Recently, we have successfully developed the novel 3-wafers stacked & 64MP pixel CMOS image sensor (CIS) with 0.5um pixel including through silicon deep contact module and face-to-back Cu-to-Cu hybrid bonding module. In this paper, we demonstrate how to prepare and optimize the 3-wafers stacking processes. First, Bonding void free technology: To attain bonding interface flatness, we modified chemical mechanical polishing (CMP) process and Cu pad pattern density. Second, Cu pad window qualification: Considering thermal expansion and pattern density of Cu pad, various height of Cu pad was evaluated by direct current (DC) test with designed TEG item and adjusted to the best condition. Third, Improvement of through silicon deep contact: To amplify the conversion gain (CG) of 3-wafers stacked CIS, deep contact was totally revised such as critical dimension (CD), height and thickness of sidewall oxide. The CG is highly promoted and noise properties of CIS is also refined. Finally, Bonding distortion: By varying bonding parameter like wafer-to-wafer gap, chuck pressure, and deform method, the distortion of bonded wafer was improved for following lithography and stacking process.

Summary Channel reservoirs have tendency to contain high uncertainty in their channel characteristics due to limited geological information and their complexity. Therefore, when characterizing them, it is necessary to perform a stochastic history matching with an ensemble of model realizations. However, this leads to high computational cost. To overcome this issue, we propose a proxy model that can be utilized in the stochastic history matching process. The proposed proxy model is a combination of Convolutional Neural Network and Long Short-Term Memory models which are employed to process spatial and time-series data, respectively. This proxy model is trained with geostatistically generated models and used for obtaining production data within an Ensemble Smoother with Multiple Data Assimilation process. The results demonstrate the proposed scheme's effectiveness in providing reliable history matching with reduced computational time.

How can we recommend items to users utilizing multiple types of user behavior data? Multi-behavior recommender systems leverage various types of user behavior data to enhance recommendation performance for the target behavior. These systems aim to provide personalized recommendations, thereby improving user experience, engagement, and satisfaction across different applications such as e-commerce platforms, streaming services, news websites, and content platforms. While previous approaches in multi-behavior recommendation have focused on incorporating behavioral order and dependencies into embedding learning, they often overlook the nuanced importance of individual behaviors in shaping user preferences during model training. We propose MBA (Multi-Behavior sequence-Aware recommendation via graph convolution networks), an accurate framework for multi-behavior recommendations. MBA adopts a novel approach by learning embeddings that capture both the dependencies between behaviors and their relative importance in influencing user preferences. Additionally, MBA employs sophisticated sampling strategies that consider the sequential nature of behaviors during model training, ensuring that the model effectively learns from the entire behavioral sequence. Through extensive experiments on real-world datasets, we demonstrate the superior performance of MBA compared to existing methods. MBA outperforms the best competitor, achieving improvements of up to 11.2% and 11.4% in terms of HR@10 and nDCG@10, respectively. These findings underscore the effectiveness of MBA in providing accurate and personalized recommendations tailored to individual user preferences.