Jul, 2022

基于卷积傅里叶神经算子和光刻指导自训练的大规模掩模优化

PDF
TL;DR本文提出了一种能够通过学习版图瓦片依赖性来实现无需传统工具干预的无缝大规模光刻版优化的卷积傅里叶神经操作器（CFNO），并通过训练机器学习模型发现了光刻引导的自学习（LGST）的可能性，实现了迭代模型和数据集更新，加快了优化速度，并优于同类学术数值版优化器。
machine learningmask optimizationconvolutional fourier neural operatorlitho-guided self-traininglarge-scale optimization
发现论文，激发创造
  • 本地卷积增强的全局傅里叶神经算子用于多尺度动态空间预测

    通过改进的傅里叶层和注意机制，我们提出了一种新颖的分层神经算子，旨在捕获所有细节并在不同尺度上处理它们，以解决多尺度偏微分方程问题。在多个物理场景中进行实验，并在现有偏微分方程基准测试中取得卓越性能，尤其是具有快速系数变化特征的方程。

    Nov, 2023

  • U-FNO – 多相流增强傅里叶神经算子深度学习模型

    U-FNO 是一种基于傅里叶神经算子的新颖神经网络结构，可用于解决在多孔介质中的多相流问题，相较于传统卷积神经网络模型和 ML 模型，U-FNO 模型在 CO2 注入问题中具有更高的准确性和数据利用率，只需三分之一的训练数据即可实现与该项目等效的准确性。

    Sep, 2021

  • 用傅里叶卷积实现稳健的高分辨率大面罩修复

    提出了一种基于快速傅里叶卷积（FFC）的图像修复网络结构的新方法 —— 大掩模修复（LaMa），该方法使用高接受场感知损失和大型训练掩模使网络具有更大的接受场，通过在各项数据集上的实验得到了优越的性能。

    Sep, 2021

  • 基于多级卷积神经网络的光学条纹图案过滤

    本文介绍了一种基于深度学习和规则化技术的光学条纹图象去噪方法，可以有效去除条纹图象中的噪声，提高提取相位场的准确性和鲁棒性。实验结果表明，该方法在去除噪声的同时，能够保留条纹图象的主要特征，速度较快，具有一定的竞争力。

    Jan, 2019

  • 多网格张量化傅里叶神经算子用于高分辨率偏微分方程

    通过引入一种新的高效数据、可高度并行化的操作符学习方法，称为多网格张量化神经算子 (MG-TFNO)，我们解决了部分微分方程 (PDEs) 的学习解算符在高分辨率下存在的内存复杂度和数据稀缺性的限制。

    Sep, 2023

  • 多支撑度傅立叶神经算子用于大规模地质碳封存快速建模

    采用多保真度傅里叶神经操作器解决大规模地质碳储存问题，并减少高真实度数据生成成本。

    Aug, 2023

  • 多尺度图像分类的新型傅里叶神经算子框架：在 3D 数字多孔介质中的应用

    使用傅里叶神经算子 (FNOs) 为基础的深度学习框架，可以处理大小不同的图像，并通过静态最大池化将 FNO 层与分类器相连接，解决了变尺寸多维数字多孔介质的图像分类问题。

    Feb, 2024

  • 自适应 Fourier 神经算子：用于 Transformer 的高效标记混合器

    介绍一种名为 AFNO 的比自我注意力机制更有效的方法，它可处理高分辨率图片。它基于操作学习的原理，将令牌混合表示为一种连续的全局卷积，具有线性内存和近似线性时间复杂度，适用于 few-shot 分割任务，优于其他效率更高的自我注意力机制。

    Nov, 2021

  • 具有局部积分和微分核的神经算子

    我们提出了一种能够捕捉局部特征的算子学习方法，通过学习具有局部支持核的微分算子和积分算子，在效果上大大改善了 Fourier 神经算子的表现。

    Feb, 2024

  • 一种采用灰狼优化的高效模式挖掘卷积神经网络（CNN）算法

    本文提出了一种基于 Convoluted Pattern of Wavelet Transform（CPWT）特征向量的 CNN 特征分析方法，通过优化 Grey Wolf Optimization（GWO）算法，对动态图像帧数据集中的特征进行分析和分类，从而实现自动化的特征分析。

    Apr, 2022