{"product_id":"semi105-ai-enhanced-microfabrication-of-printed-electronics","title":"SEMI105 AIを活用したプリンテッドエレクトロニクスの微細加工","description":"概要\u003cbr\u003e\u003cbr\u003eクリーンルームや新しいプリンテッド エレクトロニクス ツールでの製造は、多くの場合、装置、環境、材料の時間とともに変化するパラメーターの関数です。多くの場合、パラメーターには、さまざまなプロセス ステップやツール セット間で相互依存関係があります。従来は物理ベースのモデルと線形回帰が使用されてきましたが、これらでは多くの場合、根底にある変動を学習するには十分ではありません。\u003cbr\u003e \u003cbr\u003eこのコースでは、クリーンルームとプリンテッド エレクトロニクスの科学技術を、人工知能と機械学習によって実現される高度なデータ処理能力に結び付けるために必要な内容を学びます。クリーンルーム ツールは本質的に何百万もの内部変数を持つことができ、データセットから学習することができ、従来のフィードバック制御やプロセス安定化アプローチに対する強力かつ補完的なアプローチを提供します。\u003cbr\u003e\u003cbr\u003e学習モデルは、画像 (CD-SEMS、光学画像)、時刻歴データ (発光分光法)、およびテキストのプロセス情報に基づいて開発されます。クラスのサブセットには、(1) 画像データを前処理して学習ベースのモデルを作成するアプローチ、(2) モデルの検証、(3) ナノメカニカル スイッチ製造への応用、および (4) クラウド ベースの実装、データ セキュリティ、およびデータの標準化。\u003cbr\u003e\u003cbr\u003eコース概要：\u003col\u003e\n\n\u003cli\u003eはじめに – 微細加工およびプリンテッドエレクトロニクスにおける AI の必要性\u003col\u003e\n\n\u003cli\u003e微細加工: ツールの変動、プロセスの変動\u003c\/li\u003e\n\n \u003cli\u003eプリンテッド エレクトロニクス: インクジェットのバリエーション、空間バリエーション\u003c\/li\u003e\n\n\n\u003c\/ol\u003e\n\n\n\u003c\/li\u003e\n\n\u003cli\u003e製作とデータ収集\u003col\u003e\n\n\u003cli\u003e計測学\u003c\/li\u003e\n\n\u003cli\u003e製造装置データ\u003c\/li\u003e\n\n\u003cli\u003eクリーンルームデータ\u003c\/li\u003e\n\n\n\u003c\/ol\u003e\n\n\n\u003c\/li\u003e\n\n\u003cli\u003eデータと画像処理\u003col\u003e\n\n\u003cli\u003eデータの種類\u003c\/li\u003e\n\n\u003cli\u003e時間依存データ\u003c\/li\u003e\n\n\u003cli\u003e空間的に変化するデータ\u003c\/li\u003e\n\n\u003cli\u003eデータのサイズ\u003c\/li\u003e\n\n\u003cli\u003e計算能力\u003c\/li\u003e\n\n\n\u003c\/ol\u003e\n\n\n\u003c\/li\u003e\n\n\u003cli\u003eAIと機械学習のアルゴリズム\u003col\u003e\n\n\u003cli\u003e回帰\u003c\/li\u003e\n\n\u003cli\u003e二分木\u003c\/li\u003e\n\n\u003cli\u003eランダムフォレスト\u003c\/li\u003e\n\n\u003cli\u003eディープ ニューラル ネット (例: Pix2Pix を使用した画像から画像への変換)\u003c\/li\u003e\n\n\n\u003c\/ol\u003e\n\n\n\u003c\/li\u003e\n\n\u003cli\u003e実績と見通し\u003col\u003e\n\n\u003cli\u003e線幅の改善\u003c\/li\u003e\n\n\u003cli\u003eクラウドベースの実装\u003c\/li\u003e\n\n\n\u003c\/ol\u003e\n\n\n\u003c\/li\u003e\n\n\n\u003c\/ol\u003e講師について\u003cbr\u003e\u003cbr\u003eアミット・ラル \u003cbr\u003eアミット・ラルは、ニューヨーク州イサカにあるコーネル大学電気・コンピュータ工学部のロバート M. シャーフ 1977 年教授です。彼の研究は、マイクロ\/ナノ電気機械システム、物理音響および超音波、慣性センサー、生物医学 MEMS、アナログ回路設計、ソリッドステートエレクトロニクス、自律マイクロシステム用の放射性薄膜、およびナノファブリケーションにおける新しい製造アプローチとアーキテクチャをもたらしました。彼の研究の現在の焦点は、(1) チップスケールの通信、センシング、および計算のためのギガヘルツ超音波、(2) 長寿命 IoT のためのほぼゼロパワーセンサー、(3) 表面弾性波に基づく超音波慣性センサーです。\u003cbr\u003e\u003cbr\u003eピーター・C・ドーシュク \u003cbr\u003ePeter C. Doerschuk は、ニューヨーク州イサカにあるコーネル大学の電気およびコンピュータ工学部およびマイニッヒ生物医工学部の教授です。信号と画像の理解に対する彼の関心は、微細加工から生体粒子の単粒子クライオ電子顕微鏡法まで、さまざまな問題に対する新しいアルゴリズムを生み出しました。\u003cbr\u003e\u003cbr\u003eベンヤミン・ダヴァジ \u003cbr\u003eBenyamin Davaji は、コーネル大学電気コンピュータ工学部の博士研究員です。 Ben は、SonicMEMS 研究所の Amit Lal 教授と協力して、ソリッドステート音響波慣性センサー、超音波神経変調マイクロデバイス、イベント駆動センサー、および機械学習と人工知能を使用してマイクロおよびナノシステムの設計と製造を強化する方法の開発に取り組んでいます。彼は、優れたメンタリングに対して 2019 年コーネル功績賞を受賞し、2016 年にはヒルトン ヘッド カンファレンスで MEMS シャーク パブ タンク賞を受賞しました。コーネル大学に入社する前、ベンはマーケット大学のナノデバイス研究所で、チュンフン・リー教授とマイクロサーマル分析および熱マイクロ流体システムについて研究し、博士号を取得しました。電気工学の分野で。博士課程在学中に、2014 年 IEEE ラリー ハウス賞と 2014 年工学部優秀 TA 賞を受賞しました。","brand":"semi.org","offers":[{"title":"Default Title","offer_id":40234403037251,"sku":"15935","price":8100.0,"currency_code":"JPY","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0567\/3402\/3747\/files\/SEMI105a.jpg?v=1776701327","url":"https:\/\/store-dev2.semi.org\/ja-jp\/products\/semi105-ai-enhanced-microfabrication-of-printed-electronics","provider":"SEMI Dev 2","version":"1.0","type":"link"}