1 |
1
전자현미경의 수차 값을 예측하는 방법에 있어서,상기 전자현미경을 이용하여 비정질 시료에 대해 복수개의 출력 이미지를 획득하는 단계;상기 복수개의 출력 이미지를 각각 푸리에 변환하여 복수개의 변환 이미지를 획득하는 단계;상기 복수개의 변환 이미지를 복수의 서로 다른 CNN-R 모델들이 조합된 앙상블(Ensemble) 모델로 입력하는 단계;상기 앙상블 모델을 통해 상기 복수개의 변환 이미지에 대응하는 수차 값 세트를 출력하는 단계; 및상기 수차 값 세트에 기초하여, 최종 수차 값을 계산하는 단계룰 포함하는,전자현미경의 수차 값을 예측하는 방법
|
2 |
2
제1항에 있어서,상기 수차 값은, 상기 복수개의 변환 이미지의 중앙으로부터 떨어진 적어도 하나의 링의 위치를 기초로 결정되는 제1 값; 및상기 적어도 하나의 링의 기울기 및 상기 적어도 하나의 링의 긴축과 짧은 축의 비율을 기초로 결정되는 제2 값을 포함하는,장치의 동작 방법
|
3 |
3
제1항에 있어서,상기 CNN-R 모델들 각각은특징 추출(Feature extraction) 레이어 및 회귀(Regression) 레이어를 포함하는,장치의 동작 방법
|
4 |
4
제3항에 있어서,상기 특징 추출 레이어는 컨볼루션 레이어, 배치 정규화 레이어 및 최대 풀링 레이어를 포함하는 CNN(Convolutional Neural Network)의 구조를 가지고,상기 회귀 레이어는 FCN(Fully Connected Network)의 구조를 가지며,상기 특징 추출 레이어에서 출력되는 특징 맵은 선형화 되어 상기 회귀 레이어로 입력되는,장치의 동작 방법
|
5 |
5
제1항에 있어서,상기 수차 값 세트를 출력하는 단계는,상기 복수개의 변환 이미지 각각에 대응하여,해당하는 변환 이미지를 상기 복수의 서로 다른 CNN-R 모델들 각각에 입력하는 단계;상기 복수의 서로 다른 CNN-R 모델들로부터 복수의 중간 수차 값들을 획득하는 단계;상기 복수의 중간 수차 값들을 상기 앙상블 모델 내 FC 레이어로 입력하는 단계; 및상기 FC 레이어로부터 상기 해당하는 변환 이미지를 위한 수차 값을 획득하는 단계를 포함하는,장치의 동작 방법
|
6 |
6
제1항에 있어서,상기 복수의 서로 다른 CNN-R 모델들 각각은동일한 학습 데이터 세트 내 미리 정해진 비율의 일부 데이터들을 랜덤하게 샘플링함으로써 학습되는,장치의 동작 방법
|
7 |
7
제1항에 있어서,상기 최종 수차 값을 계산하는 단계는상기 수차 값 세트에 포함된 수차 값들을 연립 연산하는 단계를 포함하는, 장치의 동작 방법
|
8 |
8
전자현미경의 수차 값을 예측하는 모델을 학습하는 방법에 있어서,학습 데이터 세트-상기 학습 데이터 세트는 컴퓨터로부터 계산된 이미지들 및 해당하는 이미지들과 페어링 된 수차 값 레이블들을 포함함-를 획득하는 단계;상기 학습 데이터 세트 내 미리 정해진 비율의 일부 데이터들을 랜덤하게 샘플링하여 복수의 CNN-R 모델들을 서로 다르게 학습하는 단계;상기 학습 데이터 세트의 적어도 일부를 이용하여, 상기 복수의 CNN-R 모델들의 출력을 앙상블하는 FC(Fully Connected) 레이어를 학습하는 단계; 및상기 복수의 CNN-R 모델들 및 상기 FC 레이어를 포함하는 앙상블 모델을 생성하는 단계를 포함하는,전자현미경의 수차 값을 예측하는 모델을 학습하는 방법
|
9 |
9
제8항에 있어서,상기 수차 값은, 상기 이미지들의 중앙으로부터 떨어진 적어도 하나의 링의 위치를 기초로 결정되는 제1 값; 및상기 적어도 하나의 링의 기울기 및 상기 적어도 하나의 링의 긴축과 짧은 축의 비율을 기초로 결정되는 제2 값을 포함하는,전자현미경의 수차 값을 예측하는 모델을 학습하는 방법
|
10 |
10
제8항에 있어서,상기 CNN-R 모델들 각각은특징 추출(Feature extraction) 레이어 및 회귀(Regression) 레이어를 포함하는,전자현미경의 수차 값을 예측하는 모델을 학습하는 방법
