TW202329042A - 三維建模方法、三維建模系統和非暫態電腦可讀取儲存媒體 - Google Patents

三維建模方法、三維建模系統和非暫態電腦可讀取儲存媒體 Download PDF

Info

Publication number
TW202329042A
TW202329042A TW111141112A TW111141112A TW202329042A TW 202329042 A TW202329042 A TW 202329042A TW 111141112 A TW111141112 A TW 111141112A TW 111141112 A TW111141112 A TW 111141112A TW 202329042 A TW202329042 A TW 202329042A
Authority
TW
Taiwan
Prior art keywords
data
grid
generating
distribution curve
dimensional
Prior art date
Application number
TW111141112A
Other languages
English (en)
Inventor
明相勳
張元翼
鄭椙旭
崔在銘
Original Assignee
南韓商三星電子股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 南韓商三星電子股份有限公司 filed Critical 南韓商三星電子股份有限公司
Publication of TW202329042A publication Critical patent/TW202329042A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computer Graphics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

一種三維（3D）建模方法包括：獲得表示三維結構的幾何資料及包括確定三維結構的屬性的因素的輸入參數；自幾何資料產生網格資料；自網格資料中依序產生至少一條下採樣資料；對輸入參數進行預處理來產生三維特徵圖；以及基於分別對應於至少一個階段的至少一個機器學習模型，自所述至少一條下採樣網格資料及三維特徵圖產生屬性分佈曲線資料，所述屬性分佈曲線資料表示三維結構中的屬性的分佈曲線。

