一种基于BP神经网络确定离子束抛光去除函数的方法与流程

一种基于bp神经网络确定离子束抛光去除函数的方法
技术领域
1.本发明涉及光学精密制造技术领域，尤其涉及一种基于pb神经网络确定离子束抛 光去除函数的方法。


背景技术：

2.离子束抛光通常用于超精密光学元件的最终加工。离子束抛光基于原子溅射原理实 现材料去除，使离子束抛光对元件材料的去除精度达到了原子级别，加工精度达到纳米 级，被认为是加工精度最高，修形效果最好的光学元件抛光技术。传统的接触式抛光方 法在加工光学元件时，由于其接触式的加工方法不可避免的存在着诸如抛光头磨损、边 缘效应和亚表面损伤等问题，制约了加工精度的提高。离子束抛光使用离子束代替传统 的抛光头，通过离子束与光学元件之间的离子溅射效应去除光学元件表面材料，不仅可 以避免上述问题，而且还具有高精度和高收敛性的特点。
3.在离子束抛光过程中，驻留时间的求解是在假设去除函数在整个抛光过程中保持不 变的条件下完成的，因此去除函数的求解是进行离子束加工的前提。单次较长的加工时 间使得离子源的栅网损耗对去除函数的特性造成了影响，因此为了保证加工精度，每次 加工中大口径光学元件前都需要重新确定去除函数的信息。去除函数信息的确定一般通 过实验的方法完成，即控制离子束刻蚀光学元件表面，使用干涉仪测量实验前后的光学 元件表面面形，通过对实验前后的元件面形做差得到实验过程的材料去除量，然后根据 刻蚀参数来计算去除函数信息。这样的方法操作复杂、耗时长且成本高。
4.离子束抛光基于离子溅射去除材料，这一过程可以用sigmund原理进行解释，即离 子束轰击光学元件时去除函数与元件表面的离子浓度分布成正比，使用法拉第杯扫描离 子束流可以得到离子束电流密度的空间分布，与离子浓度分布成正比。因此，当离子源 距离法拉第杯和所加工光学元件表面的距离相同时，使用法拉第杯扫描离子束得到的电 流密度分布与光学元件表面的离子束流分布正相关。所以可以使用法拉第杯扫描离子束 流得到的电流密度分布来表示去除函数的分布，但两者参数之间的关系是非线性的，且 与材料特性相关，目前的方法无法适用于所有种类光学元件。
5.综上所述，需要一种节约成本、提高效率且对所有种类光学元件均适用的确定离子 束抛光去除函数的方法。


技术实现要素：

6.本发明所要解决的技术问题是针对现有技术的现状提供一种节约成本、提高效率且 适用于所有种类光学元件的基于bp神经网络确定离子束抛光去除函数的方法。
7.本发明解决上述技术问题所采用的技术方案为：一种基于bp神经网络确定离子束 抛光去除函数的方法，包括以下步骤：
8.s1、建立法拉第扫描和去除函数的数据库：
9.选定光学元件材料后，设定离子源工艺参数并开启离子源，所述离子源工艺参数
包 括离子束电压、加速电压、射频功率、氩气流量、中和电流和工作距离，每次更改除离 子束电压之外的其它参数，以获得能量相同但空间分布不同的离子束流，待离子源稳定 后，各进行一次法拉第扫描和去除函数实验以获得离子束电流密度和去除函数分布信息；
10.s2、使用线性公式确定去除函数峰值去除率：
11.将s1所得的离子束电流密度的峰值j
max
与s1所得的去除函数的峰值去除率r
max
进行线性拟合，得到比例系数a，并根据当入射离子的能量、离子束的入射角度和刻蚀 材料都相同时，对于空间分布不同的离子束，去除函数的峰值去除率r
max
和离子束电流 密度的峰值j
max
满足线性关系r
max
＝aj
max (6)，以通过离子束电流密度峰值j
max
来确 定去除函数的峰值去除率r
max
；
12.s3、使用神经网络确定去除函数分布系数：
13.(1)构建神经网络
14.选择包含1个隐含层的3层bp网络，以离子束电流密度峰值j
max
和离子束电流分 布系数σf作为输入信号，去除函数分布系数σ作为输出信号构建神经网络，其中，网 络隐层神经元传递函数和输出层神经元传递函数均采用s型正切函数；
