專(zhuān)利名稱(chēng)：一種改進(jìn)的基于支持向量機(jī)的納米結(jié)構(gòu)特征尺寸提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于半導(dǎo)體散射光學(xué)測(cè)量領(lǐng)域，具體涉及一種改進(jìn)的基于支持向量機(jī)的納米結(jié)構(gòu)特征尺寸快速提取方法，相對(duì)于傳統(tǒng)的基于支持向量機(jī)的納米結(jié)構(gòu)特征尺寸提取方法，該方法能獲得更加魯棒的提取結(jié)果。它適用于對(duì)半導(dǎo)體納米結(jié)構(gòu)的特征尺寸進(jìn)行快速、精確地測(cè)量。
背景技術(shù)：
在納米制造工藝過(guò)程中，對(duì)納米結(jié)構(gòu)的三維形貌參數(shù)進(jìn)行快速、非破壞性、低成本的測(cè)量，對(duì)保持納米產(chǎn)品的可靠性、一致性、經(jīng)濟(jì)性和規(guī)模生產(chǎn)方面具有重要的意義。這些待測(cè)的納米結(jié)構(gòu)三維形貌包括特征線寬(特征尺寸)、高度、周期和側(cè)壁角等。光學(xué)散射儀(Scatterometry)是一種基于光學(xué)原理的半導(dǎo)體納米結(jié)構(gòu)特征尺寸測(cè)量設(shè)備。光學(xué)散射儀的測(cè)量過(guò)程包括正向光學(xué)特性建模和逆向求取兩個(gè)部分。正向光學(xué)特性建模是對(duì)待測(cè)納米結(jié)構(gòu)的幾何模型進(jìn)行光學(xué)散射場(chǎng)仿真，獲取仿真光譜。逆向求取部分則包括將測(cè)量光譜與仿真光譜不斷進(jìn)行對(duì)比，在一定的評(píng)價(jià)函數(shù)下相似度最高的仿真光譜對(duì)應(yīng)的模型結(jié)構(gòu)參數(shù)即認(rèn)為是待測(cè)納米結(jié)構(gòu)的參數(shù)值。在光學(xué)散射儀的逆向參數(shù)提取部分，最常用的就是基于庫(kù)匹配的方法。該方法首先要求針對(duì)某個(gè)待測(cè)結(jié)構(gòu)模型建立一個(gè)仿真光譜數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)中每一條獨(dú)立的光譜對(duì)應(yīng)著一個(gè)結(jié)構(gòu)參數(shù)值確定的模型。對(duì)每一條測(cè)量光譜，按照某一評(píng)價(jià)函數(shù)在整個(gè)數(shù)據(jù)庫(kù)中搜尋與其最為近似的仿真光譜，該仿真光譜對(duì)應(yīng)的模型結(jié)構(gòu)參數(shù)值，即被認(rèn)為是待測(cè)結(jié)構(gòu)的參數(shù)值。然而，光譜數(shù)據(jù)庫(kù)中往往包括大量的仿真光譜，并且隨著納米結(jié)構(gòu)待求參數(shù)的增多，仿真參數(shù)范圍的擴(kuò)大以及參數(shù)提取要求精度的提高，光譜的數(shù)量將進(jìn)一步呈現(xiàn)幾何級(jí)數(shù)的增長(zhǎng)。為了滿(mǎn)足工業(yè)中的實(shí)時(shí)性和快速性的參數(shù)提取要求，實(shí)現(xiàn)測(cè)量光譜在大型光譜數(shù)據(jù)庫(kù)中的快速匹配，就需要摒棄傳統(tǒng)的全庫(kù)搜索，提出新的光譜搜索策略。目前，光譜數(shù)據(jù)庫(kù)的搜索策略大體上可以分為兩類(lèi)一類(lèi)是基于硬件加速的測(cè)量光譜匹配，如法國(guó)國(guó)家科學(xué)研究中心的研究員索蘭等人(s. Soulan et al. , Proc.SPIE6518, pp. 1110-1121，2007)采用 了圖形處理器(Graphic Processing Unit, GPU)來(lái)加速測(cè)量光譜在數(shù)據(jù)庫(kù)中的最相似仿真光譜匹配。