一种基于机器学习的多层纳米薄膜属性的预测方法

1.本发明涉及一种多层纳米薄膜属性的预测方法，尤其涉及一种基于机器学习的多层纳米薄膜属性的预测方法。


背景技术：

2.纳米薄膜材料是半导体工业的基础，随着半导体集成度的提高，在优化设计方案、提高产品生产的成功率的过程中，准确地测量器件的性能参数(如电学性能、光学性能、限用物质等)成为必不可少的环节。
3.目前，主流的纳米薄膜材料检测方法包括x射线衍射技术、电子显微镜技术、椭偏仪技术等。其中，椭偏仪是半导体行业广泛使用的方法，但仍然存在一些不足：薄膜基片如果是透明的，那么对样品的预处理成本高且耗时；难以测量有机物薄膜；适用于均匀材料；检测数据分析困难，对测量人员有较高的专业能力要求。超快光声技术作为一种新型微纳无损检测技术，其利用飞秒级时间分辨率的脉冲激光来产生和探测材料中的高频超声波，实现高分辨率的光声相互作用检测与成像，在实现纳米级分辨率微结构成像的同时，克服了x射线衍射、电子显微镜会对样品造成辐照损伤的缺陷，同时也弥补了椭偏仪方法的诸多不足。然而，由于超快光声技术中涉及高频超声波的激发、传播、探测等复杂物理过程，其探测到的信号也较为复杂。通过人工判断超快光声技术产生的信号耗时耗力，而且由人为因素造成的漏检或误判会大大降低检测结果的准确率，难以满足现时生产需要。因此，通过机器自动识别超快光声技术探测信号的需求变得十分迫切。