|
11 |
11
제10항에 있어서,상기 특징 추출 레이어는 컨볼루션 레이어, 배치 정규화 레이어 및 최대 풀링 레이어를 포함하는 CNN(Convolutional Neural Network)의 구조를 가지고,상기 회귀 레이어는 FCN(Fully Connected Network)의 구조를 가지며,상기 특징 추출 레이어에서 출력되는 특징 맵은 선형화 되어 상기 회귀 레이어로 입력되는,전자현미경의 수차 값을 예측하는 모델을 학습하는 방법
|
12 |
12
제8항에 있어서,상기 학습 데이터 세트 내 미리 정해진 비율의 일부 데이터들을 랜덤하게 샘플링하여 복수의 CNN-R 모델들을 서로 다르게 학습하는 단계는,상기 학습 데이터 세트 중 80%의 데이터들을 랜덤하게 샘플링하는 단계; 및상기 샘플링된 데이터들로 상기 복수의 CNN-R 모델들 중 하나의 CNN-R 모델을 학습하는 단계를 포함하는,전자현미경의 수차 값을 예측하는 모델을 학습하는 방법
|
13 |
13
하드웨어와 결합되어 제1항 내지 제12항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능 매체에 저장된 컴퓨터 프로그램
|
14 |
14
전자현미경의 수차 값을 예측하기 위한 장치에 있어서,하나 이상의 프로세서;메모리; 및상기 메모리에 저장되어 있으며 상기 하나 이상의 프로세서에 의하여 실행되도록 구성되는 하나 이상의 프로그램을 포함하고,상기 프로그램은,상기 전자현미경을 이용하여 비정질 시료에 대해 복수개의 출력 이미지를 획득하는 단계;상기 복수개의 출력 이미지를 각각 푸리에 변환하여 복수개의 변환 이미지를 획득하는 단계;상기 복수개의 변환 이미지를 복수의 서로 다른 CNN-R 모델들이 조합된 앙상블(Ensemble) 모델로 입력하는 단계;상기 앙상블 모델을 통해 상기 복수개의 변환 이미지에 대응하는 수차 값 세트를 출력하는 단계; 및상기 수차 값 세트에 기초하여, 최종 수차 값을 계산하는 단계룰 포함하는,장치
|
15 |
15
제14항에 있어서,상기 수차 값은, 상기 복수개의 변환 이미지의 중앙으로부터 떨어진 적어도 하나의 링의 위치를 기초로 결정되는 제1 값; 및상기 적어도 하나의 링의 기울기 및 상기 적어도 하나의 링의 긴축과 짧은 축의 비율을 기초로 결정되는 제2 값을 포함하는,장치
|
16 |
16
제14항에 있어서,상기 CNN-R 모델들 각각은특징 추출(Feature extraction) 레이어 및 회귀(Regression) 레이어를 포함하는,장치
|
17 |
17
제16항에 있어서,상기 특징 추출 레이어는 컨볼루션 레이어, 배치 정규화 레이어 및 최대 풀링 레이어를 포함하는 CNN(Convolutional Neural Network)의 구조를 가지고,상기 회귀 레이어는 FCN(Fully Connected Network)의 구조를 가지며,상기 특징 추출 레이어에서 출력되는 특징 맵은 선형화 되어 상기 회귀 레이어로 입력되는,장치
|
18 |
18
제14항에 있어서,상기 수차 값 세트를 출력하는 단계는,상기 복수개의 변환 이미지 각각에 대응하여,해당하는 변환 이미지를 상기 복수의 서로 다른 CNN-R 모델들 각각에 입력하는 단계;상기 복수의 서로 다른 CNN-R 모델들로부터 복수의 중간 수차 값들을 획득하는 단계;상기 복수의 중간 수차 값들을 상기 앙상블 모델 내 FC 레이어로 입력하는 단계; 및상기 FC 레이어로부터 상기 해당하는 변환 이미지를 위한 수차 값을 획득하는 단계를 포함하는,장치
|
19 |
19
제14항에 있어서,상기 복수의 서로 다른 CNN-R 모델들 각각은동일한 학습 데이터 세트 내 미리 정해진 비율의 일부 데이터들을 랜덤하게 샘플링함으로써 학습되는,장치
|
20 |
20
제14항에 있어서,상기 최종 수차 값을 계산하는 단계는상기 수차 값 세트에 포함된 수차 값들을 연립 연산하는 단계를 포함하는, 장치
|