本文提出了 DevelSet 框架，它是一种 GPU 加速的、基于深度神经网络的水平集 OPC 框架，可用于金属层的光刻，相比于现有技术，在适性和运行时间方面有显著提升。

Mar, 2023

该论文提出了一种隐式学习的 ILILT 框架，利用隐式层学习方法和光刻条件输入，以获取高质量的优化掩模，从而大幅提高效率和质量。

May, 2024

本文提出 Intermediate Layer Optimization（ILO）算法，用于使用深度生成模型解决逆问题，实验表明该算法在包括图像修复、降噪、超分辨率等领域表现优于现有方法。

Feb, 2021

通过分析原因，本研究提出了一种高度可扩展的端到端流程，以实现生产就绪的机器学习计算光刻修正。

Jan, 2024

采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。

Jan, 2024

提出用于连续测量表示的新的深度学习方法 Coordinate-based Internal Learning（CoIL），其使用多层感知器（MLP）通过将测量的坐标映射到其响应来编码完整的测量场，从而生成可用于大多数图像重建方法的新的测量，并在稀疏视图计算机断层扫描中进行了验证。

Feb, 2021

本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

Nov, 2019

该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

Jul, 2018

本文提出了一种新的数据驱动方法，通过机器学习技术和物理学知识相结合，优化了 LED 阵列显微镜的编码照明模式，并将其应用于稀疏性相位重建算法，证明了该方法可以显著提高实验结果的准确性，且只需较少的训练数据。

Aug, 2018

摘要：本研究使用了 imec N14 BEOL 工艺流程以及 LELE 图案技术，在半导体设备制造中分析和控制叠加误差，研究其对电容的影响，并探索在早期阶段使用机器学习模型预测最终电容测量结果的方法。

Nov, 2023