Adjoint-Assisted Shape Optimization of Microlenses for CMOS Image Sensors
Notice bibliographique
Résumé
Recently, there have been significant developments in the designs of CMOS image sensors to achieve high-resolution sensing capabilities. One of the fundamental factors determining the sensor's ability to capture high-resolution images is its efficiency in focusing the visible light onto the photosensitive region of the submicron scale. In most CMOS imaging technologies, this is typically achieved through microlenses. Light collection under diverse conditions can be significantly improved through the efficient design of microlenses. While the optimization of microlenses appears to be imperative, achieving efficient designs of microlenses for high-density pixels under various conditions remains a significant challenge. Therefore, a systematic optimization approach is required to accelerate the development of efficient microlenses with enhanced optical performance. In this paper, we present an approach to optimize the shape of CMOS microlenses through adjoint sensitivity analysis (ASA). A novel figure of merit (FOM) is developed and incorporated into the optimization process to enhance the light collection. The gradient of the FOM is computed iteratively using two field simulations only. The functionality and robustness of the optimization framework are thoroughly evaluated. Furthermore, the performance of the optimized CMOS microlenses is compared to that of the conventional microlenses. The adjoint-assisted optimization framework presented here can be further used to develop efficient optical devices that perform optical manipulation such as concentrating, bending, or dispersing light in compact imaging systems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».