Description

三維建模方法、三維建模系統和非暫態電腦可讀取記錄媒體
在本文中闡述的發明概念是有關於三維建模，且更具體而言，是有關於三維結構的建模方法及系統。 [相關申請案的交叉參考] 本申請案基於2021年11月02日在韓國智慧財產局提出申請的韓國專利申請案第10-2021-0149022號並主張其優先權，所述韓國專利申請案的揭露內容全文併入本案供參考。
基於三維結構進行模擬可能會導致高成本。舉例而言，在模擬在半導體製程中的條件下形成的元件的屬性或者模擬預定環境中的元件的狀態時，可能需要用於實行各種物理解釋的高計算資源，並且可能需要長時間來完成模擬。此外，由於模擬器的效能或各種因素，模擬結果的精度可能會降低。
在本文中闡述的發明概念提供一種以低成本及高精度對三維結構進行建模的方法及系統。
根據本揭露的態樣，一種三維建模（（three-dimensional，3D）建模）方法包括：獲得表示三維結構的幾何資料及包括確定三維結構的屬性的因素的輸入參數；自幾何資料產生網格資料；自網格資料中依序產生至少一條下採樣資料；藉由對輸入參數進行預處理來產生三維特徵圖；以及基於分別對應於至少一個階段的至少一個機器學習模型，自所述至少一條下採樣網格資料及三維特徵圖產生屬性分佈曲線資料，所述屬性分佈曲線資料表示三維結構中的屬性的分佈曲線。
根據本揭露的另一態樣，一種三維建模（3D建模）方法包括：獲得表示三維結構的屬性的分佈曲線的屬性分佈曲線資料及表示三維結構的環境的輸入參數；自幾何資料產生網格資料；自網格資料依序產生至少一條下採樣資料；基於分別對應於至少一個第一階段的至少一個第一機器學習模型，自網格資料、所述至少一條下採樣資料及輸入參數產生三維特徵圖；以及藉由對三維特徵圖進行後處理來產生表示環境中的三維結構的狀態的狀態資料。
根據本揭露的另一態樣，提供一種系統，所述系統包括：至少一個處理器；以及被配置成儲存指令的非暫態儲存媒體，當所述指令由至少一個處理器執行時，所述指令允許所述至少一個處理器實行三維建模方法。
根據本揭露的另一態樣，提供一種包括指令的非暫態電腦可讀取儲存媒體，當所述指令由至少一個處理器執行時，所述指令允許所述至少一個處理器實行三維建模方法。
圖1是示出根據實施例的三維建模（3D建模）10的圖式。3D建模10可對表示3D結構的幾何資料D11及包括確定3D結構的屬性的因素的輸入參數D15進行處理。可實行3D建模10中的處理，以產生表示例如積體電路的元件等3D結構的屬性的分佈曲線的屬性分佈曲線資料D17。在本文中，摻雜濃度及藉由半導體製程形成的元件將被闡述為屬性及3D結構的實例，但實施例並非僅限於此。如圖1所示，3D建模10可包括及/或涉及內插12、下採樣14、預處理16及至少一個基於上採樣的模型18。
在一些實施例中，圖1的3D建模10可由電腦系統實行，如以下參照圖16及圖17所述。舉例而言，圖1所示塊中的每一者可對應於電腦系統中所包括的硬體、軟體或硬體與軟體的組合。硬體可包括例如中央處理單元（central processing unit，CPU）、數位訊號處理器（digital signal processor，DSP）或圖形處理單元（graphics processing unit，GPU）等可程式化組件、例如場可程式化閘陣列（field programmable gate array，FPGA）等可重新配置組件以及例如智慧財產塊（（intellectual property，IP）塊）等提供固定功能的組件中的至少一者。IP塊可包括獨特的電路，所述電路可作為智慧財產被單獨保護或可被保護。軟體可包括可由可程式化組件執行的一系列指令及可由編譯器轉換成一系列指令的代碼中的至少一者，並且可儲存在非暫態儲存媒體中。
幾何資料D11可表示用於建模或模擬的3D結構。舉例而言，幾何資料D11可為表示3D結構的資料，用於使用模擬器來模擬3D結構的屬性。如圖1所示，幾何資料D11可表示基於非均勻網格的3D結構。
內插12可自幾何資料D11產生網格資料D12。為藉由機器學習模型（例如，藉由以下闡述的至少一個基於上採樣的模型18）進行學習或推斷，提供至至少一個基於上採樣的模型18的網格資料D12可基於均勻網格。均勻網格可在元素之間具有恆定的間隔（即，在一或多個維度中及貫穿一或多個維度在相鄰交叉點之間可具有相同的間隔）。如上所述，幾何資料D11可基於非均勻網格，且因此，可對幾何資料D11的網格進行內插，由此可產生具有均勻網格的網格資料D12。在一些實施例中，網格資料D12的網格中的間隔可對應於幾何資料D11的網格中的最小間隔。此外，在一些實施例中，網格資料D12可基於笛卡爾座標系，並且可包括分別對應於X方向、Y方向及Z方向的值。以下將參照圖2A及圖2B闡述網格資料D12的實例。
在下採樣14中，可對網格資料D12進行下採樣。如下所述，自輸入參數D15產生的3D特徵圖D16可具有低解析度。因此，可將自網格資料D12產生的多條下採樣網格資料D13及D14提供至至少一個基於上採樣的模型18。在一些實施例中，可將網格資料D12提供至網路（例如，卷積神經網路）以產生所述多條下採樣網格資料D13及D14。此外，在一些實施例中，下採樣14可基於最大池化（max pooling）及平均池化（average pooling）。
輸入參數D15可包括用於確定3D結構的屬性的因素。舉例而言，輸入參數D15可包括用於確定半導體元件的摻雜分佈曲線的製程參數，並且例如可包括摻雜劑、劑量、植入傾斜度（implantation tilt）、植入能量及溫度。在一些實施例中，輸入參數D15可與提供至模擬器的參數相同。
預處理16可自輸入參數D15產生3D特徵圖。輸入參數D15可為一系列值，並且可對應於一維（one-dimensional，1D）資料。3D特徵圖D16可自輸入參數D15產生，並且與包括關於3D結構的幾何資訊的網格資料D12以及自網格資料D12產生的下採樣網格資料D13及D14一起被提供至基於上採樣的模型。以下將參照圖3來闡述預處理16的實例。
至少一個基於上採樣的模型18可接收網格資料D12、下採樣網格資料D13及D14以及3D特徵圖D16，並且可輸出屬性分佈曲線資料D17。至少一個基於上採樣的模型18中的每一者可為機器學習模型，並且可被訓練以輸出網格資料及3D特徵圖。如以下參照圖4所述，至少一個基於上採樣的模型18可包括一系列階段，並且所述階段中的每一者可包括具有相同結構的基於上採樣的模型。3D特徵圖的解析度可隨著穿過階段的操作數目的增加而逐漸增加。舉例而言，在圖1的圖示中，接收3D特徵圖D16的階段（或基於上採樣的模型）可接收由下採樣14提供的具有最低解析度的網格資料，並且最終階段可接收具有最高解析度的網格資料以及前一階段的輸出（即，3D特徵圖）。以下將參照圖4來闡述至少一個基於上採樣的模型18的實例。
舉例而言，來自下採樣14的至少一條下採樣資料可藉由經由對第一網格資料（例如，網格資料D12）進行下採樣而產生第二網格資料（例如，下採樣網格資料D13及D14）來依序產生。第一機器學習模型（例如，至少一個基於上採樣的模型18中的一者）可基於前一階段的輸出資料、第一網格資料及第二網格資料來執行。可執行第一機器學習模型來產生屬性分佈曲線資料D17。如下所述，第一機器學習模型的執行可包括序連先前第一階段的輸出資料與第一網格資料，基於序連的資料執行卷積層，對卷積層的輸出資料進行下採樣，以及基於下採樣資料及第二網格資料執行一系列殘差塊。
在本文中，機器學習模型可具有任意的可訓練結構。舉例而言，機器學習模型可包括人工神經網路、決策樹、支援向量機、貝葉斯網路及/或基因演算法。在下文中，將參照人工神經網路來闡述機器學習模型，但實施例並非僅限於此。作為非限制性實例，人工神經網路可包括卷積神經網路（convolution neural network，CNN）、具有卷積神經網路的區（region with convolution neural network，R-CNN）、區建議網路（region proposal network，RPN）、遞迴神經網路（recurrent neural network，RNN）、基於堆疊的深度神經網路（stacking-based deep neural network，S-DNN）、狀態空間動態神經網路（state-space dynamic neural network，S-SDNN）、去卷積網路、深度信念網路（deep belief network，DBN）、受限玻爾茲曼機器（restricted Boltzmann machine，RBM）、完全卷積網路、長短期記憶體（long short-term memory，LSTM）網路及分類網路。在本文中，機器學習模型可簡稱為模型。
根據實驗結果，圖1的3D建模10可產生幾乎類似於模擬器的結果（即，屬性分佈曲線資料D17），但3D建模10所花費的時間可對應於模擬器實行時間的約1/100,000。因此，可藉由使用較少的資源在相對短的時間內精確地對3D結構進行建模，而且，如以下參照圖7所闡述，屬性分佈曲線資料D17可被轉換成與模擬器相容的格式，由此可相對快速地完成基於屬性分佈曲線資料D17的模擬及/或建模。因此，可容易地完成3D結構的驗證，並且可顯著縮短包括3D結構的產品的上市時間（time-to-market，TTM）。
圖2A及圖2B是示出根據實施例的網格資料的實例的圖式。詳細而言，圖2A及圖2B示出藉由半導體製程形成的電晶體及用於限定電晶體的結構的網格來作為3D結構的實例。如以上參照圖1所述，圖2A的網格資料20a及圖2B的網格資料20b可藉由對表示3D結構的幾何資料D11進行內插來產生。在下文中，將參照圖1闡述圖2A及圖2B。