與中央處理器(Central ProcessingUnit,CPU)不同，圖形處理器是專(zhuān)為處理圖像而設(shè)計(jì)的一種硬件加速模塊，它具有更快的數(shù)據(jù)處理速度、更多的數(shù)據(jù)處理能力和并行計(jì)算能力，索蘭等人通過(guò)將多條仿真光譜整理成一個(gè)代表著“光譜圖像”的矩陣，實(shí)現(xiàn)了光譜的快速匹配，從而實(shí)現(xiàn)了幾何參數(shù)的快速提取。索蘭等人提出的方法盡管實(shí)現(xiàn)了幾何參數(shù)的快速提取，但是隨著仿真光譜數(shù)據(jù)庫(kù)規(guī)模的進(jìn)一步擴(kuò)大，必須采用更為強(qiáng)勁高效的GPU，這限制了這種基于硬件加速的搜索策略的可擴(kuò)展性；另外一類(lèi)則是基于軟件，也就是基于算法的測(cè)量光譜匹配策略，如基于K-d樹(shù)的搜索策略，但是該方法不能預(yù)估搜索需要的時(shí)間，對(duì)于超大型光譜數(shù)據(jù)庫(kù)而言，不具備實(shí)用性。又如基于局部靈敏度哈希散列的光譜搜索方法，該方法通過(guò)預(yù)先準(zhǔn)備好的分類(lèi)器將測(cè)量光譜按照最大概率原則分配到一個(gè)可能包含其最鄰近仿真光譜的小范圍光譜數(shù)據(jù)庫(kù)中，進(jìn)而在這個(gè)小范圍的數(shù)據(jù)庫(kù)中進(jìn)行搜索。該方法是以犧牲了部分精度及魯棒性來(lái)?yè)Q取搜索速度。在支持向量機(jī)的架構(gòu)上，中國(guó)專(zhuān)利文獻(xiàn)CN102750333A “一種用于提取半導(dǎo)體納米結(jié)構(gòu)特征尺寸的方法”提出了一種基于支持向量機(jī)的快速光譜數(shù)據(jù)庫(kù)搜索策略。該基于支持向量機(jī)的快速光譜搜索策略首先訓(xùn)練一個(gè)支持向量機(jī)分類(lèi)器，利用該分類(lèi)器可以將測(cè)量光譜映射到一個(gè)預(yù)先劃分完畢的子光譜數(shù)據(jù)庫(kù)中，進(jìn)而在映射到的子光譜數(shù)據(jù)庫(kù)中展開(kāi)最鄰近仿真光譜搜索。通過(guò)將光譜數(shù)據(jù)庫(kù)劃分成更多的子光譜數(shù)據(jù)庫(kù)，并給分類(lèi)器的輸出端添加相應(yīng)數(shù)目的對(duì)應(yīng)類(lèi)，就可以獲得更快的光譜匹配速度。但是，該方法的結(jié)果，也就是是否能在映射到的子光譜數(shù)據(jù)庫(kù)中搜索到全局最鄰近仿真光譜，取決于分類(lèi)器的映射精度，雖然支持向量機(jī)從理論上具有最優(yōu)的泛化能力，但是單獨(dú)的一個(gè)支持向量機(jī)仍然不能保證具有很高的分類(lèi)正確率。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種改進(jìn)的基于支持向量機(jī)的半導(dǎo)體納米結(jié)構(gòu)特征尺寸提取方法，該方法可以實(shí)現(xiàn)特征線寬、高度、側(cè)壁角等納米結(jié)構(gòu)參數(shù)的精確快速提取，且流程實(shí)現(xiàn)簡(jiǎn)單，進(jìn)一步地實(shí)現(xiàn)了納米結(jié)構(gòu)特征尺寸的魯棒性提取。