布了新的文献求助10
30秒前
高分求助中
Evolution 10000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3147946
求助须知:如何正确求助?哪些是违规求助? 2798939
关于积分的说明 7832669
捐赠科研通 2456017
什么是DOI,文献DOI怎么找? 1307045
科研通“疑难数据库(出版商)”最低求助积分说明 628043
版权声明 601620