圖2A的網格資料20a及圖2B的網格資料20b中的每一者可包括對應於具有均勻間隔的網格的值。舉例而言，圖2A的網格資料20a中的網格可具有第一間隔S1，而圖2B的網格資料20b中的網格可具有第二間隔S2。圖2A的網格資料20a可表示具有第一長度L1的電晶體，而圖2A的網格資料20b可表示具有第二長度L2的電晶體，所述第二長度L2長於第一長度L1（L2＞L1）。
由以上參照圖1闡述的預處理16產生的3D特徵圖D16可具有特定的大小。因此，內插12可獨立於由幾何資料D11表示的3D結構的特定大小而產生具有特定數目網格的網格資料D12，使得提供至至少一個基於上採樣的模型18的網格資料D12具有特定大小。因此，圖2B的第二間隔S2可大於圖2A的第一間隔S1（S2＞S1）。
在一些實施例中，可考量3D結構的一部分（例如，少於整個3D結構）的屬性。舉例而言，如圖2A及圖2B所示，可考量電晶體的基板SUB中的摻雜濃度。在本文中，作為圖2A及圖2B的基板SUB，可將3D結構的需要屬性的一部分稱為感興趣區（region of interest，ROI）。在一些實施例中，內插12可將與3D結構的除ROI之外的區對應的值遮罩為特定值。舉例而言，網格資料D12中與3D結構的除ROI之外的區對應的值可在內插12中被設置為零。一種3D建模方法可包括藉由將與3D結構的除ROI之外的區對應的值設置為零而自幾何資料產生網格資料的步驟。
圖3是示出根據實施例的預處理30的圖式。如以上參照圖1所述，可對包括用於確定3D結構的屬性的因素的輸入參數D31進行預處理，並且可產生3D特徵圖D32。
在一些實施例中，預處理30可包括及/或涉及網路，並且可包括至少一個層。舉例而言，如圖3所示，預處理30可包括及/或涉及第一層L1至第m層Lm（其中m是大於1的整數），並且第一層L1至第m層Lm可對輸入參數D31或前一層的輸出進行處理。在一些實施例中，第一層L1至第m層Lm中的每一者可為完全連接層或密集層。預處理30可與圖1的至少一個基於上採樣的模型18一起進行訓練。如以上參照圖1所述，藉由對輸入參數D31進行預處理而產生的3D特徵圖D32可具有低解析度。
圖4是示出根據實施例的基於上採樣的模型的圖式。詳細而言，圖4示出圖1的至少一個基於上採樣的模型18的實例。如以上參照圖1所述，3D特徵圖D41、網格資料D42及多條下採樣網格資料D43至D45可被提供至至少一個基於上採樣的模型40，並且可自至少一個基於上採樣的模型40產生屬性分佈曲線資料D46。
參照圖4，至少一個基於上採樣的模型40可包括一系列基於上採樣的模型，所述一系列基於上採樣的模型包括第一基於上採樣的模型41、第二基於上採樣的模型42及第三基於上採樣的模型43，並且第一基於上採樣的模型41、第二基於上採樣的模型42及第三基於上採樣的模型43中的每一者可具有相同的結構。舉例而言，第一階段的第一基於上採樣的模型41可接收3D特徵圖D41及網格資料D43，並且可接收自網格資料D43下採樣的網格資料D42。第二階段的第二基於上採樣的模型42可接收自第一階段的第一基於上採樣的模型41輸出的網格資料D44及3D特徵圖，並且可接收自網格資料D44下採樣的網格資料D43。最後階段的第三基於上採樣的模型43可接收自前一階段的基於上採樣的模型輸出的網格資料D45及3D特徵圖，並且可接收自網格資料D45下採樣的網格資料。由最後階段的第三基於上採樣的模型43接收的網格資料D45可具有最高解析度，並且可與藉由圖1的內插12自幾何資料D11產生的網格資料D12對應。
每一階段中的基於上採樣的模型（例如，41）可基於具有相對較低解析度的網格資料D42及具有相對較高解析度的網格資料D43而輸出解析度較輸入3D特徵圖（例如，D41）的解析度高的3D特徵圖。因此，表示3D結構的屬性分佈曲線的屬性分佈曲線資料D46可自3D特徵圖D41中產生，所述3D特徵圖D41是藉由使用一系列基於上採樣的模型對圖1的輸入參數D15進行預處理而產生的。如以下參照圖5所述，基於上採樣的模型可包括至少一個殘差塊RB。因此，基於上採樣的模型中所包括的至少一個殘差塊RB可被稱為基於上採樣的殘差塊RB。
圖5是示出根據實施例的基於上採樣的模型50的圖式。詳細而言，圖5示出圖4的至少一個基於上採樣的模型40中所包括的多個階段中的第i階段中所包括的基於上採樣的模型50（其中i是大於0的整數）。如以上參照圖4所述，基於上採樣的模型50可接收具有較低解析度的3D特徵圖X i、具有較低解析度的網格資料D52及具有較高解析度的網格資料D51，並且可輸出具有較高解析度的3D特徵圖X i+1。
在下文中，具有較低解析度的3D特徵圖X i可被稱為輸入特徵圖X i，而具有較高解析度的3D特徵圖X i+1可被稱為輸出特徵圖X i+1。此外，具有較高解析度的網格資料D51可被稱為第一網格資料D51，而具有較低解析度的網格資料D52可被稱為第二網格資料D52。輸入特徵圖X i可為藉由對輸入參數D15進行預處理而產生的3D特徵圖（例如，圖4的D41）、或者自前一階段輸出的特徵圖。此外，輸出特徵圖X i+1可為屬性分佈曲線資料（例如，圖4的D46）或提供至下一階段的特徵圖。
參照圖5，基於上採樣的模型50可包括序連51、卷積53、上採樣55及一系列殘差塊57及59。在序連51中，輸入特徵圖X i的值可與第二網格資料D52的值序連。如以上參照圖1及圖4所述，第二網格資料D52可自第一網格資料D51下採樣，以具有與輸入特徵圖X i的解析度相同的解析度，且因此，輸入特徵圖X i可與第二網格資料D52序連。
序連51的結果可被提供至卷積53（或卷積層），且卷積53的結果可被提供至上採樣55（或上採樣層）。可基於任意方案來實行上採樣55，並且舉例而言，可將值複製至添加的網格。因此，上採樣55的結果可具有較輸入特徵圖X i及第二網格資料D52中的每一者的解析度高的解析度。上採樣55的結果可被提供至一系列殘差塊57及59。深度學習中由深度網路引起的高複雜性可能需要大量資源，並且網路的深度可能與網路的效能不成比例。為解決此問題，可使用殘差學習（residual learning）。殘差學習可指示將低解析度資料添加至高解析度資料，並且學習兩條資料之間的差值。舉例而言，在論文「用於影像識別的深度殘差學習（Deep Residual Learning for Image Recognition）」中提出的殘差網路（ResNet）中，可將網路劃分為多個殘差塊，以便更穩定地訓練深度網路，並且所述多個殘差塊可藉由跳躍連接（skip connection）而彼此連接，且因此，濾波器參數可被更容易地最佳化。如圖5所示，殘差塊57及59中的每一者可接收第一網格資料D51以及前一殘差塊的輸出。以下將參照圖6來闡述殘差塊57及59中的每一者的實例。
作為上述基於圖4及圖5的實施例的實例性實施方式，第一基於上採樣的模型41可屬於第一階段，第二基於上採樣的模型42可屬於第二階段，且第三基於上採樣的模型43可屬於第三也是最後階段。執行第一機器學習模型（例如，第二階段的第二基於上採樣的模型42）可包括序連第一階段的輸出資料與第二網格資料D52。在該些實施例中執行第一機器學習模型亦可包括基於序連的資料執行卷積層（或卷積53），藉由上採樣55對卷積層（或卷積53）的輸出資料進行上採樣，以及基於上採樣資料及第一網格資料執行一系列殘差塊57及59。
圖6是示出根據實施例的殘差塊60的圖式。如以上參照圖5所述，基於上採樣的模型可包括一系列殘差塊，並且在一些實施例中，所述殘差塊中的每一者可具有與圖6的殘差塊60相同的結構。在下文中，將參照圖5來闡述圖6。
參照圖6，殘差塊60可接收輸入Y j及網格資料D60，並且可產生輸出Y j+1。輸入Y j可為前一殘差塊的輸出或者圖5的上採樣55的輸出。輸出Y j+1可被提供至下一殘差塊，或者可為包括殘差塊60的基於上採樣的模型50的輸出X i+1。如圖6所示，殘差塊60可包括第一序連61、第二序連63及第三序連65、第一卷積62、第二卷積64及第三卷積66以及加法器67。
在第一序連61中，可將輸入Y j的值與網格資料D60的值序連，並且可將第一序連61的結果提供至第一卷積62。在一些實施例中，第一卷積62中的濾波器可具有1×1的大小，並且第一卷積62可包括與第三卷積66中所包括的濾波器數目的1/4對應的濾波器。在一些實施例中，如圖6所示，可將第一卷積62的結果正規化及激活，並且可將正規化及激活的結果提供至第二序連63。
在第二序連63中，可將第一卷積62的結果與網格資料D60的值序連，並且可將第二序連63的結果提供至第二卷積64。在一些實施例中，第二卷積64中的濾波器可具有3×3的大小，並且第二卷積64可包括與第三卷積66中所包括的濾波器數目的1/4對應的濾波器。在一些實施例中，如圖6所示，可將第二卷積64的結果正規化及激活，並且可將正規化及激活的結果提供至第三序連65。
在第三序連65中，可將第二卷積64的結果與網格資料D60的值序連，並且可將第三序連65的結果提供至第三卷積66。在一些實施例中，第三卷積66可包括多個濾波器，並且所述多個濾波器中的每一者可具有1×1的大小。在一些實施例中，如圖6所示，可將第三卷積66的結果正規化及激活，並且可將正規化及激活的結果提供至加法器67。
加法器67可將輸入Y j與第三卷積66的輸出相加。在一些實施例中，如圖6所示，加法器67的結果可被正規化及激活，並且正規化及激活的結果可被產生作為輸出Y j+1。
