【技术实现步骤摘要】
本专利技术属于半导体集成电路封装，更具体地说，涉及一种基于神经网络的光子引线键合技术。
技术介绍
1、硅基光电子集成芯片具有高速传输、集成度高、兼容性好等优点，在光通信系统、传感器技术和生物医学成像与检测等多个领域具有广泛应用。硅基光电子集成芯片制造方法主要通过运用光子引线键合（pwb）实现芯片与芯片间或芯片与光纤间的耦合。光子引线键合技术概念最早由德国karlsruhe理工大学研究小组提出，该方法通过控制高能量的脉冲激光束，在光刻胶中形成三维的聚合物波导，初步实现了芯片与光纤之间的耦合。
2、随着硅基光电子芯片的不断发展，制备工艺逐步完善，纳米芯片制造实现微米级的跨区，对耦合精度的要求更为严苛。因飞秒激光器的飞秒激光特性以及光子能量的粒子特性，使得光子引线键合技术极为困难。国内外目前的光子引线键合技术在x与y方向的对准通常是在芯片制作的同时进行作为参照物的标记制作，使得x和y方向的对准精度有所提高，但在z方向的精确对准上仍难以做到精确控制。因此，现阶段光子引线键合系统使用时，主要使用手动调节的方式去控制设备工作，该方式不仅耗时，成本也较高，并且，由于缺少对z方向的高度精度控制，很难保证耦合效率。
3、综上可见，为提高硅基光电子集成芯片的光子引线键合智能化水平，迫切需要一种新型光子引线键合控制技术，以实现芯片精准对准，提升耦合效率。
技术实现思路
1、针对上述技术问题，本专利技术提供一种基于神经网络的光子引线键合参数预测方法，引入全连接前馈神经网络建立目标光
2、本专利技术第一方面提出一种基于神经网络的光子引线键合参数预测方法，该方法包括以下步骤：
3、s1：确定影响双光子聚合直写技术的环境参量和键合控制参量，在光子引线键合测试过程中，每次测试控制其中一个参量改变，其余参量不变，测得的实际耦合效率超过阈值时，记录对应的参量数据以及实际耦合效率和实际z方向高度，按预设顺序排列后作为一条向量数据，直到所有参量均遍历完后，形成由多条向量数据构成的数据集；所述环境参量包括环境温度、环境压力、相对湿度；所述键合控制参量包括中心相对高度差、低折射率包层材料参量、三维模型形状、飞秒激光波长、激光脉冲宽度、激光重复频率、期望耦合效率，期望z方向高度；
4、s2：对于所述数据集中的向量数据进行归一化处理，将处理后的数据集划分为训练集及测试集；
5、s3：以全连接前馈神经网络作为基础构建初始的光子引线键合参数预测模型，所述全连接前馈神经网络包括依次连接的输入层、隐藏层和输出层，所述输入层包含8个输入单元，分别用于输入环境温度、环境压力、相对湿度、中心相对高度差、低折射率包层材料参量、三维模型形状，以及期望z方向高度和耦合效率；所述输出层包含3个输出单元，分别用于输出飞秒激光波长、激光脉冲宽度、激光重复频率的预测值；
6、s4：利用所述训练集对光子引线键合参数预测模型进行训练，使用测试集对训练完成后的光子引线键合参数预测模型进行测试验证，使用控制变量法更新优化所述模型中隐藏层层数和节点数，当用于评估模型对于测试集的预测值和实际值之间误差的损失函数趋于收敛时模型训练完成，得到所需目标光子引线键合参数预测模型；
7、s5：使用所述目标光子引线键合参数预测模型对光子引线键合中飞秒激光器的输出参量进行预测，所述输出参量包括飞秒激光波长、激光脉冲宽度、激光重复频率。
8、本专利技术的第二方面提出一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序在被处理器调用时，执行上述基于神经网络的光子引线键合参数预测方法。
9、本专利技术的第三方面提出一种光子引线键合控制系统，包括飞秒激光器、振镜、物镜、xyz控制台、样品台和计算机。计算机用于接收获取或设置的环境温度、环境压力、相对湿度、中心相对高度差、低折射率包层材料参量、三维模型形状、期望z方向高度和期望耦合效率，以及通过上述基于神经网络的光子引线键合参数预测方法，得到的目标光子引线键合参数预测模型预测飞秒激光器输出参量，以及通过与其电连接的xyz控制台调整样品台的位置；所述飞秒激光器根据所述飞秒激光器输出参量输出相应的脉冲激光束；所述振镜用于控制脉冲激光束的激光焦点，根据三维模型形状在物镜焦平面上对光敏树脂进行扫描。
10、本专利技术的第四方面提出一种光子引线键合控制方法，基于上述光子引线键合控制系统，包括以下步骤：
11、将待互连的第一对象和第二对象固定到同一样品台上；所述第一对象为光子芯片，所述第二对象为光纤或光子芯片；
12、将第一对象和第二对象的互连区域嵌入至光敏树脂中，自动检测光子引线键合波导端面和耦合结构在光敏树脂中的实际位置；
13、根据所述波导端面位置，调整用于将第一对象端面连接至第二对象端面的pwb波导的三维模型形状；
14、根据期望z方向高度以及第一对象和/或第二对象上作为参照物的标记，通过所述xyz控制台调整样品台的位置进行对准操作；
15、所述计算机接收预先获取的环境温度、环境压力、相对湿度、中心相对高度差、低折射率包层材料参量、三维模型形状，并设置期望z方向高度和期望耦合效率，通过目标光子引线键合参数预测模型预测飞秒激光器输出参量；
16、所述飞秒激光器根据预测的飞秒激光器输出参量输出相应的脉冲激光束；
17、所述振镜控制脉冲激光束根据pwb波导的三维模型形状对光敏树脂按路径进行聚焦扫描，得到实际波导结构；
18、写入完成后，所述pwb波导被嵌入至低折射率的包覆材料，由此实现第一对象和第二对象的互连。