本發(fā)明提供的一種改進(jìn)的基于支持向量機(jī)的半導(dǎo)體納米結(jié)構(gòu)特征尺寸的方法，該方法包括下述過(guò)程第I步確定每一個(gè)待提取參數(shù)的取值范圍，生成子光譜數(shù)據(jù)庫(kù)；利用訓(xùn)練光譜和支持向量機(jī)訓(xùn)練網(wǎng)絡(luò)進(jìn)行支持向量機(jī)訓(xùn)練；第2步對(duì)每一個(gè)待提取參數(shù)利用第I步中的訓(xùn)練光譜重復(fù)訓(xùn)練多個(gè)支持向量機(jī)，每一個(gè)待提取參數(shù)對(duì)應(yīng)的每一個(gè)支持向量機(jī)的訓(xùn)練終止條件均不相同；第3步利用每一個(gè)待提取參數(shù)對(duì)應(yīng)的多個(gè)支持向量機(jī)，對(duì)測(cè)量光譜進(jìn)行映射；第4步找出每一個(gè)待提取參數(shù)對(duì)應(yīng)的所有支持向量機(jī)映射結(jié)果中出現(xiàn)次數(shù)最高的一個(gè)，該映射結(jié)果對(duì)應(yīng)的子區(qū)間即被認(rèn)為是此待提取參數(shù)最有可能出現(xiàn)的取值區(qū)間；第5步按照第4步的方法，確定所有待提取參數(shù)的子取值區(qū)間，建立一個(gè)子光譜數(shù)據(jù)庫(kù)；第6步在所述的子光譜數(shù)據(jù)庫(kù)中找出與測(cè)量光譜最為相似的仿真光譜，該仿真光譜對(duì)應(yīng)的結(jié)構(gòu)參數(shù)值即認(rèn)為是待測(cè)結(jié)構(gòu)的參數(shù)值。作為上述技術(shù)方案的改進(jìn)，第I步中，訓(xùn)練光譜的獲取方法將每一個(gè)待提取參數(shù)對(duì)應(yīng)一個(gè)支持向量機(jī)，每一個(gè)待提取參數(shù)的取值范圍被劃分成多少個(gè)子取值范圍，則對(duì)應(yīng)的支持向量機(jī)輸出端包含多少個(gè)類(lèi)，每一個(gè)類(lèi)由一個(gè)唯一的數(shù)字標(biāo)示，用來(lái)代表一個(gè)子區(qū)間范圍；每一個(gè)類(lèi)對(duì)應(yīng)著一個(gè)訓(xùn)練光譜集，一個(gè)訓(xùn)練光譜集與一個(gè)子區(qū)間對(duì)應(yīng)；對(duì)每一個(gè)子區(qū)間中等距離散取多個(gè)值，對(duì)每一個(gè)離散取值點(diǎn)利用正向光學(xué)特性建模程序仿真出一條仿真光譜，這些仿真光譜組成的集合即為一個(gè)訓(xùn)練光譜集；一個(gè)支持向量機(jī)所有輸出類(lèi)對(duì)應(yīng)的訓(xùn)練光譜集所包含的總的訓(xùn)練光譜，即為該支持向量機(jī)所需要的訓(xùn)練光譜。與專(zhuān)利文獻(xiàn)CN102750333A相比，本發(fā)明在其基礎(chǔ)上進(jìn)行了相關(guān)改進(jìn)改變了訓(xùn)練光譜集的生成方式，提出了多支持向量機(jī)組映射機(jī)制并采用了投票策略，即采用多個(gè)支持向量機(jī)組對(duì)測(cè)量光譜進(jìn)行映射，從而可以獲得多個(gè)映射結(jié)果。從多個(gè)映射結(jié)果中找出出現(xiàn)頻率最高的一個(gè)結(jié)果。從而增強(qiáng)了支持向量機(jī)的泛化能力，提高了測(cè)量光譜的映射準(zhǔn)確度，進(jìn)而提高了參數(shù)提取的魯棒性。


圖1是本發(fā)明實(shí)例的實(shí)現(xiàn)流程圖；圖2是本發(fā)明中包含的子數(shù)據(jù)庫(kù)建立、分類(lèi)器訓(xùn)練光譜所在參數(shù)范圍的劃分示意圖；圖3是待測(cè)樣件結(jié)構(gòu)示意圖；圖4是本發(fā)明中一個(gè)待提取參數(shù)對(duì)應(yīng)的分類(lèi)器結(jié)構(gòu)示意圖；圖5是光譜在數(shù)據(jù)庫(kù)中的存儲(chǔ)示意圖；圖6是測(cè)量光譜在子數(shù)據(jù)庫(kù)中的匹配檢索示意圖。圖7是隨機(jī)取值模式和等距離散取值模式對(duì)比示意圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式