圖7是示出根據實施例的三維建模的圖式。詳細而言，圖7示出藉由對由圖1的3D建模產生的屬性分佈曲線資料D71進行處理來產生與模擬器相容的屬性分佈曲線資料D73的操作。在下文中，由3D建模產生的屬性分佈曲線資料D71可被稱為第一分佈曲線資料D71，而與模擬器相容的屬性分佈曲線資料D73可被稱為第二分佈曲線資料D73。
如以上參照圖1所述，可自表示3D結構的幾何資料D72產生具有均勻網格的網格資料D12。表示3D結構的屬性的分佈曲線資料可用於基於條件來模擬3D結構的狀態或對3D結構的狀態進行建模。為此，分佈曲線資料可能需要具有模擬器所需的格式，並且例如可能需要具有與幾何資料D72的網格相同的網格。因此，基於幾何資料D72，可將在內插70中具有均勻網格的第一分佈曲線資料D71轉換成具有與幾何資料D72的網格相同的網格的第二分佈曲線資料D73。在一些實施例中，當第一分佈曲線資料D71的網格對應於幾何資料D72的最小網格時，可在內插70中實行下採樣。因此，圖1的3D建模可代替模擬3D結構的屬性的模擬器，且因此，驗證3D結構的狀態及屬性的成本可顯著降低。
圖8是示出根據實施例的3D建模80的圖式。3D建模80可對表示3D結構的屬性的屬性分佈曲線資料D81及包括確定3D結構的狀態的因素的輸入參數D85進行處理，以產生表示3D結構的屬性的狀態的狀態資料D87及狀態分佈曲線資料D88。如圖8所示，3D建模80可包括內插81、下採樣83、至少一個基於下採樣的模型85、後處理87及至少一個基於上採樣的模型89。在下文中，在闡述圖8時，對與圖1的說明相同的說明不再予以贅述。
在一些實施例中，圖8的3D建模80可由如下參照圖16及圖17所述的電腦系統來實行。舉例而言，圖8所示塊中的每一者可對應於電腦系統中所包括的硬體、軟體或硬體與軟體的組合。硬體可包括例如CPU、DSP或GPU等可程式化組件、例如FPGA等可重新配置組件以及例如IP塊等提供固定功能的組件中的至少一者。軟體可包括可由可程式化組件執行的一系列指令及可由編譯器轉換成一系列指令的代碼中的至少一者，並且可儲存在非暫態儲存媒體中。
屬性分佈曲線資料D81可以三維方式表示3D結構的屬性。舉例而言，屬性分佈曲線資料D81可如以上參照圖7所述由圖1的3D建模10及內插70產生，或者可由模擬3D結構的屬性的模擬器產生。如圖8所示，屬性分佈曲線資料D81可基於非均勻網格以三維方式表示屬性。
內插81可自屬性分佈曲線資料D81產生網格資料D82。提供至至少一個基於下採樣的模型85的網格資料D82可基於均勻網格，以便由以下闡述的至少一個基於下採樣的模型85學習或推斷。如上所述，屬性分佈曲線資料D81可基於非均勻網格。因此，可對屬性分佈曲線資料D81的網格進行內插，由此可產生具有均勻網格的網格資料D82。與僅具有對應於座標的值的圖1的網格資料D12不同，圖8的網格資料D82除了對應於座標的值之外還可包括表示對應座標中的屬性的值。
在下採樣83中，可對網格資料D82進行下採樣。如下所述，在至少一個基於下採樣的模型85中產生的3D特徵圖D86可具有低解析度。因此，自網格資料D82下採樣的多條網格資料D83及D84可被提供至至少一個基於下採樣的模型85。在一些實施例中，網格資料D82可穿過網路（例如，CNN）來產生下採樣網格資料D83及D84。此外，在一些實施例中，可基於最大池化、平均池化等來實行下採樣83。
輸入參數D85可包括用於確定3D結構的狀態的因素。舉例而言，輸入參數D85可包括表示3D結構的環境的參數，例如各自提供至半導體元件的電壓及溫度。在一些實施例中，輸入參數D85可與提供至模擬器的參數相同。當屬性分佈曲線資料D81表示電晶體的摻雜分佈曲線並且輸入參數D85表示施加至電晶體的電壓時，狀態資料D87可表示電流特性（例如，電壓-電流曲線圖），並且狀態分佈曲線資料D88可表示電晶體中的電子及/或電洞的密度。
至少一個基於下採樣的模型85可接收網格資料D82、下採樣網格資料D83及D84以及輸入參數D85，並且可輸出3D特徵圖D16。至少一個基於下採樣的模型85中的每一者可為機器學習模型，並且可被訓練以輸出網格資料及3D特徵圖。如以上參照圖9所述，至少一個基於下採樣的模型85可包括一系列階段，並且所述階段中的每一者可包括具有相同結構的基於下採樣的模型。3D特徵圖的解析度可隨著穿過階段的操作數目的增加而逐漸降低。以下將參照圖9來闡述至少一個基於下採樣的模型85的實例。
基於後處理87，可自3D特徵圖D86產生狀態資料D87。狀態資料D86可表示在對應於輸入參數D85的條件下具有屬性分佈曲線資料D81的屬性的3D結構的狀態。以下將參照圖11來闡述後處理87的實例。
至少一個基於上採樣的模型89可自3D特徵圖D86輸出狀態分佈曲線資料D88。舉例而言，至少一個基於上採樣的模型89可具有與圖4的至少一個基於上採樣的模型40的結構相同的結構，且此外，可接收網格資料D82及下採樣網格資料D83及D84以及3D特徵圖D86。3D特徵圖D86可包括表示預定條件下的3D結構的狀態的資訊。基於網格資料，至少一個基於上採樣的模型89可逐漸增加3D特徵圖D86的解析度，以產生狀態分佈曲線資料D88。
與模擬器相比，圖1的3D建模10及圖8的3D建模10可提供各種優點。舉例而言，3D建模10及3D建模80可能會帶來較模擬器的成本低的成本（例如，資源及時間）。3D建模10及3D建模80可基於低成本容易地驗證拐角條件下的3D結構，且因此，可容易地偵測出由3D結構引起的缺陷。此外，模擬器可能無法計算結果，但3D建模10及3D建模80總能輸出結果。此外，3D建模10及3D建模80可使用與模擬器相容的輸入及輸出，並且可提供精確的結果。
圖9是示出根據實施例的基於下採樣的模型的圖式。詳細而言，圖9示出圖8的至少一個基於下採樣的模型85的實例。如以上參照圖8所述，輸入參數D91、網格資料D92及多條下採樣網格資料D93至D95可被提供至圖9的至少一個基於下採樣的模型90，並且可自至少一個基於下採樣的模型90產生3D特徵圖D96。
參照圖9，至少一個基於下採樣的模型90可包括一系列基於下採樣的模型，所述一系列基於下採樣的模型包括第一基於下採樣的模型91、第二基於下採樣的模型92及第三基於下採樣的模型93，並且第一基於下採樣的模型91、第二基於下採樣的模型92及第三基於下採樣的模型93中的每一者都可具有相同的結構。舉例而言，第一階段的第一基於下採樣的模型91可接收輸入參數D91及網格資料D92，並且可接收自網格資料D92下採樣的網格資料D93。在第一階段中接收的網格資料D92可具有最高的解析度，並且可對應於藉由圖8的內插自屬性分佈曲線資料D81產生的網格資料D82。第二階段的第二基於下採樣的模型92可接收自第一階段的第一基於下採樣的模型91輸出的網格資料D93及3D特徵圖，並且可接收自網格資料D93下採樣的網格資料D94。最後階段的第三基於下採樣的模型93可接收自前一階段的基於下採樣的模型輸出的網格資料D95及3D特徵圖。
每一階段中基於下採樣的模型（例如，第一基於下採樣的模型91）可基於具有較高解析度的網格資料D92及具有較低解析度的網格資料D93而輸出解析度較輸入資料（例如，D91）的解析度高的3D特徵圖。因此，表示來自輸入參數D91的3D結構的狀態的3D特徵圖D96可藉由一系列基於下採樣的模型來產生。如以下參照圖10所述，基於下採樣的模型可包括至少一個殘差塊RB。因此，基於下採樣的模型中所包括的至少一個殘差塊RB可被稱為基於下採樣的殘差塊RB。
圖10是示出根據實施例的基於下採樣的模型100的圖式。詳細而言，圖10示出圖9的至少一個基於下採樣的模型90中所包括的多個階段中的第k階段中所包括的基於下採樣的模型100（其中k是大於0的整數）。如以上參照圖9所述，基於下採樣的模型100可接收具有較高解析度的3D特徵圖Z k、具有較高解析度的網格資料D101及具有較低解析度的網格資料D102，並且可輸出具有較低解析度的3D特徵圖Z k+1。
在下文中，具有較高解析度的3D特徵圖Z k可被稱為輸入特徵圖Z k，而具有較低解析度的3D特徵圖Z k+1可被稱為輸出特徵圖Z k+1。此外，具有較高解析度的網格資料D101可被稱為第一網格資料D101，而具有較低解析度的網格資料D102可被稱為第二網格資料D102。參照圖10，基於下採樣的模型100可包括序連101、卷積103、下採樣105及一系列殘差塊107及109。
在序連101中，可將輸入特徵圖Z k的值與第一網格資料D101的值序連。當在第一階段中包括基於下採樣的模型100時，輸入特徵圖Z k可為1D輸入參數D91，並且可分別將輸入參數D91的值與第一網格資料D101的值序連。
可將序連101的結果提供至卷積103（或卷積層），並且可將卷積103的結果提供至下採樣105（或下採樣層）。下採樣105可基於任意方案來實行，並且例如可基於最大池化、平均池化及（卷積）神經網路。因此，下採樣105的結果可具有較輸入特徵圖Z k及第一網格資料D101中的每一者的解析度低的解析度。
可將下採樣105的結果提供至所述一系列殘差塊107及109。如圖10所示，殘差塊107及109中的每一者可接收第二網格資料D102以及前一殘差塊的輸出。在一些實施例中，殘差塊107及109中的每一者可具有與以上參照圖6闡述的殘差塊60的結構相同的結構。
圖11是示出根據實施例的後處理的圖式。如以上參照圖8所述，可藉由後處理110自3D特徵圖D111中產生狀態資料D112。如圖11所示，後處理110可包括展平111及網路112。
