[發明專利]一種基于深度學習的山脊型表面5G芯片飛秒智能加工技術與裝備

有效

• 申請號: 202011281956.5
• 申請日: 2020-11-17
• 公開（公告）號: CN112548326B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 曾和平;胡夢云;楊川;袁帥
• 申請（專利權）人: 華東師范大學重慶研究院;上海朗研光電科技有限公司;華東師范大學;重慶華譜科學儀器有限公司;重慶華譜智能裝備有限公司;云南華譜量子材料有限公司;南京朗研光電科技有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;B23K26/082;B23K26/046;B23K26/70;B82Y40/00
• 代理公司: 重慶啟恒騰元專利代理事務所(普通合伙) 50232
• 代理人: 江濤

1.一種基于深度學習的山脊型表面5G芯片飛秒智能加工技術，其特征在于：

(1)利用特定偏振態的飛秒激光對5G芯片進行掃描加工，通過調控激光能量、重復頻率、偏振態以及掃描速度等參數，在5G芯片掃描加工主軌跡的同時，能夠在主軌跡兩側產生納米級間距的周期納米條紋，從而在5G芯片表面上形成連續的納米山脊型結構。

(2)利用飛秒激光激勵表面等離子體激元進行掃描加工，通過調控飛秒激光燒蝕的物理特性由光學狀態到靜電狀態轉化，能夠實現在5G芯片表面上形成超衍射極限的連續納米山脊型結構。

(3)利用深度學習技術和超分辨顯微成像技術相結合，能夠實時獲取加工位置的超分辨顯微圖像，能夠清晰識別、分析和處理加工的納米山脊結構的微觀特征。

(4)利用深度學習技術和飛秒加工技術相結合，能夠在加工過程快速、高效、智能地對加工參數進行調整和優化，加工出結構穩定、性能優異的山脊型表面5G芯片。

山脊型表面5G芯片飛秒智能加工過程中的深度學習技術具體包括如下步驟：

步驟1)、獲取飛秒激光在5G芯片表面加工的納米山脊型結構的超分辨顯微圖像1，去除圖像周圍的無效區域，保留圖像中心的周期納米條紋區域，并將圖像縮放預設大小，得到目標圖像1。

步驟2)、基于圖像超分辨深度學習對目標圖像1進行超分辨圖像重建，得到超分辨顯微圖像2，即目標圖像2。識別和處理目標圖像2得到納米山脊型結構的特征參數作為山脊型表面5G芯片飛秒智能加工深度學習的輸入(x₁,x₂,...x_i)，組成輸入層X。

步驟3)、將輸入層X的輸入參數導入到包含M層隱藏層的飛秒智能加工神經網絡中進行深度學習，各隱藏層分別為h₁，h₂,...h_m，各隱藏層需將上一層的輸入參數利用非線性激活函數f(W，b)進行非線性變換實現激活，其中W為權重值，b為偏置值，經過多層深度學習得到山脊型表面5G芯片飛秒智能加工深度學習的輸出(y₁,y₂,...y_j)，即為輸出層Y。

步驟4)、通過損失函數L對山脊型表面5G芯片飛秒智能加工深度學習模型的輸出值Y與目標值O的不一致性進行評估，得到損失函數值θ，完成一次深度學習的訓練過程。

步驟5)、根據輸出層Y中得到的(y₁,y₂,...y_j)的數據對山脊型表面5G芯片飛秒智能加工中對應的加工參數進行調整，同時優化深度學習模型的權重W、偏置b參數。重復步驟1)-步驟4)進行飛秒智能加工深度學習的反復訓練。

步驟6)、通過多次迭代深度學習，主動調整加工工藝參數，以及優化飛秒智能加工深度學習模型參數，使損失函數值θ最小，從而輸出性能優異且結構穩定的納米山脊型結構的周期納米條紋。

2.根據權利要求1所述的一種基于深度學習的山脊型表面5G芯片飛秒智能加工技術，其特征在于，所述的飛秒激光的脈沖寬度≤200fs，重復頻率為1K-1GHz，激光能量0-100mW。

3.根據權利要求1所述的一種基于深度學習的山脊型表面5G芯片飛秒智能加工技術，其特征在于，所述的特定偏振態通過調控控制激光偏振方向與掃描方向的呈特定偏振夾角。

所述的特定偏振夾角在掃描加工過程中通過飛秒智能加工深度學習實現實時智能調控使其保持不變。

4.根據權利要求1所述的一種基于深度學習的山脊型表面5G芯片飛秒智能加工技術，其特征在于，所述的掃描速度范圍為100-1000μm/s。