作進(jìn)一步說(shuō)明。在此需要說(shuō)明的是，對(duì)于這些實(shí)施方式的說(shuō)明用于幫助理解本發(fā)明，但并不構(gòu)成對(duì)本發(fā)明的限定。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。如圖1所示，該方法具體包括下述過(guò)程第I步將每一個(gè)待提取參數(shù)的取值范圍劃分成多個(gè)子取值范圍；第2步在每一個(gè)待提取參數(shù)對(duì)應(yīng)的多個(gè)子取值范圍中選取一個(gè)子取值范圍，生成一個(gè)子參數(shù)取值組合，即一個(gè)子參數(shù)取值組合為所有待提取參數(shù)的某一個(gè)子取值范圍組成的一個(gè)集合；第3步將每一個(gè)子參數(shù)取值組合中的子參數(shù)取值范圍均勻等距離散成多個(gè)值，在每一個(gè)待提取參數(shù)對(duì)應(yīng)的子取值范圍中選取一個(gè)離散值，所有待提取參數(shù)取的離散值組成一個(gè)離散值組合，對(duì)離散值組合利用正向光學(xué)特性建模程序生成一條對(duì)應(yīng)的仿真光譜，所有離散值組合對(duì)應(yīng)的仿真光譜組成一個(gè)子光譜數(shù)據(jù)庫(kù)；第4步將每一個(gè)待提取參數(shù)對(duì)應(yīng)一個(gè)支持向量機(jī),每一個(gè)待提取參數(shù)的取值范圍被劃分成多少個(gè)子取值范圍，則對(duì)應(yīng)的支持向量機(jī)輸出端包含多少個(gè)類(lèi)，每一個(gè)類(lèi)由一個(gè)唯一的數(shù)字標(biāo)示，用來(lái)代表一個(gè)子區(qū)間范圍；每一個(gè)類(lèi)對(duì)應(yīng)著一個(gè)訓(xùn)練光譜集，一個(gè)訓(xùn)練光譜集與一個(gè)子區(qū)間對(duì)應(yīng)。第5步對(duì)每一個(gè)子區(qū)間中等距離散取多個(gè)值(一般情況下，取值個(gè)數(shù)應(yīng)大于1000)，對(duì)每一個(gè)離散取值點(diǎn)利用正向光學(xué)特性建模程序仿真出一條仿真光譜，這些仿真光譜組成的集合即為一個(gè)訓(xùn)練光譜集；一個(gè)支持向量機(jī)所有輸出類(lèi)對(duì)應(yīng)的訓(xùn)練光譜集所包含的總的訓(xùn)練光譜，即為該支持向量機(jī)所需要的訓(xùn)練光譜。第6步對(duì)每一個(gè)待提取參數(shù)利用第5步中的訓(xùn)練光譜重復(fù)訓(xùn)練多個(gè)支持向量機(jī)，每一個(gè)待提取參數(shù)對(duì)應(yīng)的每一個(gè)支持向量機(jī)的訓(xùn)練終止條件均不一樣。第7步利用每一個(gè)待提取參數(shù)對(duì)應(yīng)的多個(gè)支持向量機(jī)，對(duì)測(cè)量光譜進(jìn)行映射。第8步找出每一個(gè)待提取參數(shù)對(duì)應(yīng)的所有支持向量機(jī)映射結(jié)果中出現(xiàn)次數(shù)最高的一個(gè)，該映射結(jié)果對(duì)應(yīng)的子區(qū)間即被認(rèn)為是此待提取參數(shù)最有可能出現(xiàn)的取值區(qū)間。
