基于曲面隐式神经网络表示的三维反散射与光刻优化数据集

本数据集包含2023-2025年期间完成的基于曲面隐式神经网络表示的三维反散射与光刻优化研究的全部数据成果。该研究引入DeepSDF隐式神经网络表示三维曲面，将传统的形状优化问题转化为潜在向量空间中的有限维优化问题，并将散射过程与光刻成像过程统一建模，实现了三维掩模反演光刻算法。数据集按研究内容分为三个子文件夹：曲面隐式神经网络表示方法、基于曲面隐式神经网络的反散射算法、三维掩模反演光刻算法。神经网络采用8层隐藏层，ReLU激活函数，潜在向量维度256；波数k=5π，观测方向使用斐波那契晶格方法生成。数据质量控制通过优化网络训练过程、多种初始值验证和边缘放置误差(EPE)评估实现。本数据集对推进曲面表示技术在反散射问题中的应用、发展三维光刻掩模设计方法以及提高半导体制造精度具有重要价值。总数据量约84.9MB。

搜集汇总

背景与挑战

背景概述

该数据集聚焦于2023-2025年期间，利用DeepSDF隐式神经网络表示三维曲面，将形状优化转化为潜在向量空间中的有限维优化问题，并统一建模散射与光刻成像过程，实现了三维掩模反演光刻算法。数据集包含曲面隐式神经网络表示方法、反散射算法和三维掩模反演光刻算法三个部分，总数据量约84.9MB，旨在推进曲面表示技术在反散射和半导体制造精度提升中的应用。