3D特徵圖D111可包括關於3D結構的狀態的資訊，並且可藉由展平111被轉換成1D資料，以便被提供至網路112。網路112可包括第一層L1至第n層Ln（其中n是大於1的整數），並且第一層L1至第n層Ln可對展平化的資料或前一層的輸出進行處理。在一些實施例中，第一層L1至第n層Ln中的每一者可為完全連接層或密集層。網路112可與圖8的至少一個基於下採樣的模型85一起進行訓練。如以上參照圖8所述，狀態資料D112可表示預定條件下的3D結構的狀態（例如，電流的特性）。
圖12A、圖12B及圖12C是示出根據實施例的三維建模的實例的流程圖。詳細而言，圖12A、圖12B及圖12C的流程圖分別示出半導體元件的建模方法的實例作為3D建模的實例。
在一些實施例中，3D建模可代替用於模擬半導體元件的模擬器。舉例而言，圖1的3D建模10可代替用於根據半導體製程條件而模擬半導體元件的摻雜分佈曲線的製程模擬器，並且圖8的3D建模80可代替用於根據摻雜分佈曲線及分配至半導體元件的條件而模擬半導體元件的狀態的元件模擬器。在此情形中，圖1的3D建模10可被稱為製程建模，而圖8的3D建模80可被稱為元件建模。
參照圖12A，可由3D建模來代替製程模擬器及元件模擬器兩者。舉例而言，可向製程建模S121a提供製程條件D121a，並且製程建模S121a可基於表示半導體元件的幾何資料而產生摻雜分佈曲線D122a。可將摻雜分佈曲線D122a提供至元件建模S122a，並且元件建模S122a可基於分配至半導體元件的電壓而產生電壓-電流曲線D123a及電子/電洞濃度分佈曲線D124a。
參照圖12B，可由3D建模來代替製程模擬器。舉例而言，可將製程條件D121b提供至製程建模S121b，並且製程建模121b可基於表示半導體元件的幾何資料來產生摻雜分佈曲線D122b。可將摻雜分佈曲線D122b提供至元件模擬S122b，並且元件模擬S122b可基於分配至半導體元件的電壓而產生電壓-電流曲線D123b及電子/電洞濃度分佈曲線D124b。
參照圖12C，可由3D建模來代替製程模擬器。舉例而言，可將製程條件D121c提供至製程模擬S121c，並且製程模擬S121c可基於表示半導體元件的幾何資料而產生摻雜分佈曲線D122c。可將摻雜分佈曲線D122c提供至元件建模S122c，並且元件建模S122c可基於分配至半導體元件的電壓而產生電壓-電流曲線D123c及電子/電洞濃度分佈曲線D124c。
圖13是示出根據實施例的三維建模方法的流程圖。詳細而言，圖13的流程圖示出產生3D結構的屬性分佈曲線的3D建模方法。如圖13所示，3D建模方法可包括操作S110至S150。在下文中，將參照圖1來闡述圖13。
參照圖13，在操作S110中，可獲得幾何資料D11及輸入參數D15。幾何資料D11可表示3D結構，且輸入參數D15可包括用於確定3D結構的屬性的因素。在一些實施例中，幾何資料D11及輸入參數D15可由模擬器產生，或者可與模擬器的輸入相同。
在操作S120中，可產生網格資料D12。為基於深度學習而實行3D建模，可自幾何資料D11產生具有均勻網格的網格資料D12。在一些實施例中，網格資料D12可具有與幾何資料D11的網格的最小間隔對應的網格，並且可藉由對幾何資料D11的網格進行內插來產生。
在操作S130中，可對網格資料D12進行下採樣。如下所述自輸入參數D15產生的3D特徵圖D16可具有低解析度。因此，可對具有高解析度的網格資料D12進行漸進下採樣，由此可產生多條下採樣網格資料。
在操作S140中，可產生3D特徵圖D16。為與3D網格資料一起被提供至機器學習模型，1D輸入參數D15可被預處理，並且因此可產生3D特徵圖D16。
在操作S150中，可產生屬性分佈曲線資料D17。舉例而言，可將在操作S120中產生的網格資料D12、在操作S130中產生的下採樣網格資料及在操作S140中產生的3D特徵圖D16提供至至少一個基於上採樣的模型18。至少一個基於上採樣的模型18可處於以下狀態：在所述狀態中，至少一個基於上採樣的模型18已經被訓練以輸出對應於3D特徵圖及網格資料的屬性分佈曲線資料，並且可輸出表示3D結構的屬性的屬性分佈曲線資料D17。
在操作S160中，可對屬性分佈曲線資料D17進行內插。在操作S150中產生的屬性分佈曲線資料D17可具有與在操作S120中產生的網格資料D12的網格相同的網格。對於與模擬器相容的屬性分佈曲線而言，可基於幾何資料D11對屬性分佈曲線資料D17進行內插以具有與幾何資料D11的網格相同的網格。
圖14是示出根據實施例的3D建模方法的流程圖。詳細而言，圖14的流程圖示出用於產生3D結構的狀態的3D建模方法。如圖14所示，3D建模方法可包括操作S210至操作S260。在下文中，將參照圖8來闡述圖14。
參照圖14，在操作S210中，可獲得屬性分佈曲線資料D81及輸入參數D85。屬性分佈曲線資料D81可表示3D結構的屬性，且輸入參數D85可表示3D結構的環境。在一些實施例中，屬性分佈曲線資料D81可由圖13的3D建模方法或模擬器產生。
在操作S220中，可產生網格資料D82。為基於深度學習進行3D建模，可自屬性分佈曲線資料D81產生具有均勻網格的網格資料D82。在一些實施例中，網格資料D82可具有與屬性分佈曲線資料D81的網格的最小間隔對應的網格，並且可藉由對屬性分佈曲線資料D81的網格進行內插來產生。
在操作S230中，可對網格資料D82進行下採樣。為產生下述具有低解析度的3D特徵圖D86，可對具有高解析度的網格資料D82進行下採樣，且因此可產生多條下採樣網格資料。
在操作S240中，可產生3D特徵圖D86。舉例而言，可將輸入參數D85、在操作S220中產生的網格資料D82及在操作S230中產生的下採樣網格資料提供至至少一個基於下採樣的模型85。至少一個基於下採樣的模型85可處於以下狀態：在所述狀態中，至少一個基於下採樣的模型85已經被訓練以輸出對應於輸入參數D85的3D特徵圖D86及網格資料，並且可輸出表示3D結構的屬性的3D特徵圖D86。
在操作S250中，可產生狀態資料D87。舉例而言，在操作S240中產生的3D特徵圖D86可被後處理，且因此可產生狀態資料D87。在一些實施例中，3D特徵圖D86可被展平為1D資料，並且展平的資料可穿過一系列完全連接層，且因此可產生狀態資料D87。
在操作S260中，可產生狀態分佈曲線資料D88。狀態分佈曲線資料D88可以三維方式表示3D結構的狀態。因此，可將在操作S240中產生的3D特徵圖D86提供至至少一個基於下採樣的模型85。至少一個基於下採樣的模型85可基於3D特徵圖D86及網格資料而產生具有高解析度的狀態分佈曲線資料D88。在一些實施例中，可基於具有非均勻網格的屬性分佈曲線資料D210對狀態分佈曲線資料D88進行內插以具有非均勻網格，且因此可產生與模擬器相容的狀態分佈曲線資料。
圖15是示出根據實施例的三維建模方法的流程圖。詳細而言，圖15的流程圖示出在3D建模中使用的機器學習模型的訓練方法。在一些實施例中，圖15的方法可用於訓練以上參照附圖闡述的任意機器學習模型。如圖15所示，3D建模方法可包括操作S320至操作S340。
參照圖15，在操作S15中，可基於平均值及變異數來計算損耗函數。在一些實施例中，在3D建模中使用的模型可被訓練成符合特定分佈。舉例而言，基於蒙特卡羅（Monte Carlo，MC）的模擬器的輸出可符合高斯分佈（Gaussian distribution），並且在模型的訓練中使用的損耗函數f(x)可如在以下[方程式1]中所示進行定義： [方程式1]
在[方程式1]中，x可表示3D建模的輸出，u(x)可表示3D建模的輸出的平均值，σ 2(x)可表示3D建模的輸出的變異數，且y可表示訓練資料（例如，模擬器的輸出）。因此，包括使用如在[方程式1]中定義的損耗函數訓練的機器學習模型的3D建模的輸出可符合高斯分佈。
在操作S340中，可將與和除ROI之外的區對應的資料相關聯的損耗函數設置為零。舉例而言，如以上參照圖2A及圖2B所述，在3D結構中可能存在考量屬性或狀態的一部分（例如，ROI），並且可將對應於除ROI之外的區的損耗函數的值設置為零，使得除ROI之外的區不影響訓練。舉例而言，如以上參照圖2A及圖2B所述，在對應於除ROI之外的區的值被遮罩為零的情形中，當[方程式1]中的y為零時，損耗函數f(x)可無論x如何皆被設置為零。
圖16是示出根據實施例的電腦系統160的方塊圖。在一些實施例中，圖16的電腦系統160可實行對在以上參照附圖闡述的3D建模中使用的機器學習模型的訓練，並且可被稱為3D建模系統或訓練系統。
電腦系統160可表示包括通用或專用電腦系統在內的任意系統。舉例而言，電腦系統160可包括個人電腦（personal computer，PC）、伺服器電腦、膝上型電腦及電器產品。如圖16所示，電腦系統160可包括至少一個處理器161、記憶體162、儲存系統163、網路配接器164、輸入/輸出介面165（I/O介面）及顯示器166。
至少一個處理器161可執行包括可由電腦系統執行的指令的程式模組。程式模組可包括實行特定操作或實施特定抽象資料格式的常式、程式、對象、組件、邏輯及資料結構。記憶體162可包括揮發性記憶體類型的電腦系統可讀取媒體，例如隨機存取記憶體（random access memory，RAM）。至少一個處理器161可存取記憶體162，並且可執行加載至記憶體162中的指令。儲存系統163可非揮發性地儲存資訊，並且在一些實施例中，可包括至少一個程式產品，所述至少一個程式產品包括被配置成實行機器學習模型的訓練以進行以上參照附圖闡述的3D建模的程式模組。在非限制性實施例中，程式可包括作業系統（operating system，OS）、至少一個應用程式、其他程式模組及其他程式資料。