第9步按照第8步的方法，可以確定所有待提取參數(shù)的子取值區(qū)間，進(jìn)而唯一確定了一個(gè)子光譜數(shù)據(jù)庫(kù)。第10步利用常見(jiàn)的搜索算法在第9步確定的子光譜數(shù)據(jù)庫(kù)中找出與測(cè)量光譜最為相似的仿真光譜，該仿真光譜對(duì)應(yīng)的結(jié)構(gòu)參數(shù)值即認(rèn)為是待測(cè)結(jié)構(gòu)的參數(shù)值。下面以一維梯形光柵結(jié)構(gòu)為例，說(shuō)明本發(fā)明方法的具體過(guò)程。(I)確定一維梯形光柵結(jié)構(gòu)待提取的參數(shù)及其參數(shù)取值范圍；圖3為一維梯形光柵結(jié)構(gòu)示意圖，其線寬(W)、線高(d)和側(cè)壁角(SWA)為待提取的三個(gè)參數(shù)。Λ為該光柵的周期。圖2中分別用三個(gè)長(zhǎng)方形①、②、③的長(zhǎng)度來(lái)代表線寬(W)、線高(d)和側(cè)壁角(SffA)的取值范圍。(2)對(duì)參數(shù)的取值范圍進(jìn)行劃分，對(duì)劃分得到的子參數(shù)范圍進(jìn)行不同的組合。并對(duì)每個(gè)組合進(jìn)行離散取值，通過(guò)正向建模程序生成對(duì)應(yīng)的子光譜數(shù)據(jù)庫(kù)。對(duì)每個(gè)待提取參數(shù)的取值范圍可以采取等值或不等值的方式劃分。本實(shí)例中對(duì)參一維梯形光柵結(jié)構(gòu)待提取的三個(gè)參數(shù)的取值范圍均采用等值對(duì)半劃分方式。分別利用這些不同的子參數(shù)范圍組合，采用正向光學(xué)特性建模過(guò)程獲取訓(xùn)練光譜或者子光譜數(shù)據(jù)庫(kù)中的仿真光譜，訓(xùn)練光譜將用來(lái)訓(xùn)練支持向量機(jī)。正向光學(xué)特性建模過(guò)程的原理是基于麥克斯韋方程的數(shù)值或者解析求解，求解的方式可以采用嚴(yán)格耦合波法或者時(shí)域有限差分法等；正向光學(xué)特性建模程序可以采用自主編寫(xiě)的程序，或者市面上出售的商業(yè)軟件，如Rsoft公司的RSoft軟件。圖2中對(duì)每一個(gè)待提取參數(shù)的取值范圍進(jìn)行等值對(duì)半劃分，即每個(gè)參數(shù)的取值范圍均分為兩部分，每一個(gè)部分稱(chēng)為子參數(shù)范圍。為了對(duì)每個(gè)參數(shù)的不同的兩個(gè)子參數(shù)范圍加以區(qū)分，在圖2中對(duì)每一個(gè)子取值范圍上加入了一個(gè)唯一的幾何形狀:線高d的每一個(gè)子取值范圍分別用位于其中的五角星和六角形表示；線寬w的子取值范圍分別用位于其中的六邊形和七邊形表示；側(cè)壁角SWA的每一個(gè)子取值范圍分別用位于其中的橢圓形和圓形表
/Jn ο按照上述的劃分方法，三個(gè)待提取參數(shù)一共可以獲得六個(gè)子參數(shù)取值范圍，其中每個(gè)參數(shù)包含兩個(gè)子取值范圍。對(duì)每一個(gè)參數(shù)的子取值范圍進(jìn)行組合，則一共可以獲得23一共八種不同的子參數(shù)取值范圍組合，如圖2中虛線橢圓④中所示。每一種組合代表一個(gè)子數(shù)據(jù)庫(kù)對(duì)應(yīng)著的參數(shù)取值范圍。這樣，一共可以建立八個(gè)子數(shù)據(jù)庫(kù)，即N = 8(圖1中k表示所有子數(shù)據(jù)庫(kù)中的某一個(gè)，該子數(shù)據(jù)庫(kù)是利用訓(xùn)練完畢的支持向量機(jī)對(duì)測(cè)量光譜4進(jìn)行映射后確定的一個(gè)子數(shù)據(jù)庫(kù)。具體的支持向量機(jī)訓(xùn)練及映射過(guò)程如下文所述)。對(duì)每一種組合中的三個(gè)子參數(shù)取值范圍分別進(jìn)行離散取值(離散取值即將一個(gè)連續(xù)的取值范圍等距離散成多個(gè)點(diǎn)，如對(duì)I 2這個(gè)范圍離散取5個(gè)點(diǎn)，則這5個(gè)點(diǎn)分別為1、1.25、1.5、1.75和2)，利用正向光學(xué)特性建模軟件對(duì)每一種離散取值組合進(jìn)行仿真，得到仿真光譜。