一种基于机器学习的光谱测量质量判定方法技术

本发明专利技术涉及一种基于机器学习的光谱测量质量判定方法，包括：对光谱的特征数据进行降维处理得到降维后光谱特征数据；生成包含多个降维后光谱特征数据的训练集，对训练集中的各个数据点进行聚类模型训练，得到聚类模型及其包含的各个聚类的中心点；对待测光谱的特征数据进行降维处理，基于聚类模型对待测光谱进行分类得到分类结果；基于待测光谱的分类结果对待测光谱的质量进行判定；将传统机器学习模型应用至光学精密测量领域，通过对数据的处理，在不需要光学模型的情况下即可对未知光谱和已知光谱的相似度进行判定，有效排除了光谱结构参数及噪声带来的异常光谱影响，从而可以对光谱测量质量进行分析。光谱测量质量进行分析。光谱测量质量进行分析。

【技术实现步骤摘要】
一种基于机器学习的光谱测量质量判定方法


[0001]本专利技术光学与计算机结合领域，尤其涉及一种基于机器学习的光谱测量质量判定方法。

技术介绍

[0002]光学散射测量方法，也称为OCD(optical critical dimension，光学关键尺寸)测量方法，其基本原理可以概括为：一束具有特殊偏振态的偏振光投射至待测样品表面，通过测量待测样品的衍射光，获得偏振光在反射前后偏振态的变化，进而从中提取出待测样品的结构参数，例如化学气相沉积等镀膜工艺中所获得的薄膜的厚度，以及光刻、刻蚀等工艺中所获得纳米光栅的线宽、线高、侧壁角等。
[0003]与扫描电子显微镜、原子力显微镜等微观形貌测量手段相比，光学散射测量技术具有速度快、成本低、无接触、非破坏等优点，因而在先进工艺在线监测领域获得了广泛应用。然而，扫描电子显微镜、原子力显微镜等测量手段可以直接获得待测样品微观形貌及结构参数，是一种“所见即所得”的测量手段；与之相反，光学散射测量技术获得的仅是一组关于入射波长或入射角度分布的光强信号及其他派生信号，如反射率、椭偏参数、穆勒矩阵等，需要通过一定的数据分析手段才能从测量信号中提取出样品待测结构参数。其主要方法有两种：
①
利用先验知识(如待测结构形貌、所用材料折射率等)针对待测结构建立对应的物理模型，通过非线性拟合等方法，调整物理模型中的参数，使得其对应的理论光谱与样品测量光谱之间的偏差最小。
②
直接使用实测的光谱数据通过神经网络或机器学习方法预测待测结构参数。第一类方法在参数拟合过程中需要反复求解物理模型，当待测结构较为复杂时，该方法的计算效率难以满足实际测量需求。与之相比，第二类方法可以直接实现从测量光谱到待测参数的映射，而不需要依赖物理模型的求解，因此在半导体结构越来越复杂化的发展趋势中，拥有越来越广阔的应用前景。
[0004]在第二类方法中，因其建模完全基于数学模型且一般情况下样本较少，因此其需要训练光谱与测试光谱的质量有一定保证。然而在半导体测量的实际应用过程中，其光谱质量会受到
①
测量光谱受噪声影响
②
测量结构参数存在较大差异性
③
测量样本存在缺陷点等诸多干扰因素的影响，导致其难以拟合出正确的测量结果，从而影响映射模型的训练质量与测试结果。而其为了提高计算效率，省去了物理建模过程，因此难以通过物理模型对光谱质量进行分析，从而增加了模型的不稳定性。甚至会出现低质量光谱难以拟合，从而导致其评测指标始终无法达到要求的情况。

