CN117131792B - 一种钛蚀刻液及其制备方法 - Google Patents
一种钛蚀刻液及其制备方法 Download PDFInfo
- Publication number
- CN117131792B CN117131792B CN202311405337.6A CN202311405337A CN117131792B CN 117131792 B CN117131792 B CN 117131792B CN 202311405337 A CN202311405337 A CN 202311405337A CN 117131792 B CN117131792 B CN 117131792B
- Authority
- CN
- China
- Prior art keywords
- etching solution
- titanium
- transducer
- titanium etching
- transducer model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005530 etching Methods 0.000 title claims abstract description 77
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 title claims abstract description 61
- 239000010936 titanium Substances 0.000 title claims abstract description 61
- 229910052719 titanium Inorganic materials 0.000 title claims abstract description 61
- 238000002360 preparation method Methods 0.000 title abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 27
- 238000001000 micrograph Methods 0.000 claims description 12
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 claims description 10
- VLTRZXGMWDSKGL-UHFFFAOYSA-N perchloric acid Chemical compound OCl(=O)(=O)=O VLTRZXGMWDSKGL-UHFFFAOYSA-N 0.000 claims description 10
- DDFHBQSCUXNBSA-UHFFFAOYSA-N 5-(5-carboxythiophen-2-yl)thiophene-2-carboxylic acid Chemical compound S1C(C(=O)O)=CC=C1C1=CC=C(C(O)=O)S1 DDFHBQSCUXNBSA-UHFFFAOYSA-N 0.000 claims description 5
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims description 5
- GVGUFUZHNYFZLC-UHFFFAOYSA-N dodecyl benzenesulfonate;sodium Chemical compound [Na].CCCCCCCCCCCCOS(=O)(=O)C1=CC=CC=C1 GVGUFUZHNYFZLC-UHFFFAOYSA-N 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 5
- 229910017604 nitric acid Inorganic materials 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 229940080264 sodium dodecylbenzenesulfonate Drugs 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000005708 Sodium hypochlorite Substances 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- SUKJFIGYRHOWBL-UHFFFAOYSA-N sodium hypochlorite Chemical compound [Na+].Cl[O-] SUKJFIGYRHOWBL-UHFFFAOYSA-N 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000003756 stirring Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract description 4
- 238000012827 research and development Methods 0.000 abstract description 4
- 238000010998 test method Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 11
- HKBLLJHFVVWMTK-UHFFFAOYSA-N alumane;titanium Chemical compound [AlH3].[Ti].[Ti] HKBLLJHFVVWMTK-UHFFFAOYSA-N 0.000 description 8
- 239000011521 glass Substances 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 229910021389 graphene Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23F—NON-MECHANICAL REMOVAL OF METALLIC MATERIAL FROM SURFACE; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL; MULTI-STEP PROCESSES FOR SURFACE TREATMENT OF METALLIC MATERIAL INVOLVING AT LEAST ONE PROCESS PROVIDED FOR IN CLASS C23 AND AT LEAST ONE PROCESS COVERED BY SUBCLASS C21D OR C22F OR CLASS C25