以第一種組合為例，對(duì)這三個(gè)子參數(shù)范圍分別等距離離散取k1;k2，匕個(gè)參數(shù)值(k1;k2，k3S正整數(shù)，均需要大于或等于1，數(shù)值越大，最后的參數(shù)提取結(jié)果越精確。本實(shí)例中將k1; k2，k3均取為20)，則對(duì)生成的Ic1Xk2Xk3種不同的參數(shù)模型分別利用正向光學(xué)特性建模生成對(duì)應(yīng)的光譜，則一共有IqXk2Xk3條仿真光譜(即本實(shí)例中一共具有203 = 8000條仿真光譜)，此即為生成的第一個(gè)子數(shù)據(jù)庫(kù)。其余子數(shù)據(jù)庫(kù)的建立方式與其一致。子數(shù)據(jù)庫(kù)在計(jì)算機(jī)中的存儲(chǔ)模式如圖5所示。子數(shù)據(jù)庫(kù)包含光譜數(shù)據(jù)存儲(chǔ)矩陣 和對(duì)應(yīng)的結(jié)構(gòu)參數(shù)存儲(chǔ)矩陣部分 、 , 、在光譜數(shù)據(jù)存儲(chǔ)矩陣 K矩陣的每一行代表一條仿真光譜。線高存儲(chǔ)列向量β、線寬存儲(chǔ)列向量 和側(cè)壁角存儲(chǔ)列向量 中的每一行元素分別光譜數(shù)據(jù)存儲(chǔ)矩陣中的一條光譜對(duì)應(yīng)，如箭頭 示。亦即一條測(cè)量光譜是由其對(duì)應(yīng)的一組結(jié)構(gòu)參數(shù)值通過(guò)正向光學(xué)特性建模仿真程序得到。(3)生成訓(xùn)練光譜，并利用訓(xùn)練光譜訓(xùn)練多組支持向量機(jī)。上述第(I)步和第(2)步與CN102750333A中的一致。本發(fā)明中的創(chuàng)新點(diǎn)之一在于該第⑶步。待提取參數(shù)為三個(gè),將支持向量機(jī)的數(shù)目也設(shè)定為三個(gè),這三個(gè)支持向量機(jī)作為一個(gè)支持向量機(jī)組。一個(gè)支持向量機(jī)組中的每一個(gè)支持向量機(jī)對(duì)應(yīng)著一個(gè)待提取參數(shù)。圖4為一個(gè)支持向量機(jī)分類(lèi)器的訓(xùn)練不意圖。訓(xùn)練光譜⑧為一個(gè)支持向量機(jī)訓(xùn)練網(wǎng)絡(luò)⑨的輸入，輸入端一共有M個(gè)訓(xùn)練光譜集，每一個(gè)集合中對(duì)應(yīng)著一個(gè)類(lèi)所需要的訓(xùn)練光譜。輸出端⑩為分類(lèi)器包含的每一個(gè)類(lèi)的一個(gè)代表值。圖2中，每一個(gè)參數(shù)的取值范圍被劃分成兩個(gè)子取值范圍，則設(shè)定每一個(gè)參數(shù)對(duì)應(yīng)著的支持向量機(jī)包含兩個(gè)類(lèi)。圖2小虛線橢圓⑤中為第一個(gè)支持向量機(jī)訓(xùn)練用到的每一類(lèi)的參數(shù)取值范圍選擇示意圖。小虛線橢圓⑤中，在第一類(lèi)和第二類(lèi)分別對(duì)應(yīng)的參數(shù)取值范圍中，線寬和側(cè)壁角的取值范圍相同，而線高的取值范圍則各為整個(gè)線高取值范圍的一半。同理可見(jiàn)于小虛線橢圓⑥與⑦中。