15.(2)训练神经网络
16.初始化网络的结构和权值，选取s1中所建立的数据库中的数据训练神经网络，根 据输入样本前向计算bp网络每层神经元的输入信号和输出信号，根据期望输出计算反 向误差，对权值进行修正，若误差小于给定值t或迭代次数超过设定值h则结束学习；
17.(3)通过神经网络预测去除函数分布系数
18.使用法拉第杯扫描离子束流得到离子束电流密度峰值j’max
和分布参数σ
f’，并作 为预测数据输入神经网络，预测当前状况下的去除函数分布系数σ’；
19.s4、确定去除函数：
20.将s2和s3中计算得到的去除函数峰值去除率r
max
和去除函数分布系数σ带入到 去除函数的一般表达公式中，得到去除函数。
21.进一步的，所述s1中的获得离子束电流密度分布信息的具体过程包括，
22.s11、关闭中和器，控制离子束垂直入射法拉第杯，离子源与法拉第杯的中心线始 终在同一竖直平面内，在水平方向移动离子源经过法拉第杯，获得离子束电流密度在一 维方向上的分布系数；
23.s12、采用等间距采集数据的方法进行法拉第扫描实验，在扫描方向设定离子源扫 描范围、运动速度、工作距离和采样点数以进行法拉第扫描来获得电流密度数据，并对 采样数据进行高斯拟合，得到当前时刻离子束电流密度峰值j
max
和离子束分布系数σf；
24.s13、根据电流密度空间分布为回转对称的高斯型，得到离子束电流密度分布用如 下的公式(1)表示，
[0025][0026]
其中，j
max
和σf分别是离子束电流密度的峰值和分布系数。
[0027]
进一步的，所述s1中的获得去除函数分布信息的具体过程包括，
[0028]
s14、在完成s13后，开启中和器，控制离子束垂直入射光学元件表面，并以速度 v沿x方向进行次数n的线扫描实验，使用干涉仪测量实验前后的光学元件面形并做差 获得线扫描实验过程中的材料去除量；
[0029]
s15、计算沿元件y方向的材料去除量平均值r(y)；
[0030]
s16、对r(y)进行高斯拟合，得到沿y方向的一维材料去除量函数，如下公式(2) 所示，
[0031][0032]
其中，ry和σy分别是一维材料去除量函数的峰值去除率和分布系数；
[0033]
s17、根据公式(3)和公式(4)由ry和σy计算去除函数的峰值去除率r
max
和分 布系数σ，
[0034][0035]
σ＝σyꢀꢀ
(4)
[0036]
s18、将r
max
和σ带入下式
[0037]
求得去除函数。
[0038]
进一步的，所述s1中的待离子源稳定后具体包括离子束电流的波动小于5％。
[0039]
与现有技术相比，本发明的优点在于：
[0040]
1.本发明通过有限次的法拉第扫描和线扫描实验建立数据库，从而确定离子束电流 密度和去除函数分布系数之间的关系，根据法拉第扫描结果，通过线性公式计算去除函 数峰值去除率，通过bp神经网络预测去除函数分布系数；使用该方法得到的去除函数 信息与通过实验方法得到的去除函数信息基本相同，同时极大的缩短了确定去除函数的 时间，从3小时缩短到了1分钟；同时该方法基于法拉第扫描结果确定去除函数，无需 在元件表面进行去除函数实验，从而节约了成本。
[0041]
2.本发明通过线性公式和bp神经网络来确定去除函数的分布信息，这种方法对于 所有可用于离子束加工的材料均适用，不受材料特性的限制，可用于所有的离子束加工 过程。
附图说明
[0042]
图1为本发明实施例中基于bp神经网络确定离子束抛光去除函数的流程图；
[0043]
图2为本发明实施例中法拉第扫描结果和数据拟合结果；
[0044]
图3为本发明实施例中通过线扫描实验方法确定去除函数信息的流程图；
[0045]
图4为本发明实施例中线扫描实验的结果；
[0046]