技术实现思路

[0005]本专利技术针对现有技术中存在的技术问题，提供一种基于机器学习的光谱测量质量判定方法，将传统机器学习模型应用至光学精密测量领域，通过对数据的处理，在不需要光学模型的情况下即可对未知光谱和已知光谱的相似度进行判定，有效排除了光谱结构参数及噪声带来的异常光谱影响，从而可以对光谱测量质量进行分析。
[0006]根据本专利技术的第一方面，提供了一种基于机器学习的光谱测量质量判定方法，包括：步骤1，对光谱的特征数据进行降维处理得到降维后光谱特征数据；
[0007]步骤2，生成包含多个所述降维后光谱特征数据的训练集，对所述训练集中的各个数据点进行聚类模型训练，得到聚类模型及其包含的各个聚类的中心点；
[0008]步骤3，对待测光谱的特征数据进行降维处理，基于所述聚类模型对所述待测光谱进行分类得到分类结果，所述分类结果包括：所述待测光谱所属的聚类k、所述待测光谱到其所属聚类k的中心点的距离d
k
以及所述待测光谱所属聚类k的光谱的数量t
k
；
[0009]步骤4，基于所述待测光谱的分类结果对所述待测光谱的质量进行判定。
[0010]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0011]可选的，所述步骤1中对所述光谱进行PCA降维处理。
[0012]可选的，所述步骤1包括：
[0013]步骤101，对所述光谱特征进行标准化处理，生成标准化后的光谱特征向量；
[0014]步骤102，计算光谱特征向量的各维特征之间的协方差矩阵C；
[0015]步骤103，求解所述协方差矩阵C的特征值入及对应的特征向量u，将值最大的K个所述特征值入对应的特征向量u组成特征平面；
[0016]步骤104，将所述光谱特征向量投影到所述特征平面，得到降维后的所述光谱特征。
[0017]可选的，所述步骤2中对所述训练集中各个数据点进行Mean
‑
Shift聚类模型训练。
[0018]可选的，所述步骤2包括：
[0019]步骤201，估算得到所述训练集的带宽距离d；所述带宽距离d为所述训练集中任意点到临近点的距离的均值；
[0020]步骤202，在所述训练集中随机选择n个点作为n个聚类的起始中心点，n为远小于所述训练集中样本个数N的随机参数，所述中心点集合记为C＝[c1，c2，...c
n
]；
[0021]步骤203，将以任意所述中心点c
k
为中心、半径为d的区域中出现的所有数据点，归为聚类集合M
k
；1≤k≤n；
[0022]步骤204，以所述中心点c
k
为中心点，计算所述中心点c
k
到所述聚类集合M
k
中每个数据点的向量之和，得到偏移向量s
k
；
[0023]步骤205，将所述中心点c
k
沿着所述偏移向量s
k
的方向移动，得到新的中心点c_new
k
＝c
k
+s
k
；
[0024]步骤206，重复步骤203
‑
205，所述偏移向量s
k
小于设定阈值时判定迭代收敛；若迭代过程中两个所述中心点的距离小于半径d，则将所述两个中心点合并，并将两个中心点所属的两个所述聚类集合合并，形成新的聚类与中心点并继续迭代；
[0025]步骤207，重复步骤206直到所有的所述聚类集合都收敛。
[0026]可选的，所述步骤201包括：
[0027]步骤20101，随机打乱所述训练集中各个数据点的顺序，对所述训练集中的数据点进行按比例的采样，采样数量为N；
[0028]步骤20102，通过KNN算法找到各个所述数据点最近的K临近点；
[0029]步骤20103，记录每个数据点的K临近点中距离最远的点，并记录其距离集合D＝[d1，d2，...d
N
]；
[0030]步骤20104，计算所述集合D的均值为带宽距离
[0031]可选的，所述步骤4还包括：根据所述待测光谱与所述训练集中的光谱的交叉熵判断其之间的分布相似性，根据所述分布相似性判断所述待测光谱的训练结果的可信度。
[0032]可选的，所述交叉熵的计算公式为：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的光谱测量质量判定方法，其特征在于，所述判定方法包括：步骤1，对光谱的特征数据进行降维处理得到降维后光谱特征数据；步骤2，生成包含多个所述降维后光谱特征数据的训练集，对所述训练集中的各个数据点进行聚类模型训练，得到聚类模型及其包含的各个聚类的中心点；步骤3，对待测光谱的特征数据进行降维处理，基于所述聚类模型对所述待测光谱进行分类得到分类结果，所述分类结果包括：所述待测光谱所属的聚类k、所述待测光谱到其所属聚类k的中心点的距离d
k
以及所述待测光谱所属聚类k的光谱的数量t
k
；步骤4，基于所述待测光谱的分类结果对所述待测光谱的质量进行判定。2.根据权利要求1所述的判定方法，其特征在于，所述步骤1中对所述光谱进行PCA降维处理。3.根据权利要求1或2所述的判定方法，其特征在于，所述步骤1包括：步骤101，对所述光谱特征进行标准化处理，生成标准化后的光谱特征向量；步骤102，计算光谱特征向量的各维特征之间的协方差矩阵C；步骤103，求解所述协方差矩阵C的特征值λ及对应的特征向量u，将值最大的K个所述特征值λ对应的特征向量u组成特征平面；步骤104，将所述光谱特征向量投影到所述特征平面，得到降维后的所述光谱特征。4.根据权利要求1所述的判定方法，其特征在于，所述步骤2中对所述训练集中各个数据点进行Mean－Shift聚类模型训练。5.根据权利要求1或4所述的判定方法，其特征在于，所述步骤2包括：步骤201，估算得到所述训练集的带宽距离d；所述带宽距离d为所述训练集中任意点到临近点的距离的均值；步骤202，在所述训练集中随机选择n个点作为n个聚类的起始中心点，n为远小于所述训练集中样本个数N的随机参数，所述中心点集合记为C＝[c1,c2,
…
c
n
]；步骤203，将以任意所述中心点c
k
为中心、半径为d的区域中出现的所有数据点，归为聚类集合M
k
；1≤k≤n；步骤204，以所述中心点c
k
为中心点，计算所述中心点c
k
到所述聚类集合M
k
中每个数据点的向量之和，得到偏移向量s
k
；步骤205，将所述中心点c
k
沿着所述偏移向量s
k
的方向移动，得到新的中心点c_new
k
＝c
k
+s
...

【专利技术属性】
技术研发人员：郭春付，吴华希，石雅婷，李伟奇，
申请(专利权)人：武汉颐光科技有限公司，
类型：发明
国别省市：