基于水平集的逆向光刻技术在深度学习框架内实现掩膜优化，显著提高印刷性能，减少计算时间，为逆向光刻领域提供了一种高效的解决方案。

Aug, 2023

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

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。

Jul, 2022

通过大型语言模型中编码的广泛世界知识，我们提出了一个反向图形的大型语言模型（IG-LLM）框架，将视觉嵌入解码为结构化的、组合的三维场景表示，从而展示了语言模型在逆向图形中的潜力，并推动了关于图像的精确空间推理的新可能性。

Apr, 2024

本文介绍了一种将归纳逻辑编程 (ILP) 技术应用于机器学习的通用方法，通过在自动工具中集成确定的解释，来实现公平招聘，并展示了对于特定问题而言，支持这种方法的表现力。

Dec, 2020

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

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

介绍了一种名为 DeeSIL 的增量学习算法，它采用深度表示的特征提取器和独立的浅层分类器来增加识别容量，可以应对有限内存和新类别增加的挑战，并在 ImageNet LSVRC 2012 数据集上取得了比现有算法更好的性能。

Aug, 2018

本文提出了一种称为增量转移学习的多站点分割框架，其中我们以端到端的序列方式从多站点数据集中学习模型，通过在每个数据集上的嵌入特征的线性组合来实现迁移，缓解了增量学习中的严重遗忘问题，适用于多站点医学图像分割。

Jun, 2022