图5为本发明实施例中离子束去除函数的峰值去除率r
max
与电流密度的峰值j
max
比例系数a的线性拟合图；
[0047]
图6为本发明实施例中神经网络建立过程；
[0048]
图7为本发明实施例中建立的神经网络模型示意图；
[0049]
图8为本发明实施例中神经网络训练过程。
具体实施方式
[0050]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
[0051]
如图1，本发明的一种基于bp神经网络确定离子束抛光去除函数的方法的具体操 作步骤包括：
[0052]
1.建立法拉第扫描和去除函数的数据库：
[0053]
(1)选定光学元件材料后，设定离子源工艺参数(初始的离子源参数为离子束电 压1100v、加速电压300v、射频功率95w、氩气流量5sccm和工作距离25mm)并开 启离子源，每次更改除离子束电压之外的其它参数，以获得能量相同但空间分布不同的 离子束流，待离子源稳定后(离子束电流的波动小于5％)，各进行一次法拉第扫描和 去除函数实验以获得电流密度和去除函数分布信息，具体过程见步骤1中的(2)和(3)；
[0054]
(2)通过法拉第扫描离子束流获得电流密度分布信息。关闭中和器，控制离子束 垂直入射法拉第杯，离子源与法拉第杯的中心线始终在同一竖直平面内，在水平方向移 动离子源经过法拉第杯，从而获得电流密度在一维方向上的分布系数。电流密度空间分 布是回转对称的高斯型，因此离子束电流密度分布可以用公式1表示，其中，j
max
和σf分别是离子束电流密度的峰值和分布系数。
[0055][0056]
采用等间距采集数据的方法进行法拉第扫描实验：在扫描方向设定离子源扫描范围 为(-15mm， 15mm)、运动速度1mm/s、工作距离25mm和采样点数31以进行法拉 第扫描来获得电流密度数据，然后对采样数据进行高斯拟合(图2为一次法拉第扫描结 果的测量数据和拟合结果)，得到当前时刻离子束电流密度的峰值j
max
和分布系数σf。
[0057]
(3)通过线扫描实验获得去除函数分布信息的流程图如图3所示。在完成步骤1 中的(2)后，开启中和器，进行线扫描实验确定去除函数信息。控制离子束垂直入射 光学元件表面，并以速度v＝1mm/s沿x方向进行次数n＝25次的线扫描实验(一次线扫 描实验结果如图4所示)。使用干涉仪测量实验前后的光学元件面形并做差获得线扫描 实验过程中的材料去除量，通过以下步骤计算去除函数信息：
[0058]
1)计算沿元件y方向的材料去除量平均值r(y)；
[0059]
2)对r(y)进行高斯拟合，得到沿y方向的一维材料去除量函数，如式2所示，其 中，ry和σy分别是一维材料去除量函数的峰值去除率和分布系数；
[0060][0061]
3)根据公式3和公式4由ry和σy计算出去除函数峰值去除率r
max
和分布系数σ；
[0062][0063]
σ＝σyꢀꢀꢀ
(4)
[0064]
4)将r
max
和σ带入式5求得去除函数。
[0065][0066]
2.使用线性公式确定去除函数峰值去除率：
[0067]
当入射离子的能量、离子束的入射角度和刻蚀材料都相同时，对于空间分布不同的 离子束，去除函数的峰值去除率r
max
和离子束电流密度的峰值j
max
是线性关系，如公式 6所示：
[0068]rmax
＝aj
max
ꢀꢀꢀ
(6)
[0069]
因此，将步骤1中(2)所得的离子束电流密度的峰值j
max
与步骤1中(3)所得的 去除函数的峰值去除率r
max
进行线性拟合即可确定比例系数a，拟合结果如图5所示， 图中每一组离散点表示不同离子源参数下得到的去除函数的峰值去除率、r
max
和电流密 度峰值j
max
的测量值，根据线性拟合曲线可得到比例系数a为1.5962，从而可以求得根 据j
max
来确定去除函数的r
max