技术实现要素：

4.发明目的：本发明旨在提供一种高检测精度的基于机器学习的多层纳米薄膜属性的预测方法。
5.技术方案：本发明所述的一种基于机器学习的多层纳米薄膜属性的预测方法，包括如下步骤：
6.s1：选用多层纳米薄膜材料试样，利用超快飞秒激光检测装置获取试样表面的瞬时反射率的变化数据；通过理论计算方法获取试件的瞬时反射率的模拟数据，以达到对实验数据的扩充，增加数据集的多样性；所述纳米薄膜可以为透明或非透明薄膜或有机薄膜；
7.s2：构建机器学习模型的特征参数数据集，将经过计算得到的特征值与多层纳米薄膜属性对应；
8.s3：构建初始的预测网络结构，对网络模型进行训练、测试及评估，根据网络模型制作图形用户界面，实现对多层纳米薄膜属性的自动化预测。
9.优选地，所述步骤s1的具体过程为：
10.s11：采用不同光学及声学性能的多层纳米薄膜制备试样，利用超快飞秒激光搭建泵浦探测系统探测试样的反射率或透射率；
11.s12：记录试件的实验参数作为样本参数集，并对实验参数进行微调，将调整后的
样本参数集输入至理论计算程序中，通过理论计算方法，获取瞬时反射率变化的理论数据集；
12.s13：将理论计算数据对实验数据进行扩充，增加数据集的多样性；
13.s14：选取新的试样进行超快光声探测，同样经过s12、s13获取其瞬时反射率或折射率数据。
14.优选地，所述步骤s11中的泵浦探测系统使用的泵浦光脉宽为7～200飞秒。步骤s11利用超快飞秒激光搭建泵浦探测系统，使用泵浦光在试样中激发出高频声脉冲，经过一定时间延迟后，将探测光打至试样，由于在试样内部传输的高频声脉冲会局部改变试样的折射率，因此探测光会在高频声脉冲处发生反射。探测光在高频声脉冲处的反射与在试样表面的反射形成的干涉、试样表面发生位移、试样表面温度变化等因素会使试样总的反射率或透射率发生变化，利用光电探测器探测不同时间延迟下试样的反射率或透射率。
15.优选地，所述步骤s12中的实验参数包括光波长、入射角和试件的折射率、厚度和光弹性系数。
16.优选地，所述步骤s13中的理论计算公式如下：
[0017][0018]
其中，kn是波矢；an、bn是电场常数；是材料的光弹系数；∈n是介电常数；u是位移；n为薄膜材料中层序号。
[0019]
优选地，所述步骤s2的具体过程为：
[0020]
s21：计算各个试样的瞬时反射率变化数据的均值，利用零均值化方法对数据集进行量化处理，获得零均值化数据集；
[0021]
s22：计算零均值化数据集数据的时域包络，获得包络数据集；
[0022]
s23：选择各个试样的包络数据的时域特征tdi(i＝1，2，3，...，15)、频域特征fdj(j＝1，2，3，...，6)及时频特征tfdk(k＝1，2，3)构建特征数据集；
[0023]
s24：将提取的特征数据集与多层纳米薄膜属性对应。
[0024]
优选地，所述步骤s3的具体过程为：
[0025]
s31：搭建含m个隐藏层且每个隐藏层由n个神经元组成的全连接网络，以构建初始的网络结构；所述m取值范围大于2，n的取值遵循以下规则：
[0026][0027]
其中，ns是训练数据集样本数；ni是输入神经元个数；no是输出神经元个数；α是任意值变量，取值范围为2-10。
[0028]
s32：将处理好的包络数据集随机划分为训练数据集、验证数据集、测试数据集，并将其随机输入网络；
[0029]
s33：利用训练数据集对初始的网络结构进行网络参数训练，选用levenberg-marquardt函数作为训练方法，通过验证数据集来比较判断各参数下网络模型的性能，获取
最优的网络结构；测试数据集用于客观的评价神经网络的性能；
[0030]
s34：对训练得到的最佳网络模型进行保存，并制作图形用户界面，实现对多层纳米薄膜属性的自动化预测。
[0031]
有益效果：与现有技术相比，本发明具有如下显著优点：(1)精度高，本发明可以测量的纳米薄膜厚度范围为10～2500nm，测得的纳米薄膜厚度最小可达10nm，检测精度高；(2)检测对象无限制，本发明由于采用的是超快飞秒激光搭建的泵浦探测系统，其检测对象可以是透明或非透明薄膜或有机薄膜；此外，对薄膜基片也没有严格的要求；(3)本发明将机器学习算法应用于多层纳米薄膜的超快光声检测，揭示了多层纳米薄膜属性与检测信号间的对应关系，可以快速获取多层纳米薄膜的内部结构及光学、声学特性，解决了超快光声检测数据解析困难、处理速度慢的问题，对半导体工业及集成电路的在线无损检测具有重要的意义。
附图说明
[0032]
图1为实施例中基于机器学习的多层纳米薄膜属性的预测方法流程图；
[0033]
图2为实施例中获取的厚度为500nm的sio2纳米薄膜样本实验信号(上)与理论模拟信号(下)图；
[0034]
图3为实施例中多层纳米薄膜属性的预测结果图；
[0035]
图4为实施例中多层纳米薄膜属性的自动化预测的图形用户界面示意图。
具体实施方式
[0036]
下面结合附图对本发明的技术方案作进一步说明。
[0037]
下面参照附图描述根据本发明实施例提出的基于机器学习的多层纳米薄膜属性的预测方法，如图1所示，具体实施步骤如下：
[0038]
s1：选用sio2纳米薄膜试样，利用超快飞秒激光检测装置获取试样表面的瞬时反射率的变化数据；通过理论计算方法获取试件的瞬时反射率的模拟数据，以达到对实验数据的扩充，增加数据集的多样性。具体经过以下步骤：
[0039]
s11：采用不同光学及声学性能的多层纳米薄膜制备试样，利用超快飞秒激光搭建探测试样的瞬时反射率或透射率；
[0040]
s12：记录试件的实验参数作为样本参数集，如光波长、入射角和试件的折射率、厚度(1:1:2000nm)、光弹性系数，并对厚度数值(或光波长或入射角等)进行微调，微调后的厚度为1.5:1:1999.5nm，将微调的样本参数集输入至理论计算程序中，获取瞬时反射率变化的理论数据集；
[0041]
s13：将理论计算数据对实验数据进行扩充，增加数据集的多样性。
[0042]
s14：选取新的试样进行超快光声探测，同样经过s12、s13获取其瞬时反射率或折射率数据。
[0043]
通过实验与理论计算方法获取的样本信号示例如图2所示。
[0044]
s2：构建机器学习模型的特征参数数据集，将经过计算得到的特征参数数据集与多层纳米薄膜属性对应。
[0045]
s21：计算各个试样的瞬时反射率变化数据的均值，利用零均值化方法对数据集进
行量化处理，获得零均值化数据集；
[0046]
s22：计算零均值化数据集数据的时域包络，获得包络数据集；
[0047]
s23：选择各个试样的包络数据的时域特征tdi(i＝1,2,3,
…
,15)、频域特征fdj(j＝1,2,3,
…
,6)及时频特征tfdk(k＝1,2,3)构建特征数据集；
[0048]
s24：将提取的特征数据集与多层纳米薄膜属性对应。
[0049]
s3：构建初始的预测网络结构，将包络数据集按80％:10％:10％的比例划分为训练数据集、验证数据集、测试数据集，并对网络模型进行训练、测试及评估。根据模型预测结果绘制多层纳米薄膜属性的预测结果并与实测值对比，从图3中可以看出，能实现高精度预测的纳米薄膜厚度范围为10～2500nm，测得的纳米薄膜厚度最小可达10nm；根据最佳网络模型制作图形用户界面，实现对多层纳米薄膜属性的自动化预测(如图4所示)。