- C23F1/00—Etching metallic material by chemical means
- C23F1/10—Etching compositions
- C23F1/14—Aqueous compositions
- C23F1/16—Acidic compositions
- C23F1/26—Acidic compositions for etching refractory metals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- ing And Chemical Polishing (AREA)
Abstract
本发明涉及蚀刻液技术领域，公开一种钛蚀刻液及其制备方法，通过Transformer模型快速高效地预测钛蚀刻液配方。通过训练Transformer模型，在Transformer中输入新图像，从而生成满足要求的钛蚀刻液配方。相比经验试验法，该方法大幅减少试错次数，缩短研发周期，获得稳定高效的钛蚀刻液配方。
Description
技术领域
本发明涉及蚀刻液技术领域，特别是涉及钛蚀刻液及其制备方法。
背景技术
随着半导体芯片向更小更快的方向发展，芯片制造工艺对蚀刻液的要求越来越高。传统的经验试验法开发蚀刻液配方周期长、效率低，无法满足日新月异的技术发展需求。
近年来，机器学习和深度学习技术在材料领域得到广泛应用，显示出在提高材料研发效率方面的巨大潜力。例如，在2021年发表在npj Computational Materials期刊的题为“A general and transferable deep learning framework for predicting phaseformation in materials”的研究中，Feng等人提出了一个通用的深度学习框架，可以轻松地应用于新材料的研发，特别是在处理小数据集时。2020年Structural andMultidisciplinary Optimization期刊上的“A deep learning–based method for thedesign of microstructural materials”研究利用深度学习的方法进行微观结构材料设计。Lew等在2021年npj 2D Materials and Applications发表的“Deep learning modelto predict fracture mechanisms of graphene”中成功应用深度学习方法捕捉石墨烯的断裂行为。这表明材料研发模式正在发生由经验驱动向数据与算法驱动的重要转变。
另外，在2019年MRS Communications期刊上的“Deep materials informatics：Applications of deep learning in materials science”讨论了材料数据库和深度学习的结合如何能加速新材料的发现。这为深度学习引领材料研发方向提供了理论依据。
我们研究了不同的基础模型对于不同蚀刻液的配方的影响，由于CNN和Transformer在深度学习中的特殊地位，特别是研究了这两种基础模型在配方发现过程中所起的作用，发现这两种模型框架都能取得较好的效果。在本发明中，主要是采用的是Transformer框架，其可快速高效地发现钛蚀刻液的优化配方。
发明内容
本发明借助深度学习模型Transformer提供了一种钛蚀刻液及其制备方法。并且本发明所开发的钛蚀刻液展示了对钛和铝金属层具有高度选择性和可控性的蚀刻速率，实现均匀蚀刻
本发明为实现上述目的，采取以下技术方案予以实现：
一种钛蚀刻液，通过Transformer模型预测获得，具体步骤如下：
S1 获取钛蚀刻液训练数据，包括以下步骤：
S1.1 收集已有的多种钛蚀刻液配方及其相应的扫描电子显微镜图像；
S1.2 提取配方中的组分名称、配比、扫描电子显微镜图像特征；
S1.3 利用预训练的词向量表，查找组分名称对应的词向量作为该组分名称的语义特征向量；采用卷积神经网络提取扫描电子显微镜图像的多级图像特征图，通过全局平均池化获得一个固定长度的图像特征向量；最后将所有特征拼接为一个综合的Embedding向量作为Transformer的输入。
S2 训练钛蚀刻液Transformer模型，包括以下步骤：
S2.1 定义Transformer模型的结构，并随机初始化模型的参数权重矩阵；
S2.2 在训练过程中，Transformer模型中的编码器采用自注意力机制，通过查询、键、值的计算来捕捉输入Embedding之间的关系，得到新的表示向量；
S2.3将新的表示向量输入输入所述Transformer模型的编解码器网络训练所述Transformer得到训练好的Transformer模型；
S3 利用训练好的Transformer模型预测钛蚀刻液配方，包括以下步骤：
S3.1 输入期望的钛蚀刻效果扫描电子显微镜图像；
S3.2 Transformer模型中的编码器对图像进行特征提取，解码器基于特征向量逐步生成蚀刻液组分和配比；
S3.3 最终输出预测的钛蚀刻液配方；
S4 根据预测结果，进行实验验证和优化，确定最佳钛蚀刻液配方。本发明的另一目的在于公开上述钛蚀刻液的制备方法，其特征在于，包括以下步骤：在净化空间内，依次加入纯水、双氧水 、氟化铵、硝酸、高氯酸、十二烷基苯磺酸纳 ，搅拌均匀，过滤，分装，制得成品。
相比传统经验试验法，本发明利用Transformer模型可以快速高效快速开发钛蚀刻液配方，大大缩短了研发周期，降低了研发成本，提高了研发效率。所获得的钛蚀刻液配方稳定可靠，可实现对钛金属层的均匀精确蚀刻。
附图说明
图1是本发明的实施步骤示意图；
图2是本发明实施例1制得的钛蚀刻液蚀刻钛铝钛结构玻璃（50℃下，蚀刻75秒）的扫描电子显微镜示意图；
图3是本发明实施例1制得的钛蚀刻液蚀刻钛铝钛结构玻璃（50℃下，蚀刻80秒）的扫描电子显微镜示意图；
图4是本发明实施例1制得的钛蚀刻液蚀刻钛铝钛结构玻璃（50℃下，蚀刻85秒）的扫描电子显微镜示意图。
具体实施方式
下面结合实施例对本发明作进一步的描述，如图1所示，本发明包括如下步骤：钛蚀刻液训练数据收集及处理，训练钛蚀刻液Transformer模型，根据预测结果，进行实验验证和优化，确定最佳钛蚀刻液配方，具体为：
一种钛蚀刻液，通过Transformer模型预测获得，利用训练好的Transformer模型预测钛蚀刻液配方，具体步骤如下：
S1 钛蚀刻液训练数据收集及处理，包括以下步骤：
S1.1 收集已有的多种钛蚀刻液配方及其相应的扫描电子显微镜图像；