以小虛線橢圓⑤中線高d對(duì)應(yīng)的第一個(gè)支持向量機(jī)為例，由于該支持向量機(jī)包含兩個(gè)類(lèi)，每一個(gè)類(lèi)具有對(duì)應(yīng)的參數(shù)取值范圍組合，對(duì)每一個(gè)類(lèi)對(duì)應(yīng)的參數(shù)取值范圍等距離散選取不同的參數(shù)值，組成一個(gè)參數(shù)值確定的模型(即一個(gè)模型具有一個(gè)唯一的線高、線寬和側(cè)壁角值)，模型的數(shù)目可自由設(shè)定，但需要大于500 (在本實(shí)例中，對(duì)每一類(lèi)選取的參數(shù)值模型數(shù)目均設(shè)定為1500)，利用正向光學(xué)特性建模軟件對(duì)每一個(gè)模型生成對(duì)應(yīng)的訓(xùn)練光譜，則每一類(lèi)具有其對(duì)應(yīng)的一個(gè)訓(xùn)練光譜集。此處相對(duì)于CN102750333A中的“在每一個(gè)類(lèi)對(duì)應(yīng)的參數(shù)取值范圍組合中對(duì)每一種參數(shù)的取值范圍隨機(jī)選取不同的參數(shù)值”這一取值方式，本發(fā)明中的等距離散取值方式避免了隨機(jī)取值方式可能出現(xiàn)的參數(shù)過(guò)于集中現(xiàn)象，進(jìn)而從源頭上提高了支持向量機(jī)的泛化能力。具體的，如圖7所示，在隨機(jī)取值模式@中(大圓表示某個(gè)參數(shù)的取值范圍，小黑圓點(diǎn)表示一個(gè)取值)，可以發(fā)現(xiàn)出現(xiàn)了許多取值集中的現(xiàn)象，結(jié)果導(dǎo)致取值分布極為不均勻。而在等距離散取值模式 下，取值均勻地分布在參數(shù)范圍內(nèi)，這在一定程度上保證了最終支持向量機(jī)的泛化能力。進(jìn)一步的，在本實(shí)例中每一個(gè)支持向量機(jī)對(duì)應(yīng)著兩個(gè)訓(xùn)練光譜集，兩個(gè)光譜集共具有3000條訓(xùn)練光譜。這兩個(gè)訓(xùn)練光譜集對(duì)應(yīng)著圖4中的⑧，對(duì)于支持向量機(jī)的輸出，由于圖2中考慮的為二分類(lèi)問(wèn)題，因此將輸出值O或者I作為每一個(gè)類(lèi)的代表值。將生成的訓(xùn)練光譜作為輸入，將O和I組成的向量
作為輸出端參數(shù)，該
向量對(duì)應(yīng)著圖4中的⑩。利用圖4所示的支持向量機(jī)訓(xùn)練網(wǎng)絡(luò)⑨對(duì)訓(xùn)練光譜⑧和輸出向量⑩進(jìn)行訓(xùn)練。支持向量機(jī)的訓(xùn)練方法可以采用最小二乘法或者動(dòng)態(tài)規(guī)劃法(本實(shí)例采用動(dòng)態(tài)規(guī)劃法)，支持向量機(jī)核函數(shù)本實(shí)例中選為徑向基核函數(shù)，其表達(dá)式為:
權(quán)利要求
1.一種改進(jìn)的基于支持向量機(jī)的半導(dǎo)體納米結(jié)構(gòu)特征尺寸的方法，該方法包括下述過(guò)程: 第I步確定每一個(gè)待提取參數(shù)的取值范圍，生成子光譜數(shù)據(jù)庫(kù)；利用訓(xùn)練光譜和支持向量機(jī)訓(xùn)練網(wǎng)絡(luò)進(jìn)行支持向量機(jī)訓(xùn)練； 第2步對(duì)每一個(gè)待提取參數(shù)利用第I步中的訓(xùn)練光譜重復(fù)訓(xùn)練多個(gè)支持向量機(jī)，每一個(gè)待提取參數(shù)對(duì)應(yīng)的每一個(gè)支持向量機(jī)的訓(xùn)練終止條件均不相同； 第3步利用每一個(gè)待提取參數(shù)對(duì)應(yīng)的多個(gè)支持向量機(jī)，對(duì)測(cè)量光譜進(jìn)行映射； 第4步找出每一個(gè)待提取參數(shù)對(duì)應(yīng)的所有支持向量機(jī)映射結(jié)果中出現(xiàn)次數(shù)最高的一個(gè)，該映射結(jié)果對(duì)應(yīng)的子區(qū)間即被認(rèn)為是此待提取參數(shù)最有可能出現(xiàn)的取值區(qū)間； 第5步按照第4步的方法，確定所有待提取參數(shù)的子取值區(qū)間，建立一個(gè)子光譜數(shù)據(jù)庫(kù)； 第6步在所述的子光譜數(shù)據(jù)庫(kù)中找出與測(cè)量光譜最為相似的仿真光譜，該仿真光譜對(duì)應(yīng)的結(jié)構(gòu)參數(shù)值即認(rèn)為是待測(cè)結(jié)構(gòu)的參數(shù)值。