網路配接器164可提供對區域網路（local area network，LAN）、廣域網路（wide area network，WAN）及/或公用網路（例如，網際網路）的存取。I/O介面165可提供與例如鍵盤、定點元件或音訊系統等周邊元件對應的通訊通道。顯示器166可輸出多條各種資訊，以便使用者檢查資訊。
在一些實施例中，以上參照附圖闡述的用於3D建模的機器學習模型的訓練可利用電腦程式產品來實施。電腦程式產品可包括非暫態電腦可讀取媒體（或儲存媒體），所述非暫態電腦可讀取媒體（或儲存媒體）包括用於允許至少一個處理器161實行影像處理及/或模型訓練的電腦可讀取程式指令。在非限制性實施例中，電腦可讀取指令可包括組合程式指令、指令集架構（instruction set architecture，ISA）指令、機器指令、機器相關指令、微代碼、韌體指令、狀態設置資料、或者以至少一種程式化語言編寫的源代碼或目標代碼。電腦可讀取媒體被定義為構成專利適格標的（patentable subject matter）的任何媒體，並且不包括不構成專利適格標的的任何媒體。在本文中闡述的記憶體更一般而言為用於儲存資料及可執行軟體指令的有形儲存媒體，並且在軟體指令儲存在其中的時間期間是非暫態的。在本文中所使用的用語「非暫態」不應被解釋為狀態的永恆特性，而應被解釋為將持續一段時間的狀態特性。用語「非暫態」特別否認短暫的特性，例如在任何時間任何地點皆僅暫時存在的載波或訊號或其他形式的特性。
電腦可讀取媒體可包括用於非臨時性地保存及儲存由至少一個處理器161或任意指令可執行元件執行的指令的任意類型的媒體。電腦可讀取媒體可包括電子儲存元件、磁性儲存元件、光學儲存元件、電磁儲存元件、半導體儲存元件或其任意組合，但並非僅限於此。舉例而言，電腦可讀取媒體可包括可攜式電腦磁片（portable computer disk）、硬碟、RAM、唯讀記憶體（read-only memory，ROM）、電子可抹除唯讀記憶體（electrically erasable read only memory，EEPROM）、快閃記憶體、靜態RAM（static RAM，SRAM）、光碟（compact disk，CD）、數位光碟（digital video disk，DVD）、記憶棒、軟碟、例如打孔卡片等機械編碼元件或其任意組合。
圖17是示出根據實施例的系統170的方塊圖。在一些實施例中，根據實施例的3D建模可由系統170執行。因此，系統170可具有低複雜度，並且可快速產生精確的結果。
參照圖17，系統170可包括至少一個處理器171、記憶體173、人工智慧加速器175（（artificial intelligence，AI）加速器）及硬體加速器177，並且至少一個處理器171、記憶體173、AI加速器175及硬體加速器177可經由匯流排179相互通訊。在一些實施例中，至少一個處理器171、記憶體173、AI加速器175及硬體加速器177可被包括在一個半導體晶片中。此外，在一些實施例中，至少一個處理器171、記憶體173、AI加速器175及硬體加速器177中的至少二者可被包括在安裝在板上的二或更多個半導體晶片中的每一者中。
至少一個處理器171可執行指令。舉例而言，至少一個處理器171可執行儲存在記憶體173中的指令以執行OS，並且可執行在OS中執行的應用。在一些實施例中，至少一個處理器171可執行指令，且因此，AI加速器175及/或硬體加速器177可指示操作，並且可自AI加速器175及/或硬體加速器177獲得操作的效能結果。在一些實施例中，至少一個處理器171可包括為特定目的客製的特殊應用指令集處理器（application specific instruction set processor，ASIP），並且可支援專用指令集。
記憶體173可具有儲存資料的任意結構。舉例而言，記憶體173可包括例如動態RAM（dynamic RAM，DRAM）或SRAM等揮發性記憶體元件，且此外可包括例如快閃記憶體或電阻式RAM（resistive RAM，RRAM）等非揮發性記憶體元件。至少一個處理器171、AI加速器175及硬體加速器177可經由匯流排179將資料（例如，圖2中的IN、IMG_I、IMG_O及OUT）儲存在記憶體173中，或者可自記憶體173讀取資料（例如，圖2中的IN、IMG_I、IMG_O及OUT）。
AI加速器175可表示為AI應用設計的硬體。在一些實施例中，AI加速器175可包括用於實施神經形態結構的神經處理單元（neural processing unit，NPU），且此外可處理自至少一個處理器171及/或硬體加速器177提供的輸入資料以產生輸出資料，並且可將輸出資料提供至至少一個處理器171及/或硬體加速器177。在一些實施例中，AI加速器175可為可程式化的，並且可由至少一個處理器171及/或硬體加速器177程式化。
硬體加速器177可被稱為被設計用於以高速實行特定操作的硬體。舉例而言，硬體加速器177可被設計成以高速實行例如解調、調變、編碼或解碼等資料轉換。硬體加速器177可為可程式化的，並且可由至少一個處理器171及/或AI加速器175程式化。
在一些實施例中，AI加速器175可執行以上參照附圖闡述的機器學習模型。舉例而言，AI加速器175可執行上述層中的每一者。AI加速器175可處理輸入參數、特徵圖等，以產生包括有用資訊的輸出。此外，在一些實施例中，由AI加速器175執行的至少一些模型可由至少一個處理器171及/或硬體加速器177執行。
儘管已參照本發明概念的實施例具體示出並闡述了在本文中所述的發明概念，但應理解，在不背離以下申請專利範圍的精神及範圍的情況下，可在形式及細節上作出各種改變。
10、80：三維建模（3D建模） 12、70、81：內插 14、83、105：下採樣 16、30：預處理 18、40、50、89：基於上採樣的模型 20a、20b、D12、D42、D60、D82、D92：網格資料 41：第一基於上採樣的模型/基於上採樣的模型 42：第二基於上採樣的模型 43：第三基於上採樣的模型 51、101：序連 53、103：卷積 55：上採樣 57、59、60、107、109：殘差塊 61：第一序連 62：第一卷積 63：第二序連 64：第二卷積 65：第三序連 66：第三卷積 67：加法器 85、90、100：基於下採樣的模型 87、110：後處理 91：第一基於下採樣的模型 92：第二基於下採樣的模型 93：第三基於下採樣的模型 111：展平 112：網路 160：電腦系統 161、171：處理器 162、173：記憶體 163：儲存系統 164：網路配接器 165：輸入/輸出（I/O）介面 166：顯示器 170：系統 175：AI加速器 177：硬體加速器 179：匯流排 D11、D72：幾何資料 D13、D14：下採樣網格資料 D15、D31、D85、D91：輸入參數 D16、D32、D41、D96、D111：3D特徵圖 D17、D46、D81：屬性分佈曲線資料 D43、D44、D45、D83、D84、D93、D94、D95：下採樣網格資料/網格資料 D51、D101：第一網格資料/網格資料 D52、D102：第二網格資料/網格資料 D71：第一分佈曲線資料/屬性分佈曲線資料 D73：第二分佈曲線資料/屬性分佈曲線資料 D86：3D特徵圖/狀態資料 D87、D112：狀態資料 D88：狀態分佈曲線資料 D121a、D121b、D121c：製程條件 D122a、D122b、D122c：摻雜分佈曲線 D123a、D123b、D123c： 電壓-電流曲線 D124a、D124b、D124c：電子/電洞濃度分佈曲線 L1：第一長度 L2：第二長度 L1、L2～Lm：第一層、第二層～第m層 L1、L2～Ln：第一層、第二層～第n層 S1：第一間隔 S2：第二間隔 S110、S120、S130、S140、S150、S160、S210、S220、S230、S240、S250、S260、S320、S340：操作 S121a、S121b：製程建模 S121c：製程模擬 S122a、S122c：元件建模 S122b：元件模擬 SUB：基板 X i、Z k：3D特徵圖/輸入特徵圖 X i+1：3D特徵圖/輸出特徵圖/輸出 Z k+1：3D特徵圖/輸出特徵圖 Y j：輸入 Y j+1：輸出
結合附圖閱讀以下詳細說明，將更清楚地理解本揭露的實施例，在附圖中： 圖1是示出根據實施例的三維建模的圖式。 圖2A及圖2B是示出根據實施例的網格資料的實例的圖式。 圖3是示出根據實施例的預處理的圖式。 圖4是示出根據實施例的基於上採樣的模型的圖式。 圖5是示出根據實施例的基於上採樣的模型的圖式。 圖6是示出根據實施例的殘差塊的圖式。 圖7是示出根據實施例的三維建模的圖式。 圖8是示出根據實施例的三維建模的圖式。 圖9是示出根據實施例的基於下採樣的模型的圖式。 圖10是示出根據實施例的基於下採樣的模型的圖式。 圖11是示出根據實施例的後處理的圖式。 圖12A、圖12B及圖12C是示出根據實施例的三維建模的實例的流程圖。 圖13是示出根據實施例的三維建模方法的流程圖。 圖14是示出根據實施例的三維建模方法的流程圖。 圖15是示出根據實施例的三維建模方法的流程圖。 圖16是示出根據實施例的電腦系統的方塊圖。 圖17是示出根據實施例的系統的方塊圖。
S110、S120、S130、S140、S150、S160:操作

