Современная электроника №7/2023

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ 29 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 7 / 2023 нию процессов потребует изменений в человеческом поведении , чтобы реали - зовать его преимущества . Результаты этого исследования укрепляют нашу уверенность в том , что мы находимся на пути к заметному изменению спо - собов разработки процессов для полу - проводниковых микросхем . При этом мы ускорим критическое звено в полу - проводниковой экосистеме , используя ту самую вычислительную мощность , которую обеспечивают эти полупро - водниковые процессы . По сути , ИИ будет помогать создавать себя , подоб - но знаменитому рисунку М . К . Эшера , на котором две руки рисуют друг друга . Литература 1. IEEE. International Roadmap for Devices and Systems, 2020 Edition (IEEE, 2020). 2. Graves, D. B. Plasma processing. IEEE Trans. Plasma Sci. 22, 31–42 (1994). 3. Kanarik, K. J. Inside the mysterious world of plasma: a process engineer’s perspective. J. Vac. Sci. Technol. A 38, 031004 (2020). 4. Kurzweil, R. The Singularity is Near: When Humans Transcend Biology (Viking, 2005). 1. Tegmark, M. Life 3.0: Being Human in the Age of Artificial Intelligence (Penguin, 2018). 2. Hsu, F.-H. Behind Deep Blue: Building the Computer that Defeated the World Chess Champion (Princeton Univ. Press, 2002). 3. Silver, D. et al. Mastering the game of Go without human knowledge. Nature 550, 354–359 (2017). 4. Samukawa, S. et al. The 2012 plasma roadmap. J. Phys. D 45, 253001 (2012). 5. Winters, H. F., Coburn, J. W. & Kay, E. Plasma etching a “pseudo-black-box” approach. J. Appl. Phys. 48, 4973–4983 (1977). 6. Zhang, Y. & Ling, C. A strategy to apply machine learning to small datasets in materials science. NPJ Comput. Mater. 4, 28–33 (2018). 7. Kim, K. et al. Extending the DRAM and FLASH memory technologies to 10nm and beyond. Proc. SPIE 8326, 832605 (2012). 8. Greenhill, S., Rana, S., Gupta, S., Vellanki, P. & Venkatesh, S. Bayesian optimization for adaptive experimental design: a review. IEEE Access 8, 13937–13948 (2020). 9. Shao, K., Pei, X., Grave, D. B. & Mesbah, A. Active learning-guided exploration of parameter space of air plasmas to enhance the energy efficiency of NOx production. Plasma Sources Sci. Technol. 31, 055018 (2022). 10. Shahriari, B., Swersky, K., Wang, Z., Adams, R. P. & De Freitas, N. Taking the human out of the loop: a review of Bayesian optimization. Proc. IEEE 104, 148–175 (2016). 11. Lang, C. I., Jansen, A., Didari, S., Kothnur, P. & Boning, D. S. Modeling and optimizing the impact of process and equipment parameters in sputtering deposition systems using a Gaussian process machine learning framework. IEEE Trans. Semicond. Manuf. 35, 229–240 (2021). 12. Chen, Z., Mak, S. & Wu, C. F. J. A hierarchical expected improvement method for Bayesian optimization. 13. Guler, S., Schoukens, M., Perez, T. D. & Husakowski, J. Bayesian optimization for tuning lithography processes. IFAC- PapersOnLine 54, 827–832 (2021). 14. Foreman-Mackey, D., Hogg, D. W., Lang, D. & Goodman, J. emcee: theMCMC hammer. Publ. Astron. Soc. Pac. 125, 306 (2013). 15. Akiba, T., Sano, S., Yanase, T., Ohta, T. & Koyama, M. in Proc. 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining 2623–2631 (ACM, 2019). 16. Bergstra, J., Bardenet, R., Bengio, Y. & Kégl, B. in Proc. 24th International Conference on Neural Information Processing Systems (Curran Associates, 2011). 17. Rasmussen, C. E. & Williams, C. K. I. Gaussian Processes for Machine Learning (MIT Press, 2006). 18. Fortuin, V. Priors in Bayesian deep learning: a review. Int. Stat. Rev. 90, 563–591 (2022). 19. Liang, Q. et al. Benchmarking the performance of Bayesian optimization across multiple experimental materials science domains. NPJ Comput. Mater. 7, 188 (2021). 20. Silver, N. The Signal and the Noise: Why so Many Predictions Fail-But Some Don’t (Penguin, 2012). 21. Miller, J. L. Chemistry Nobel winners harnessed evolution to teach old proteins new tricks. Phys. Today 71, 22–25 (2018). 22. Dietvorst, B. J., Simmons, J. P. & Massey, C. Algorithm aversion: people erroneously avoid algorithms after seeing them err. J. Exp. Psychol. Gen. 144, 114–126 (2015). 23. Dafoe, A. et al. Cooperative AI: machines must learn to find common ground. Nature 593, 33–36 (2021). 24. AlphaGo versus Lee Sedol. Wikipedia. URL: https://en.wikipedia.org/wiki/ AlphaGo_versus_Lee_Sedol (2021). 25. Pan, S. J. & Yang, Q. A survey on transfer learning. IEEE Trans. Knowl. Data Eng. 22, 1345–1359 (2010). 26. Ziatdinov, M. A., Ghosh, A. & Kalinin, S. V. Physics makes the difference: Bayesian optimization and active learning via augmented Gaussian process. Mach. Learn. Sci. Technol. 3, 015003 (2022). НОВОСТИ МИРА Доработку отечественной ОС « Аврора » оценили в 300 млрд рублей Роскомнадзор провёл консультации с отечественными производителями смарт- фонов и специалистами по модификации операционной системы «Аврора» для адап- тации к мобильным устройствам, информи- рует «Коммерсантъ». На встрече были представители таких компаний, как Yadro, «Аквариус», «Лабо- ратория Касперского» и другие. Предло- жено было создать ассоциацию, способ- ную противостоять доминированию зару- бежных ОС. Эксперты, опрошенные изданием, ут- верждают, что в текущих условиях создание российских ОС возможно лишь при государ- ственной поддержке. Ожидается, что инве- стиции в создание «Авроры» до 2027 года, когда система планируется к запуску на рынке, достигнут 300 млрд рублей. Ростелеком отметил растущий инте- рес пользователей к устройствам на ба- зе «Авроры». Кроме того, стало извест- но, что российские чиновники и законо- датели начали использовать смартфоны с ОС «Аврора». Представитель рынка рассказал, что сум- ма в 300 млрд рублей нужна не только для доработки «Авроры», но и для адаптации со- фта и драйверов ОС под отдельное устрой- ство. Другой источник издания отметил, что в ОС внедрены новые программы и стало больше совместимых устройств, «но эко- система по-прежнему не закрывает основ- ных потребностей заказчика», а потому для её внедрения нельзя обойтись без госфи- нансирования. industry-hunter.com