The development of chemically amplified resists requires many experiments to optimize the chemical composition, which includes the type of monomer molecules and their component ratios, initiator concentration, and process conditions. In addition, the optimization process requires extensive knowledge and experience. In this paper, we apply deep learning to predict the exposure properties, such as sensitivity and contrast, of KrF chemically amplified resists and to optimize the ratio of monomer components. The experimental data are used to predict photoresist development properties by deep learning using in-house code. To achieve this goal, we synthesized several photoresist resins with different proportions. Each resin was then used to prepare photoresist formulations, which were subsequently subjected to exposure and development testing under various energy conditions. Using the film thickness data obtained, we trained our deep learning system to more comprehensively predict the exposure and development curves of photoresists under different resin component conditions. The results of validation experiments showed that the predicted results were consistent with the experimental results, and the predictions for the exposure and development characteristics of different monomer component ratios were quite accurate, confirming that the deep learning outcomes possess high credibility and feasibility.

A new approach to fabricate the fine redistribution layer (RDL) for 2.5/3-D chiplet integration systems using a damascene planarization patterning process is demonstrated. A smart chemical mechanical polishing/planarization (CMP) process was developed, assisted by deep learning, to enable hybrid polishing of several organic dielectric materials and Cu metal interconnections. A smart system was developed that can predict the polishing rate with an accuracy of about 10% for Cu and photosensitive insulating resin under less than 20 learning conditions. In parallel with this, the CMP of Cu/photosensitive insulating resin that was performed confirmed the formation of wiring patterns.

The upper atmosphere at the altitude of 60–110 km, the mesosphere and lower thermosphere (MLT), has the least observational data of all atmospheres due to the difficulties of in-situ observations. Previous studies demonstrated that atmospheric occultation of cosmic X-ray sources is an effective technique to investigate the MLT. Aiming to measure the atmospheric density of the MLT continuously, we are developing an X-ray camera, "Soipix for observing Upper atmosphere as Iss experiment Mission (SUIM)", dedicated to atmospheric observations. SUIM will be installed on the exposed area of the International Space Station (ISS) and face the ram direction of the ISS to point toward the Earth rim. Observing the cosmic X-ray background (CXB) transmitted through the atmosphere, we will measure the absorption column density via spectroscopy and thus obtain the density of the upper atmosphere. The X-ray camera is composed of a slit collimator and two X-ray SOI-CMOS pixel sensors (SOIPIX), and will stand on its own and make observations, controlled by a CPU-embedded FPGA "Zynq". We plan to install the SUIM payload on the ISS in 2025 during the solar maximum. In this paper, we report the overview and the development status of this project.