Canon Stepper的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

以深度學習實現製程獨立之光刻模型

為了解決Canon Stepper的問題，作者徐莙惟 這樣論述：

在先進半導體製程上，如何準確利用光刻模型描述CMOS節點為很重要的一項課題，傳統光阻模型通常使用由大數據趨勢建構出的嚴謹光阻模型。然而，因為許多製程上的變異，會導致此傳統光阻模型變得不夠精確，例如：光學系統中的像差和光阻的厚度等等。因此，在本研究中，我們使用深度學習來建立光阻模型，旨在準確預測光阻輪廓。此外，我們提出了一個獨立於製程條件的模型。此研究中，將光刻模型分成光學模型與光阻模型兩部分。使用MATLAB軟體撰寫光學模型，並藉由Hopkin演算法來模擬生成光源經過光罩後的光強分佈。我們研究了兩種深度學習的方法來模擬光阻模型，分別為卷積神經網路（CNN）與全卷積網路（FCN），並結合光學模

型中部分同調光源的光強分佈計算，目標是能夠提供精確的光刻模型。在此架構下，光場分佈為深度學習模型的輸入資料，SEM影像經處理過後的光阻輪廓為輸出資料，在優化訓練後得到模型結果。我們設計了一個週期為800奈米、半週期為400奈米的正方形孔洞斜向陣列，並使用Canon FPA-3000i5 +Stepper在8英寸矽晶圓上曝上這些圖案，其中數值孔徑(NA) = 0.63，波長= 365 nm（i-line），部分同調因子(partial coherence factor)σ= 0.8，利用SEM拍攝顯影後的影像，並使用Python圖像處理技術生成SEM影像的光阻輪廓。卷積神經網路（CNN）與全卷積

網路（FCN）是由卷積層和完全連通的密集層(類神經網路)組成的兩種深度學習架構，我們系統性地研究了它們的收斂行為以及不同結構、不同訓練數據的影響等。計算光阻的目標輪廓和預測輪廓之間的邊緣放置誤差。特定製程之光刻模型(The process specified resist model)顯示，2層卷積層、2層池化層、3層全連接層、2層dropout層的九層卷積神經網路(CNN)，平均和最大深度學習誤差指數分別為5.2nm和23.3nm，對於具有6個卷積層、4層池化層、6層反卷積層與5層上採樣層的二十一層全卷積網路(FCN)，平均和最大深度學習誤差指數分別為5.6nm和26.9nm。製程獨立之光刻

模型(The process independent resist model)結果顯示，對於具有7層卷積層、3層池化層、4層全連接層、3層dropout層的十七層卷積神經網路(CNN)，平均和最大深度學習誤差指數分別為8.6nm和54.3nm，對於4層卷積層、3層池化層、5層反卷積層與4層上採樣層的十六層全卷積網路(FCN)，平均和最大深度學習誤差指數分別為14.6nm和53.3nm。

設計開源自動化 3d 建模平台 並基於 O-CNN 方法實作三維昆蟲標本模型之分類

為了解決Canon Stepper的問題，作者黃仲誼 這樣論述：

三維昆蟲標本模型在研究上有相當大的價值，昆蟲標本的保存相當不易，光是將其三維數位化便對保存昆蟲標本有著重大的貢獻，但建立昆蟲標本三維模型對於一般研究者較為不友善，不論是造價過高的掃描設備，亦或是在前置處理昆蟲標本的耗時繁複，皆是在著手進行昆蟲標本三維化會碰到的難題。本論文將開發一個自動化的三維掃描儀，且將其開源，不僅在整體成本上將其降至大部分研究者皆能負擔的價格，且在整體平台功能及建模成效並不輸市面上販售之三維掃描儀，本研究也會將建立的標本模型整理出一個 benchmark 網頁，作為第一個免費且開源的昆蟲模型 benchmark，期望為此方面有興趣的人提供一個統一的機器學習分類研究測試集。

最後本論文以機器學習來對建立好的三維昆蟲模型做分類，在方法的選擇上本論文使用 O-CNN，此方法是根據體積像素的方法做改善，不只保留了體積像素能完整顯現三維模型特徵的優點，更大幅改善了傳統體積像素會消耗過量記憶體的缺點。本研究使用了 5 種昆蟲，每種 10 隻，由於本研究的資料集不夠豐富，因此利用 pretrain model 將分辨率從原本的 72% 上升至 93% 的分辨率。