Claims (20)

  1. 一種三維建模（3D建模）方法，所述方法包括： 獲得表示三維結構的幾何資料及包括確定所述三維結構的屬性的因素的輸入參數； 由電腦系統自所述幾何資料產生網格資料，所述電腦系統包括儲存指令的記憶體及執行所述指令的處理器； 自所述網格資料中依序產生至少一條下採樣資料； 藉由對所述輸入參數進行預處理來產生三維特徵圖；以及 基於分別對應於至少一個階段的至少一個機器學習模型，自所述至少一條下採樣資料及所述三維特徵圖產生屬性分佈曲線資料，所述屬性分佈曲線資料表示所述三維結構中的所述屬性的分佈曲線。
  2. 如請求項1所述的三維建模方法，其中產生所述網格資料包括對所述幾何資料的網格進行內插以具有恆定間隔。
  3. 如請求項2所述的三維建模方法，其中所述恆定間隔對應於所述幾何資料的所述網格中的最小間隔。
  4. 如請求項1所述的三維建模方法，其中產生所述網格資料包括將與所述三維結構的除感興趣區之外的區對應的值設置為零。
  5. 如請求項1所述的三維建模方法，其中依序產生所述至少一條下採樣資料包括藉由對第一網格資料進行下採樣來產生第二網格資料，且 產生所述屬性分佈曲線資料包括： 基於前一階段的輸出資料、所述第一網格資料及所述第二網格資料來執行第一機器學習模型；以及 將所述第一機器學習模型的輸出資料提供至下一階段。
  6. 如請求項5所述的三維建模方法，其中執行所述第一機器學習模型包括： 序連所述前一階段的所述輸出資料與所述第二網格資料； 基於序連的資料執行卷積層； 對所述卷積層的輸出資料進行上採樣；以及 基於上採樣資料及所述第一網格資料執行一系列殘差塊。
  7. 如請求項6所述的三維建模方法，其中執行所述一系列殘差塊包括執行第一殘差塊，並且 執行所述第一殘差塊包括： 藉由序連所述前一階段的所述輸出資料與所述第一網格資料來產生第一資料； 基於所述第一資料來執行第一卷積層； 藉由序連所述第一卷積層的輸出資料與所述第一網格資料來產生第二資料； 基於所述第二資料來執行第二卷積層； 藉由序連所述第二卷積層的輸出資料與所述第一網格資料來產生第三資料； 基於所述第三資料來執行第三卷積層；以及 將所述前一階段的所述輸出資料與所述第三卷積層的輸出資料相加。
  8. 如請求項1所述的三維建模方法，更包括基於損耗函數來訓練所述至少一個機器學習模型， 其中所述損耗函數是基於所述屬性分佈曲線資料的平均值及變異數。
  9. 如請求項8所述的三維建模方法，其中訓練所述至少一個機器學習模型包括將與和所述三維結構的除感興趣區之外的區對應的資料相關聯的所述損耗函數設置為零。
  10. 如請求項1所述的三維建模方法，其中所述三維結構對應於積體電路的元件， 所述輸入參數包括在製造所述積體電路中使用的製程參數，並且 所述屬性分佈曲線資料表示所述元件中的摻雜分佈曲線。
  11. 如請求項1所述的三維建模方法，更包括藉由對所述屬性分佈曲線資料的網格進行內插來產生與所述幾何資料的網格對應的分佈曲線資料。
  12. 一種三維建模系統，包括： 至少一個處理器；以及 非暫態儲存媒體，被配置成儲存指令，其中當由所述至少一個處理器執行時，所述指令使得所述系統： 獲得表示三維結構的幾何資料及包括確定所述三維結構的屬性的因素的輸入參數； 自所述幾何資料產生網格資料； 自所述網格資料中依序產生至少一條下採樣資料； 藉由對所述輸入參數進行預處理來產生三維特徵圖；以及 基於分別對應於至少一個階段的至少一個機器學習模型，自所述至少一條下採樣資料及所述三維特徵圖產生屬性分佈曲線資料，所述屬性分佈曲線資料表示所述三維結構中的所述屬性的分佈曲線。
  13. 一種包括指令的非暫態電腦可讀取儲存媒體，當所述指令由至少一個處理器執行時，所述指令允許所述至少一個處理器實行如請求項1所述的三維建模方法。
  14. 一種三維建模（3D建模）方法，所述方法包括： 獲得表示三維結構的屬性的分佈曲線的屬性分佈曲線資料及表示所述三維結構的環境的輸入參數； 由電腦系統自所述屬性分佈曲線資料產生網格資料，所述電腦系統包括儲存指令的記憶體及執行所述指令的處理器； 自所述網格資料中依序產生至少一條下採樣資料； 基於分別對應於至少一個第一階段的至少一個第一機器學習模型，自所述網格資料、所述至少一條下採樣資料及所述輸入參數產生三維特徵圖；以及 藉由對所述三維特徵圖進行後處理來產生表示所述環境中的所述三維結構的狀態的狀態資料。
  15. 如請求項14所述的三維建模方法，其中依序產生所述至少一條下採樣資料包括藉由對第一網格資料進行下採樣而產生第二網格資料，以及 產生所述三維特徵圖包括： 基於先前第一階段的輸出資料、所述第一網格資料及所述第二網格資料來執行所述至少一個第一機器學習模型中的一者；以及 將所述至少一個第一機器學習模型中的所述一者的輸出資料提供至下一第一階段。
  16. 如請求項15所述的三維建模方法，其中執行所述至少一個第一機器學習模型中的所述一者包括： 序連所述先前第一階段的所述輸出資料與所述第一網格資料； 基於序連的資料執行卷積層； 對所述卷積層的輸出資料進行下採樣；以及 基於下採樣資料及所述第二網格資料執行一系列殘差塊。
  17. 如請求項14所述的三維建模方法，其中所述三維結構對應於積體電路的元件， 所述屬性分佈曲線資料表示所述元件中的摻雜分佈曲線， 所述輸入參數表示施加至所述元件的電壓，且 所述狀態資料表示所述元件的電壓及電流特性。
  18. 如請求項14所述的三維建模方法，更包括基於分別對應於至少一個第二階段的至少一個第二機器學習模型，自所述至少一條下採樣資料及所述三維特徵圖產生表示所述三維結構的狀態的分佈曲線的狀態分佈曲線資料。
  19. 如請求項18所述的三維建模方法，其中依序產生所述至少一條下採樣資料包括藉由對第一網格資料進行下採樣來產生第二網格資料，且 產生所述狀態分佈曲線資料包括： 基於先前第二階段的輸出資料、所述第一網格資料及所述第二網格資料來執行所述至少一個第二機器學習模型中的一者；以及 將所述至少一個第二機器學習模型中的所述一者的輸出資料提供至下一第二階段。
  20. 如請求項18所述的三維建模方法，其中所述三維結構對應於積體電路的元件， 所述屬性分佈曲線資料表示所述元件中的摻雜分佈曲線， 所述輸入參數表示施加至所述元件的電壓，且 所述狀態分佈曲線資料表示所述元件中的電洞及/或電子分佈曲線。
TW111141112A 2021-11-02 2022-10-28 三維建模方法、三維建模系統和非暫態電腦可讀取儲存媒體 TW202329042A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210149022A KR20230063688A (ko) 2021-11-02 2021-11-02 3차원 모델링을 위한 방법 및 시스템
KR10-2021-0149022 2021-11-02

