基于卷积神经网络的外延层生长状态判断方法及装置制造方法及图纸

本发明专利技术公开了一种基于卷积神经网络的外延层生长状态判断方法及装置，所述判断方法包括：获取外延层不同生长状态下的实时二维图像；基于所述二维图像获取训练样本对预先建立的初始卷积神经网络模型进行训练，以获取卷积神经网络模型；根据所述卷积神经网络模型获取所述二维图像对应的输出概率向量，以根据所述概率向量判断所述外延层的生长状态，使用卷积神经网络模型代替人工，对分子束外延生长过程的二维图像进行定量和定性的分析，快速准确地判断外延层生长状态，提高外延层生长状态的效率和精准度，实现真正意义上的实时分析。

【技术实现步骤摘要】
基于卷积神经网络的外延层生长状态判断方法及装置
本专利技术涉及半导体
，尤其涉及一种基于卷积神经网络的外延层生长状态判断方法及装置。
技术介绍
分子束外延(MolecularBeamEpitaxy，MBE)是一种物理沉积单晶薄膜的方法。因其在材料化学组分和生长速率控制等方面的优越性，MBE非常适合于各种化合物半导体及其合金材料的同质结和异质结外延生长。目前半导体工业对于器件性能的要求日趋提高，器件设计正向尺寸微型化、结构新颖化、空间低维化方向发展。利用MBE生长高质量的薄膜外延层是半导体工业中不可或缺的一环。然而，传统地对外延层的生长状态基于人工手动分析，而在实际外延生长过程中，对于图谱的分析非常依赖于分析者的经验，需要对不同外延结构对图谱具有充分的了解，且难以做到全程实时监测，通常采用抽样分析的形式，精准度有所欠缺。此外，耗费高额人工资源，人工分析数据的效率难以满足实时分析的需求。
技术实现思路
基于此，有必要针对上述
技术介绍
中的问题，提供一种基于卷积神经网络的外延层生长状态判断方法及装置，使用卷积神经网络模本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的外延层生长状态判断方法，其特征在于，包括：/n获取外延层不同生长状态下的实时二维图像；/n基于所述二维图像获取训练样本对预先建立的初始卷积神经网络模型进行训练，以获取卷积神经网络模型；/n根据所述卷积神经网络模型获取所述二维图像对应的输出概率向量，以根据所述概率向量判断所述外延层的生长状态。/n

【技术特征摘要】
1.一种基于卷积神经网络的外延层生长状态判断方法，其特征在于，包括：
获取外延层不同生长状态下的实时二维图像；
基于所述二维图像获取训练样本对预先建立的初始卷积神经网络模型进行训练，以获取卷积神经网络模型；
根据所述卷积神经网络模型获取所述二维图像对应的输出概率向量，以根据所述概率向量判断所述外延层的生长状态。


2.根据权利要求1所述的基于卷积神经网络的外延层生长状态判断方法，其特征在于，所述获取外延层不同生长状态下的实时二维图像，包括：
获取不同生长状态下的所述外延层的实时衍射图像；
对所述衍射图像进行预处理，获取预处理衍射图像，以基于所述预处理衍射图像获取所述训练样本；
其中，所述预处理包括图像降噪、归一化、有效区域裁剪及重新采样中的至少一种。


3.根据权利要求1所述的基于卷积神经网络的外延层生长状态判断方法，其特征在于，所述初始卷积神经网络模型包括依次相连的卷积层、池化层、全连接层及输出层，所述卷积层与所述池化层为迭代模块。


4.根据权利要求1-3任一项所述的基于卷积神经网络的外延层生长状态判断方法，其特征在于，所述基于所述二维图像获取训练样本对预先建立的初始卷积神经网络模型进行训练，以获取卷积神经网络模型，包括：
获取标注数据组，所述标注数据组包括所述外延层的生长状态类别及与各所述外延层生长状态类别对应的所述二维图像；
将所述标注数据组划分为训练数据集及验证数据集；
获取所述初始卷积神经网络模型的训练配置参数；
将所述训练数据集输入所述初始卷积神经网络模型，正向传播计算所述训练配置参数的损失函数；
判断所述损失函数是否小于预设阈值且训练迭代次数是否大于或等于预设迭代次数；
若是，则确定所述卷积神经网络模型；
反之，则根据所述训练配置参数的优化器进行反向梯度传播计算，重新获取训练配置参数。


5.根据权利要求4所述的基于卷积神经网络的外延层生长状态判断方法，其特征在于，所述将所述训练数据集输入所述初始卷积神经网络模型，正向传播计算所述训练配置参数的损失函数，包括：
根据所述正向传播计算得到所述二维图像的第一分类预测值；<...

【专利技术属性】
技术研发人员：倪健，许翔，薛聪，
申请(专利权)人：埃特曼北京半导体技术有限公司，
类型：发明
国别省市：北京;11