一种拟合测量薄膜厚度的方法技术

本发明专利技术提出的是一种拟合测量薄膜厚度的方法，该方法包括采用了椭圆偏振测量技术和神经网络相结合的方法，通过薄膜的椭圆偏振光参数以及神经网络模型来拟合测量薄膜的厚度；所述神经网络为LSTM循环神经网络。所述拟合测量薄膜厚度的方法适用于对Al

【技术实现步骤摘要】
一种拟合测量薄膜厚度的方法
本专利技术涉及一种拟合测量薄膜厚度的方法，具体涉及一种通过椭圆偏振测量以及神经网络拟合得出薄膜材料的厚度的方法，属于椭圆偏振测量以及神经网络

技术介绍
椭圆偏振光谱仪是一种传统的非接触式光学测量设备，椭圆偏振光谱仪在接近伪布鲁斯特角和非破坏性深度剖析能力时具有高表面灵敏度，已被证明是一种非常可靠的测量工具，结合特定的物理模型和恰当的数据解谱分析，椭圆偏振光谱仪可用于准确测定给定样品的光学性质；同时，已经表明测量数据的拟合中所采用的谐振子近似方法对于模拟给定衬底的介电函数光谱非常有效，结果不仅可确定和分析包括样品表面和表面下层的几何结构，而且还可以确定介电函数光谱的掺杂浓度依赖性；其主要原理是椭偏技术通过分析反射后偏振光的相位以及振幅的改变，可以对厚度比波长更小的薄膜的性质进行分析，一般被测试薄膜的厚度在十几纳米到几百纳米之间，当然也可以测量单原子层薄膜样品，以及体样品的表面信息；对于测试接受的信息，椭偏主要分析的是材料对不同波长的复折射率或者介电函数张量，以此为基础，从而推算得出其他的基本物理性质参数；这些本文档来自技高网...

【技术保护点】
1.一种拟合测量薄膜厚度的方法，其特征是该方法包括采用了椭圆偏振测量技术和神经网络相结合的方法，通过薄膜的椭圆偏振光参数以及神经网络模型来拟合测量薄膜的厚度；所述神经网络为LSTM循环神经网络。/n

【技术特征摘要】
1.一种拟合测量薄膜厚度的方法，其特征是该方法包括采用了椭圆偏振测量技术和神经网络相结合的方法，通过薄膜的椭圆偏振光参数以及神经网络模型来拟合测量薄膜的厚度；所述神经网络为LSTM循环神经网络。


2.根据权利要求1所述的一种拟合测量薄膜厚度的方法，其特征是所述通过薄膜的椭圆偏振光参数以及神经网络模型来拟合测量薄膜的厚度，具体包括如下步骤：
（1）使用光学薄膜设计软件生成不同厚度的薄膜的光学参数，然后用光学参数训练LSTM循环神经网络生成LSTM循环神经网络模型，所述光学参数包括薄膜厚度和不同角度下的椭圆偏振光参数；所述LSTM循环神经网络模型以椭圆偏振光参数作为输入，输出对应的薄膜厚度；
（2）通过椭圆偏振光谱仪测量得出薄膜的椭圆偏振光参数；
（3）将通过椭圆偏振光谱仪测量得出的薄膜的椭圆偏振光参数输入LSTM循环神经网络模型得出薄膜的厚度。


3.根据权利要求2所述的一种拟合测量薄膜厚度的方法，其特征是所述用光学参数训练LSTM循环神经网络生成LSTM循环神经网络模型，具体步骤如下：
（1）使用Keras深度学习框架搭建LSTM循环神经网络，并将其参数随机初始化，所搭建的LSTM循环神经网络共包括四层，其中前三个层为LSTM层，最后一层为全连接层；
（2）将使用FilmWizard光学薄膜设计软件生成的厚度在30nm-200nm之间的不同厚度的薄膜的Psi参数和Delta参数作为训练集来训练LSTM循环神经网络的参数；
（3）训练LSTM循环神经网络的方式为将FilmWizard光学薄膜设计软件生成的薄膜的Psi参数和Delta参数送入LSTM循环神经网络，经过LSTM循环神经网络的网络映射后得到神经网络预测的厚度值h，然后与FilmWizard光学薄膜设计软件生成的薄膜的厚度h’计算损失函数L（h,h’），其中损失函数L为h和h’的均方误差损失；
（4）迭代地计算损失函数L对LSTM循环神经网络参数的梯度，并通过Adam算法更新LSTM循环神经网络的参数，以此实现对LSTM循环神经网络的训练；
所述参数代指整个LSTM循环神经网络模型所有层的所有参数。


4.根据权利要求1-3中任一项所述的一种拟合测量薄膜厚度的方法，其特征是所述薄膜为晶体薄膜、金属氧化物薄膜中的任一种。


5.根据权利要求1所述的一种拟合测量薄膜厚度的方法，其特征是所述椭圆偏振光参数包括振幅反射率比值和相位差。


6.根据权利要求3所述的一种拟合测量薄膜厚度的方法，其特征是所述每个LSTM层中包含若干细胞结构，不同的细胞结构之间具有横向连接，每个LSTM层的映射关系用如下...

【专利技术属性】
技术研发人员：李相相，魏慎金，李晶，
申请(专利权)人：上海辰慧源科技发展有限公司，
类型：发明
国别省市：上海;31