[發明專利]一種擬合測量薄膜厚度的方法

有效

• 申請號: 202010645136.3
• 申請日: 2020-07-07
• 公開（公告）號: CN111895923B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 李相相;魏慎金;李晶
• 申請（專利權）人: 上海辰慧源科技發展有限公司
• 主分類號: G01B11/06
• 分類號: G01B11/06;G06N3/04;G06N3/08
• 代理公司: 南京品智知識產權代理事務所(普通合伙) 32310
• 代理人: 張明昌

1.一種擬合測量薄膜厚度的方法，其特征是該方法包括采用了橢圓偏振測量技術和神經網絡相結合的方法，通過薄膜的橢圓偏振光參數以及神經網絡模型來擬合測量薄膜的厚度；所述神經網絡為LSTM循環神經網絡；

所述通過薄膜的橢圓偏振光參數以及神經網絡模型來擬合測量薄膜的厚度，具體包括如下步驟：

（1）使用光學薄膜設計軟件生成不同厚度的薄膜的光學參數，然后用光學參數訓練LSTM循環神經網絡生成LSTM循環神經網絡模型，所述光學參數包括薄膜厚度和不同角度下的橢圓偏振光參數；所述LSTM循環神經網絡模型以橢圓偏振光參數作為輸入，輸出對應的薄膜厚度；

（2）通過橢圓偏振光譜儀測量得出薄膜的橢圓偏振光參數；

（3）將通過橢圓偏振光譜儀測量得出的薄膜的橢圓偏振光參數輸入LSTM循環神經網絡模型得出薄膜的厚度；

所述用光學參數訓練LSTM循環神經網絡生成LSTM循環神經網絡模型，具體步驟如下：

（1）使用Keras深度學習框架搭建LSTM循環神經網絡，并將其參數隨機初始化，所搭建的LSTM循環神經網絡共包括四層，其中前三個層為LSTM層，最后一層為全連接層；

（2）將使用Film Wizard光學薄膜設計軟件生成的厚度在30nm-200nm之間的不同厚度的薄膜的Psi參數和Delta參數作為訓練集來訓練LSTM循環神經網絡的參數；

（3）訓練LSTM循環神經網絡的方式為將Film Wizard光學薄膜設計軟件生成的薄膜的Psi參數和Delta參數送入LSTM循環神經網絡，經過LSTM循環神經網絡的網絡映射后得到神經網絡預測的厚度值h，然后與Film Wizard光學薄膜設計軟件生成的薄膜的厚度h’計算損失函數L（h,h’），其中損失函數L為h和h’的均方誤差損失；

（4）迭代地計算損失函數L對LSTM循環神經網絡參數的梯度，并通過Adam算法更新LSTM循環神經網絡的參數，以此實現對LSTM循環神經網絡的訓練；

所述參數代指整個LSTM循環神經網絡模型所有層的所有參數；

所述Psi為p 光和 s 光的振幅反射率比值，所述Delta 為p 光和 s 光的相位差。

2.根據權利要求1所述的一種擬合測量薄膜厚度的方法，其特征是所述薄膜為晶體薄膜、金屬氧化物薄膜中的任一種。

3.根據權利要求1所述的一種擬合測量薄膜厚度的方法，其特征是所述橢圓偏振光參數包括振幅反射率比值和相位差。

4.根據權利要求1所述的一種擬合測量薄膜厚度的方法，其特征是所述LSTM層中的每個LSTM層包含若干細胞結構，不同的細胞結構之間具有橫向連接，每個LSTM層的映射關系用如下公式（1）表示：

公式（1）

其中：

；

為時序；

為當前時序的狀態，因此就是上一個時序的狀態；

就是當前時序輸入和上一時序輸出的加權求和，理解為當前輸入的信息；

為當前時序的輸入，為上一個時序的輸出；

為的權重，為的權重，為的權重，、、在所有時序中共享；

和都是當前時序的輸出；

f函數為函數，或者叫雙曲正切函數；

為輸入門，為遺忘門，為輸出門；

其中sigmoid是一個激活函數，就叫sigmoid函數。

5.根據權利要求4所述的一種擬合測量薄膜厚度的方法，其特征是所述LSTM層中，前兩個LSTM層返回一個與輸入長度相同的序列；所述返回一個與輸入長度相同的序列，是指輸出序列到的個數和輸入序列到的個數相同，實際使用時選擇輸出整個序列或只輸出最后一個序列即，神經網絡是一個有向無環的計算圖，每一層是一個函數，把一個輸入向量映射成一個輸出向量。

6.根據權利要求1所述的一種擬合測量薄膜厚度的方法，其特征是所述全連接層是一個矩陣，具體表示如下公式（2）：

公式（2）

其中，序列是全連接層的輸入序列，序列是輸出序列；用指代整個矩陣：，用指代整個偏置向量：，是系數，是偏置；、需要根據輸入向量的維度和輸出向量的維度選擇合適的尺寸，從而實現將輸入向量映射成輸出向量。