S1.2 提取配方中的组分名称、配比、扫描电子显微镜图像特征，其一种实现方式如下：
S1.3 利用预训练的词向量表，查找组分名称对应的词向量作为该组分名称的语义特征向量；采用卷积神经网络提取扫描电子显微镜图像的多级图像特征图，通过全局平均池化获得一个固定长度的图像特征向量；最后将所有特征拼接为一个综合的Embedding向量作为Transformer的输入，其实现如下：
S2 训练钛蚀刻液Transformer模型，包括以下步骤：
S2.1 定义Transformer模型的结构，并随机初始化模型的参数权重矩阵，其实现如下：
S2.2 在训练过程中，Transformer模型中的编码器采用自注意力机制，通过查询、键、值的计算来捕捉输入Embedding之间的关系，得到新的表示向量；
S2.3将新的表示向量输入输入所述Transformer模型的编解码器网络训练所述Transformer得到训练好的Transformer模型；
实现如下：
S3 利用训练好的Transformer模型预测钛蚀刻液配方，包括以下步骤：
S3.1 输入期望的钛蚀刻效果扫描电子显微镜图像；
S3.2 Transformer模型中的编码器对图像进行特征提取，解码器基于特征向量逐步生成蚀刻液组分和配比；
S3.3 最终输出预测的钛蚀刻液配方；
其实现如下：
S4 根据预测结果，进行实验验证和优化，确定最佳钛蚀刻液配方，
包括按质量百分比计的以下组分：氟化铵： 1-3%，双氧水： 3-8%，高氯酸： 1-3%，硝酸： 2-4%，十二烷基苯磺酸纳： 0.08-0.15%，次氯酸钠： 0.1-0.5%，余量为纯水。
上述一种钛蚀刻液的制备方法，包括以下步骤：在净化空间内，依次加入纯水、双氧水、氟化铵、高氯酸、硝酸、十二烷基苯磺酸纳、次氯酸钠，均匀，过滤，分装，得到成品。
下面通过具体实施例来说明钛蚀刻液的优点，如表1所示：
表1 钛蚀刻液的配方表
如图2所示，将实施例1制得的钛蚀刻液用于蚀刻钛铝钛结构玻璃，在50℃下，蚀刻75秒，测量其角度为31.28°，CD loss 0.387μm，蚀刻后钛保持在一条直线上。
如图3所示，将实施例1制得的钛蚀刻液用于蚀刻钛铝钛结构玻璃，在50℃下，蚀刻80秒，测量其角度为29.52°，CD loss 0.829μm，蚀刻后钛在一条直线上。
如图4所示，将实施例1制得的钛蚀刻液用于蚀刻钛铝钛结构玻璃，在50℃下，蚀刻85秒，测量其角度为32.02°，CD loss 0.825μm，蚀刻后钛保持在一条直线上。
从实验结果可以看出，在50°C温度下，以75-85秒的不同蚀刻时间，使用基于Transformer深度学习模型预测得到的本申请的钛蚀刻液配方对钛铝钛三层结构的玻璃样品进行蚀刻，都能获得良好的蚀刻角度(在29-33度之间)和合理的 CD loss(0.387-0.829微米)。这说明在本申请蚀刻液的作用下，能够实现对钛铝钛金属层的均匀精确蚀刻。
特别需要强调的是，蚀刻后，钛层保持在一条直线上，无底切和侧切的情况出现。这证明本申请基于Transformer模型预测的蚀刻液配方能够很好地控制对不同金属层的蚀刻速率。同时，全过程不会对玻璃基片产生蚀刻作用，避免了对基片的损害。
综上所述，本申请的钛蚀刻液及其制备方法的优势在于：
1. 利用Transformer深度学习模型快速预测出优化蚀刻液配方；
2. 实现对多层金属的均匀精确蚀刻；
本申请方法充分利用了深度学习的优势，突破了现有技术难以有效控制多层金属蚀刻速率的局限，显示出良好的工业应用前景。
Claims (3)
1.一种钛蚀刻液，其特征在于，通过Transformer模型预测获得，具体包括如下步骤：
S1 获取钛蚀刻液训练数据，具体为：
S1.1 收集已有的多种钛蚀刻液配方及其相应的扫描电子显微镜图像；
S1.2 提取配方中的组分名称、配比、扫描电子显微镜图像特征；
S1.3 利用预训练的词向量表，查找组分名称对应的词向量作为该组分名称的语义特征向量；采用卷积神经网络提取扫描电子显微镜图像的多级图像特征图，通过全局平均池化获得一个固定长度的图像特征向量；最后将所有特征拼接为一个综合的Embedding向量作为Transformer的输入；
S2 训练钛蚀刻液Transformer模型，具体为：
S2.1 定义Transformer模型的结构，并随机初始化模型的参数权重矩阵；
S2.2 在训练过程中，Transformer模型中的编码器采用自注意力机制，通过查询、键、值的计算来捕捉输入Embedding之间的关系，得到新的表示向量；
S2.3将新的表示向量输入输入所述Transformer模型的编解码器网络训练所述Transformer得到训练好的Transformer模型；
S3 利用训练好的Transformer模型预测钛蚀刻液配方；
S4 根据预测结果，进行实验验证和优化，确定钛蚀刻液配方，其中一种配方实现均匀蚀刻，避免残留物、底部切割和侧向切割生成，包括按质量百分比计的以下组分：包括按质量百分比计的以下组分：氟化铵： 1-3%，双氧水： 3-8%，高氯酸： 1-3%，硝酸： 2-4%，十二烷基苯磺酸纳： 0.08-0.15%，次氯酸钠： 0.1-0.5%，余量为纯水。
2.根据权利要求1所述的一种钛蚀刻液，其特征在于，所述步骤S3具体为：
S3.1 输入期望的钛蚀刻效果扫描电子显微镜图像；
S3.2 Transformer模型中的编码器对图像进行特征提取，解码器基于特征向量逐步生成蚀刻液组分和配比；
S3.3 最终输出预测的钛蚀刻液配方。
3.权利要求1～2任一项所述的一种钛蚀刻液的制备方法，其特征在于，包括以下步骤：在净化空间内，依次加入纯水、双氧水 、氟化铵、硝酸、高氯酸、十二烷基苯磺酸纳 ，次氯酸钠，搅拌，过滤，分装，得到成品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311405337.6A CN117131792B (zh) | 2023-10-27 | 2023-10-27 | 一种钛蚀刻液及其制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311405337.6A CN117131792B (zh) | 2023-10-27 | 2023-10-27 | 一种钛蚀刻液及其制备方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117131792A CN117131792A (zh) | 2023-11-28 |
| CN117131792B true CN117131792B (zh) | 2024-01-26 |
Family
