在砷化镓(GaAs)集成无源器件(Integrated Passive Device, IPD)的制作工艺中,通孔刻蚀是一道重要环节。蚀刻孔边缘的GaAs会被蚀刻,由此引发崩边并对器件性能及可靠性造成不利影响。本文中,用于通孔蚀刻的GaAs厚度不小于200 m,通孔边缘没有被蚀刻的痕迹,以实现金属导线的平滑连接。采用光阻和金属来充当掩膜,有效解决了单一光阻因厚度过高而变形或者厚度薄导致GaAs衬底被蚀刻的问题。通过优化工艺,在光阻厚度为32 m、金属掩膜厚度为0.5 m、金属蚀刻时间为60 s以及感应耦合等离子体(Inductively Couple Plasma, ICP)蚀刻4000 s的条件下,得到了孔深为200 m且通孔边缘平整的形貌。分析了 GaAs 崩边形成的主要原因与机理,并通过优化工艺解决了200 m通孔的崩边问题,从而提高了器件性能及可靠性。
集成无源器件 砷化镓 深背部通孔 崩边 lintegrated passive device GaAs deep backside vias chipping
提出了一种基于稀疏编码和卷积神经网络的地貌场景图像分类算法;利用非下采样Contourlet变换对训练样本进行多尺度分解;在训练样本中选择图像,利用稀疏编码学习局部特征,对特征向量进行排序;选择灰度平均梯度较大的特征向量对卷积神经网络卷积核进行初始化。结果表明:所提算法可以获得比传统底层视觉特征更好的分类结果,有效避免了网络训练陷入局部最优的问题,提高了自然场景下无人机着陆地貌的分类准确率。
图像处理 图像分类 卷积神经网络 地貌图像 稀疏编码 计算机视觉
在未知环境中,无人机(UAV)着陆地貌的自动识别和分类有着极其重要的研究意义,传统的自然场景分类利用的是中层和底层特征信息,但是无人机着陆地貌图像场景复杂、信息丰富,需要较准确的高层语义特征表达。提出了一种基于离散余弦变换(DCT)和深度网络的地貌图像分类方法。首先将离散余弦变换能量集中的优势引入到卷积神经网络(CNN)的高效特征表达中,以降低维度和计算复杂度;然后根据地貌图像特点构建了14层的特征学习网络,并改进了卷积神经网络结构;最后将得到的深层特征输入到支持向量机(SVM)中,快速准确地完成图像分类。实验结果表明,该算法降低了数据冗余,使训练时间大幅度减少,可以自动地学习高层语义特征;所提算法提取的特征具有较好的特征表达,有效地提高了图像分类准确率。
光计算 卷积神经网络 离散余弦变换 支持向量机 无人机着陆地貌图像 图像分类
中国科学院西安光学精密机械研究所,西安,710068
在设计超宽带增透膜时提出一种新的设计方法,使用这种设计方法来设计在400 nm～1800 nm波段内实现增透,同时将其设计结果与使用传统设计方法设计的结果相比较,发现在400 nm～1 800 nm波段内使用这种新的设计方法可以将其反射率值控制在2%以下.这种方法解决了在设计超宽带增透膜时传统的设计方法不能解决的难题.
超宽带 增透膜 镀膜 反射率
