機械学習増強効率的分光偏光解析法モデリング【JST・京大機械翻訳】

Arunachalam Ayush; Berriel S. Novia; Banerjee Parag; Basu Kanad

プレプリント

J-GLOBAL ID：202202205849506485 整理番号：22P0027170

機械学習増強効率的分光偏光解析法モデリング【JST・京大機械翻訳】

Machine Learning-enhanced Efficient Spectroscopic Ellipsometry Modeling

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月01日プレプリントサーバーでの情報更新日： 2022年02月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

近年,コンピュータビジョンからデータマイニングおよび薬物発見までの広範囲の実世界アプリケーションにおける機械学習(ML)の広範な採用がある。本論文では,効率的な膜製作,特に原子層堆積(ALD)を促進するためにMLを利用した。ALDプロセス開発の進歩のために,薄膜生成に利用され,その後,産業での採用が加速されるため,根本的な原子プロセスを理解することが必須である。この目的のために,分光エリプソメトリー(SE)のような膜成長を監視するためのin situ技術を提案した。しかし,in situ SEは複雑なハードウェアと関連し,従って資源集約的である。これらの課題に取り組むために,膜厚推定を促進するMLベースのアプローチを提案した。提案方法は,膜厚み堆積のin situモニタリングのために,より速いデータ取得,減少したハードウェア複雑性,および分光偏光解析法の容易な統合の非常に重要な意味を持つ。TiO_2のSEを含む実験結果は,提案したMLベースのアプローチが,+/-1.5nm以内で88.76%,+/-0.5nm間隔で85.14%の有望な厚さ予測精度をもたらすことを実証した。さらに,低い厚さで98%までの精度結果が得られ,これは既存のSEベース解析よりも大幅な改善であり,それによって著者らの解を超薄膜の厚み推定のための実行可能なオプションにした。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

酸化物薄膜

, , ,

前のページに戻る