VAE-based数据自我扩张策略可以缓解的准确性和训练数据不足之间的矛盾在ML-based半导体器件建模。
文摘:
“在电子行业,引入机器学习(ML)的技术可以提高技术的计算机辅助设计(TCAD)方法。然而,毫升模型的性能高度依赖他们的训练数据集。特别是在半导体行业,考虑到半导体器件的制造过程是复杂的和昂贵的,它是很难获得的数据集有足够的规模和质量很好。在本文中,我们提出一个策略来改善ML-based设备建模的数据self-augmentation使用变分autoencoder-based技术,最初只有少数实验数据点在哪里需要和TCAD工具并不重要。深神经网络预测任务的欧姆电阻的值在氮化镓设备作为一个例子,我们应用提出策略来增加数据点,实现减少预测的平均绝对误差实验结果70%。该方法可以很容易地修改为不同的任务,使其高利息的半导体行业一般。”
把这技术论文在这里。公布的05/2021。
王,Z。李,L。莱昂,r . C . C。& Laucht a (2021)。改善机器上优于self-augmentation半导体器件的建模数据。arXiv.org。
访问半导体工程的这里的技术论文库和发现更多的芯片行业学术论文。
留下一个回复