Wij stellen voor om nieuwe machine-learning methodieken te ontwikkelen voor verbeterde afbeeldingstechnieken en daarmee voor halfgeleider metrologie.

Wie

Het voorstel brengt de sterktes samen op grond van experimentele aanpak (L. Amitoniva, ARCNL) met die van machine-learning (P. Forré) en computational imaging (T. van Leeuwen, CWI)

Hoe en Wat

In het onderzoek worden nieuwe data-driven methodes ontwikkeld voor het maken van afbeeldingen, voor kwantificering van onzekerheden, en voor ontwerp van experimenten in de context van halfgeleider metrologie. Het onderzoek leunt op ontwikkelingen, deels op ARCNL, op het gebied van simulation-based inference, computational imaging en compressive sensing. Een focus ligt op zeer nauwkeurige beschrijven van optische systemen via data gedreven modellering. Het resultaat zal zijn geoptimaliseerde metrologie technieken waarbij grote nauwkeurigheid verkregen wordt om objecten te karakteriseren.