Inverse problem theory in the optical depth profilometry of thin films
Notice bibliographique
Résumé
The problem of nondestructive measurement of composition with depth on the scale of ∼0.1–500 μm, in polymers and related materials, has many applications in traditional and recent areas of thin film processing. This article reviews the optical depth profilometry techniques operating on this scale based on optical absorption, photoluminescence, elastic, and inelastic scattering. These methods include photoacoustic and photothermal imaging (including pulsed laser opto–acoustic profiling), attenuated total reflectance infrared, integrated optical spectroscopy methods (based on excitation of planar waveguide structures), confocal scanning microscopy, and the recent technique of light profile microscopy. The profiling of planar structures is emphasized. A common element of all of these methods is that depth mapping requires the solution of a linear inverse problem, where a map of the sample properties is mathematically reconstructed from a set of experimental measurements. This problem is to some extent ill conditioned in some or all regimes of measurement, with the result that depth maps may show sensitivity to data errors. A method is presented for assessing performance of the above experimental depth profilometry techniques in terms of ill conditioning as indicated by: spatial resolution, sensitivity to data errors, and apparent multiplicity of solutions. This method is applied a priori given a knowledge of the linear response theory and measurement parameters Application is made to individual profiling techniques, the performance of each in applications is reviewed, and an inter-comparison is made based on the conditioning of the inverse problem.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».