ID=88860440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311405337.6A Active CN117131792B (zh) | 2023-10-27 | 2023-10-27 | 一种钛蚀刻液及其制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117131792B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854615B (zh) * | 2024-03-07 | 2024-05-03 | 苏州博洋化学股份有限公司 | 一种显示面板用铜蚀刻液配方及其研制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240046A (zh) * | 2022-07-29 | 2022-10-25 | 福建天甫电子材料有限公司 | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 |
| CN116047987A (zh) * | 2023-03-31 | 2023-05-02 | 福建天甫电子材料有限公司 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
-
2023
- 2023-10-27 CN CN202311405337.6A patent/CN117131792B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240046A (zh) * | 2022-07-29 | 2022-10-25 | 福建天甫电子材料有限公司 | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 |
| CN116047987A (zh) * | 2023-03-31 | 2023-05-02 | 福建天甫电子材料有限公司 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117131792A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117131792B (zh) | 一种钛蚀刻液及其制备方法 | |
| CN112330681B (zh) | 一种基于注意力机制的轻量级网络实时语义分割方法 | |
| Rao et al. | Etching characteristics of Si {110} in 20 wt% KOH with addition of hydroxylamine for the fabrication of bulk micromachined MEMS | |
| Yuan et al. | A simple method for preparation of through-hole porous anodic alumina membrane | |
| CN109844773A (zh) | 使用卷积神经网络处理序列 | |
| WO2024021259A1 (zh) | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 | |
| CN112397155B (zh) | 一种单步逆向合成方法及系统 | |
| CN103617203A (zh) | 基于查询驱动的蛋白质-配体绑定位点预测方法 | |
| Singer et al. | Multiscale patterning of a metallic glass using sacrificial imprint lithography | |
| CN117079756B (zh) | 一种银蚀刻液及其制备方法 | |
| Xu et al. | Versatile rolling origami to fabricate functional and smart materials | |
| Ma et al. | Exploring the influence of pre/post-aging on Springback in Al-Mg-Si alloy tube bending | |
| JP5598829B2 (ja) | オゾン水を用いたパターニング方法 | |
| Tanaka et al. | Characterization of anisotropic wet etching properties of single crystal silicon: Effects of ppb-level of Cu and Pb in KOH solution | |
| Wang et al. | Utilizing VQ-VAE for end-to-end health indicator generation in predicting rolling bearing RUL | |
| CN116564099A (zh) | 一种基于特征注意力的交通流速度预测方法 | |
| Zeng et al. | Atomic-scale study on particle movement mechanism during silicon substrate cleaning using ReaxFF MD | |
| CN110737938A (zh) | 一种基于gpr的再生混凝土收缩徐变的预测方法及装置 | |
| JP2002115083A5 (zh) | ||
| CN116795934A (zh) | 一种结合类型感知注意力的少样本知识图谱补全方法 | |
| CN109183034A (zh) | 一种纯钛的金相腐蚀液及其腐蚀方法 | |
| CN112465125A (zh) | 一种基于数据高位稀疏性的神经网络量化训练方法 | |
| Gao et al. | Microstructural properties and evolution of nanoclusters in liquid Si during a rapid cooling process | |
| CN118782186A (zh) | 一种银蚀刻液及其制备方法 | |
| Wang et al. | Stress-strain curve determined from a non-uniformly deformed specimen: An application of autonomous finite element analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |