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

本研究考虑如何解决一类通用的逆问题，通过使用深度学习等多种方法，通过随机快速生成搜索算法的方式，寻找可能的逆解空间，并通过一个新方法来得到最佳逆解。

Sep, 2020

本文探讨利用基于变分自编码器 (VAE) 的新型结构，通过将器件结构图映射到相应的电流 - 电压 (IV) 特征，来学习底层器件物理学。使用 TCAD 生成的和手绘的 MOS 器件图像以及有噪声的漏电流 - 门电压曲线 (IDVG) 进行实证演示，而且该方法可以用于紧凑建模。

Apr, 2023

高性能计算的效率提升趋于尽头，传统的 CMOS 技术面临物理极限，Miniaturization 无法继续进行；以 Ising 模型为基础的计算系统能够接近热力学极限下的能耗，同时兼具逻辑和存储功能，潜在降低 CMOS 计算中昂贵的数据迁移造成的能源成本；本文的贡献是提出一种结合深度神经网络和随机森林的机器学习方法，用于高效解决 Ising 模型中最小化误差的优化问题，并提供一种将 Boltzmann 概率优化问题转化为监督式机器学习问题的过程。

Jan, 2024

深度学习预测电磁软件计算结果是近年来广泛讨论的问题之一，本研究中，我们提出使用 ResNets-10 模型来预测等离子体元表面的 S11 参数，并通过 k 折交叉验证和小学习率进行两阶段训练，结果显示对于铝、金和银金属 - 绝缘体 - 金属等离子体元表面的预测损失分别为 - 48.45，-46.47 和 - 35.54，由于超低的误差值，该网络可在一定结构范围内替代传统的电磁计算方法进行计算，此外，该网络的训练过程少于 1,100 个 epochs，有效降低了设计过程时间，该提出的 ResNets-10 模型还可用于设计元互衍射器件和生物传感器，从而减少计算过程所需的时间，网络的超低误差表明该研究对未来人工智能电磁计算软件的发展有所贡献。

Aug, 2023

本文提出基于底层晶体管操作的方法来研究深度学习中非线性激活函数和神经网络结构对能量消耗的影响，实验证明该方法可以高度准确地预测深度学习模型的能量消耗。

May, 2022

本研究使用卷积神经网络作为快速代理来设计有机光电设备的微结构，以提高其性能。

Nov, 2018

本文提出了一种基于扩散概率理论的新型超材料反设计方法，该方法可以逐步从高斯分布中去除噪声并生成满足 S 参数条件的新型高自由度元电池，并且证明实验表明该方法在模型收敛速度、生成精度和质量方面优于 GAN 的代表性方法。

Apr, 2023

我们引入了一种机器学习方法来确定在扫描透射电子显微镜（STEM）的电子束刺激下，硅原子在单层碳原子上的过渡动力学。我们的方法是以数据为中心的，利用在 STEM 上收集的数据。处理和过滤数据样本以生成符号表示，然后使用神经网络来预测过渡概率。这些学习到的过渡动力学然后被用来引导单个硅原子在晶格上移动到预先确定的目标位置。我们提供经验证明我们方法的高效性和普适性的经验分析。

Nov, 2023

本文提出了一种将基础物理约束融入数据驱动替代电池系统的方法，通过构建 DeepONet 进行预测，建立了一个包括两个并行物理信息 DeepONets 和一个预测终端电压的 DeepONet 的混合代理，该代理具有高效和准确度以及完全可微的模型结构。

May, 2022