Publications (1)

Publication Number Publication Date
TW202329042A true TW202329042A (zh) 2023-07-16

Family

ID=83996799

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111141112A TW202329042A (zh) 2021-11-02 2022-10-28 三維建模方法、三維建模系統和非暫態電腦可讀取儲存媒體

Country Status (5)

Country Link
US (1) US20230136021A1 (zh)
EP (1) EP4174713A1 (zh)
KR (1) KR20230063688A (zh)
CN (1) CN116071516A (zh)
TW (1) TW202329042A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI819989B (zh) * 2023-05-17 2023-10-21 台達電子工業股份有限公司 三維物件的建模裝置及建模方法
CN118172648B (zh) * 2024-05-14 2024-07-23 江西农业大学 一种基于双向曲形状态空间模型的手网格重建系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3441819A1 (en) * 2017-08-07 2019-02-13 ASML Netherlands B.V. Computational metrology
US11693386B2 (en) * 2019-08-27 2023-07-04 Samsung Eleotronics Co., Ltd. Method and electronic device for guiding semiconductor manufacturing process
CN113536661B (zh) * 2021-06-15 2022-12-13 西安电子科技大学 基于神经网络的tfet器件结构优化和性能预测方法

Also Published As

Publication number Publication date
US20230136021A1 (en) 2023-05-04
EP4174713A1 (en) 2023-05-03
KR20230063688A (ko) 2023-05-09
CN116071516A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
Yu et al. Pu-net: Point cloud upsampling network
TW202329042A (zh) 三維建模方法、三維建模系統和非暫態電腦可讀取儲存媒體
JP7246392B2 (ja) ニューラルネットワークの関数サブネットワークの同時トレーニング
CN108073981B (zh) 处理卷积神经网络的方法和设备
JP6657137B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN107977414B (zh) 基于深度学习的图像风格迁移方法及其系统
US20210081798A1 (en) Neural network method and apparatus
JP7291670B2 (ja) 推論方法、推論プログラム、モデル生成方法、モデル生成プログラム、推論装置及び学習装置
JP2018173890A (ja) 情報処理装置、情報処理方法、及びプログラム
WO2019161218A1 (en) System and method for multi-material mesh generation from fill-fraction voxel data
US11954755B2 (en) Image processing device and operation method thereof
KR101853237B1 (ko) 딥 러닝을 이용한 3차원 기하 디노이징 방법 및 그 장치
US11928768B2 (en) Ordering of patch selection in tessellation operations
Rios et al. Scalability of learning tasks on 3D CAE models using point cloud autoencoders
CN113490955A (zh) 用于产生金字塔层的架构的系统和方法
JP6831307B2 (ja) 解算出装置、解算出方法及び解算出プログラム
CN117593619B (zh) 图像处理方法、装置、电子设备及存储介质
CN112949656B (zh) 水下地形匹配定位方法、设备及计算机存储介质
US11931964B2 (en) 3D printing computer application 3D printing using the same
KR20230112437A (ko) 산포 기반 레이아웃 시뮬레이션 및 검증을 위한 방법 및 시스템
Payne Leveraging Latent Fields for Accurately Attributing Model Behavior
Julius Developing a process for automating UV mapping and polygon reduction
CN118691869A (zh) 对象检测中不平衡数据的实例感知重复因子采样方法
TW202405688A (zh) 半導體裝置模擬系統、模擬半導體裝置的方法以及電腦系統
US9223927B2 (en) Modeling system, method of modeling semiconductor device, computer-readable recording medium comprising program for performing the method