的表达式r
max
＝1.5962j
max
。
[0070]
3.使用神经网络确定去除函数分布系数：
[0071]
bp神经网络是指基于误差反向传播算法的多层前向神经网络，能够以任意精度逼 近任何非线性映射。bp神经网络的非线性拟合算法流程如图6所示，可以分为bp神经 网络构建、bp神经网络训练和bp神经网络预测三步。
[0072]
(1)构建神经网络
[0073]
三层bp神经网络就可以描述所有的非线性函数，因此选择包含1个隐含层的3层 网络。影响去除函数的直接因素包括电流密度峰值和分布系数，因此选择电流密度峰值 j
max
和分布系数σf作为输入信号，选择去除函数分布系数σ作为输出信号。输入向量为 x＝(x1，x2)
t
，隐含层输入向量为y＝(y1，y2，y3，y4，y5)
t
，输出向量为o＝(o1)
t
，期望响 应为d＝(d)
t
，输入层到隐含层之间的权值矩阵用w表示，w＝(w
11
，w
12
，w
13
，w
14
，w
15
， w
21
，w
22
，w
23
，w
24
，w
25
)
t
，隐含层到输出层之间的权值矩阵用v表示，v＝(v1，v2，v3， v4，v5)
t
，网络隐层神经元传递函数和输出层神经元传递函数都采用s型正切函数，构 建的神经网络模型如图7所示。
[0074]
对于各层信号之间的数据关系为：
[0075]
各隐含层的输入：
[0076]
各隐含层的输出：
[0077]
输出层输入：
[0078]
输出层输出：o＝f(v)
[0079]
(2)训练神经网络
[0080]
神经网络的训练过程如图8所示，首先初始化网络的结构和权值，然后根据输入样 本前向计算bp网络每层神经元的输入信号和输出信号，根据期望输出计算反向误差， 对权值进行修正，如果误差小于给定值或迭代次数超过设定值结束学习。输出层的偏差 为：e(1)＝d(1)-o(1)，设定的误差t为1
×
10-9
，最大迭代次数h为5000次。
[0081]
选取步骤1所建立的数据库中的数据训练神经网络。
[0082]
(3)通过神经网络预测去除函数分布系数
[0083]
使用法拉第杯扫描离子束流得到电流密度峰值j
max
和分布参数σf，并作为预测数据 输入神经网络，预测当前状况下的去除函数分布系数σ。
[0084]
4.确定去除函数：
[0085]
将步骤2和步骤3中计算的到的去除函数峰值去除率r
max
和分布系数σ带入到去除 函数的一般表达公式5中，就可以得到去除函数，用于离子束抛光。
[0086]
在本实施例中，还需要提及的是，法拉第扫描离子束流的范围为l，则l应为离子束 束径的4倍以上，保证扫描处离子浓度在直径为l的范围内达到总数量的95％以上。线扫 描实验时离子束扫描元件表面时起点和终点之间的距离为l1，则l1应为离子束束径的4 倍以上，保证离子束在扫描区域中部可以实现足够长度的等量去除来计算去除函数信息。
[0087]
同时，本技术的3层神经网络的输入层元素数量为2，分别为电流密度峰值j
max
和分 布系数σf，输出层的元素数量为1，是去除函数分布系数σ，隐含层的数量为5。
[0088]
如此，本发明通过有限次的法拉第扫描和线扫描实验建立数据库，从而确定离子束 电流密度和去除函数分布系数之间的关系，根据法拉第扫描结果，通过线性公式计算去 除函数峰值去除率，通过bp神经网络预测去除函数分布系数；使用该方法得到的去除函 数信息与通过实验方法得到的去除函数信息基本相同，同时极大的缩短了确定去除函数 的时间，从3小时缩短到了1分钟；同时该方法基于法拉第扫描结果确定去除函数，无需 在元件表面进行去除函数实验，从而节约了成本。
[0089]
同时，本发明通过线性公式和bp神经网络来确定去除函数的分布信息，这种方法对 于所有可用于离子束加工的材料均适用，不受材料特性的限制，可用于所有的离子束加 工过程。