19、相比于现有技术，本专利技术的优点在于：
20、（1）本专利技术全面充分考虑影响双光子聚合直写技术的环境参量和键合控制参量，通过依次改变上述参量进行光子引线键合测试，并由此获取可用于光子引线键合参数预测模型训练和测试的数据集。
21、（2）本专利技术通过引入全连接前馈神经网络作为光子引线键合参数预测模型的基础，并通过第（1）条所述数据集对模型进行训练，得到目标光子引线键合参数预测模型。基于目标光子引线键合参数预测模型可预测当前环境和键合条件下飞秒激光器的输出参数（飞秒激光波长、激光脉冲宽度和激光重复频率），以通过精确飞秒激光器的最佳输出参数，使实际耦合效率接无限接近期望耦合效率，进而提升光器件连接耦合效率。
22、（3）本专利技术通过计算机自动控制xyz控制台的z方向高度，不再需要人工调节xyz控制台进行对准操作，不仅能实现对z方向高度的精准控制，结合目标光子引线键合参数预测模型还能保证在该高度下，自动计算并输出与期望耦合效率相匹本文档来自技高网...
【技术保护点】
1.一种基于神经网络的光子引线键合参数预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，所述模型训练过程中，输入数据进入隐藏层的处理方式分为两步：首先对于输入数据进行线性变换，计算数据进入节点的出值；然后对所述出值进行非线性激活函数处理，计算隐藏该节点的输出激活值。
3.如权利要求2所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，所述非线性激活函数为：
4.如权利要求1所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，使用控制变量法更新优化所述模型中隐藏层层数及节点数，具体包括：先在相同的隐藏层数量下，控制节点数从50变化到500，以50为增量步长，选取损失函数值小于0.001时模型的节点数固定不变；再控制隐藏层层数从2变化到20，以2为增量步长，选取损失函数值<0.0001时模型的隐藏层层数，由此得到所述模型的最优隐藏层层数和最优节点数。
5.如权利要求4所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，所述最优隐藏层层数为20层
6.如权利要求1所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，所述损失函数的表达式如下：
7.如权利要求1至6任意一项所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，使用梯度下降算法及反向传播算法更新网络权重及偏置，以最小化损失函数。
8.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序在被处理器调用时，执行权利要求1至7任意一项所述的基于神经网络的光子引线键合参数预测方法。
9.一种光子引线键合控制系统，包括飞秒激光器、振镜、物镜、XYZ控制台、样品台和计算机，其特征在于，所述计算机用于接收获取或设置的环境温度、环境压力、相对湿度、中心相对高度差、低折射率包层材料参量、三维模型形状、期望z方向高度和期望耦合效率，以及通过权利要求1至7任意一项所述的基于神经网络的光子引线键合参数预测方法得到的目标光子引线键合参数预测模型预测飞秒激光器输出参量，以及通过与其电连接的XYZ控制台调整样品台的位置；所述飞秒激光器根据所述飞秒激光器输出参量输出相应的脉冲激光束；所述振镜用于控制脉冲激光束的激光焦点，根据三维模型形状在物镜焦平面上对光敏树脂进行扫描。
10.一种光子引线键合控制方法，其特征在于，基于权利要求9所述的系统，包括以下步骤：
...【技术特征摘要】
1.一种基于神经网络的光子引线键合参数预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，所述模型训练过程中，输入数据进入隐藏层的处理方式分为两步：首先对于输入数据进行线性变换，计算数据进入节点的出值；然后对所述出值进行非线性激活函数处理，计算隐藏该节点的输出激活值。
3.如权利要求2所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，所述非线性激活函数为：
4.如权利要求1所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，使用控制变量法更新优化所述模型中隐藏层层数及节点数，具体包括：先在相同的隐藏层数量下，控制节点数从50变化到500，以50为增量步长，选取损失函数值小于0.001时模型的节点数固定不变；再控制隐藏层层数从2变化到20，以2为增量步长，选取损失函数值<0.0001时模型的隐藏层层数，由此得到所述模型的最优隐藏层层数和最优节点数。
5.如权利要求4所述的一种基于神经网络的光子引线键合参数预测方法，其特征在于，所述最优隐藏层层数为20层；所述最优节点数为200个。
6.如权利要求1所述的一种基于神经网络的光子引线键合参数预测方...
【专利技术属性】
技术研发人员：韩正国，蒋卫锋，张淋，谢龙勤，蔡忠贸，相子涵，高亚太，刘瑞琦，孙宝国，仲轶辰，张岂铭，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。