2.根據(jù)權(quán)利要求1所述的改進(jìn)的基于支持向量機(jī)的半導(dǎo)體納米結(jié)構(gòu)特征尺寸的方法，其特征在于，第I步中，訓(xùn)練光譜的獲取方法: 將每一個(gè)待提取參數(shù)對(duì)應(yīng)一個(gè)支持向量機(jī)，每一個(gè)待提取參數(shù)的取值范圍被劃分成多少個(gè)子取值范圍，則對(duì)應(yīng)的支 持向量機(jī)輸出端包含多少個(gè)類(lèi)，每一個(gè)類(lèi)由一個(gè)唯一的數(shù)字標(biāo)示，用來(lái)代表一個(gè)子區(qū)間范圍；每一個(gè)類(lèi)對(duì)應(yīng)著一個(gè)訓(xùn)練光譜集，一個(gè)訓(xùn)練光譜集與一個(gè)子區(qū)間對(duì)應(yīng)；對(duì)每一個(gè)子區(qū)間中等距離散取多個(gè)值，對(duì)每一個(gè)離散取值點(diǎn)利用正向光學(xué)特性建模程序仿真出一條仿真光譜，這些仿真光譜組成的集合即為一個(gè)訓(xùn)練光譜集；一個(gè)支持向量機(jī)所有輸出類(lèi)對(duì)應(yīng)的訓(xùn)練光譜集所包含的總的訓(xùn)練光譜，即為該支持向量機(jī)所需要的訓(xùn)練光譜。
3.根據(jù)權(quán)利要求1或2所述的改進(jìn)的基于支持向量機(jī)的半導(dǎo)體納米結(jié)構(gòu)特征尺寸的方法，其特征在于，第I步中，子光譜數(shù)據(jù)庫(kù)的獲取方法: (1.1)將每一個(gè)待提取參數(shù)的取值范圍劃分成多個(gè)子取值范圍； (1.2)在每一個(gè)待提取參數(shù)對(duì)應(yīng)的多個(gè)子取值范圍中選取一個(gè)子取值范圍，生成一個(gè)子參數(shù)取值組合； (1.3)將每一個(gè)子參數(shù)取值組合中的子參數(shù)取值范圍均勻等距離散成多個(gè)值，在每一個(gè)待提取參數(shù)對(duì)應(yīng)的子取值范圍中選取一個(gè)離散值，所有待提取參數(shù)取的離散值組成一個(gè)離散值組合，對(duì)離散值組合利用正向光學(xué)特性建模程序生成一條對(duì)應(yīng)的仿真光譜，所有離散值組合對(duì)應(yīng)的仿真光譜組成一個(gè)子光譜數(shù)據(jù)庫(kù)。
全文摘要
本發(fā)明公開(kāi)了一種改進(jìn)的基于支持向量機(jī)的半導(dǎo)體納米結(jié)構(gòu)特征尺寸提取方法，步驟為確定每一個(gè)待提取參數(shù)的取值范圍，生成子光譜數(shù)據(jù)庫(kù)；利用訓(xùn)練光譜和支持向量機(jī)訓(xùn)練網(wǎng)絡(luò)進(jìn)行支持向量機(jī)訓(xùn)練；對(duì)每一個(gè)待提取參數(shù)利用訓(xùn)練光譜重復(fù)訓(xùn)練多個(gè)支持向量機(jī)，每一個(gè)支持向量機(jī)的訓(xùn)練終止條件均不相同；利用多個(gè)支持向量機(jī)，對(duì)測(cè)量光譜進(jìn)行映射；找出所有支持向量機(jī)映射結(jié)果中出現(xiàn)次數(shù)最高的一個(gè)，視為最有可能出現(xiàn)的取值區(qū)間；建立子光譜數(shù)據(jù)庫(kù)，找出其中與測(cè)量光譜最為相似的仿真光譜，即認(rèn)為是待測(cè)結(jié)構(gòu)的參數(shù)值。本發(fā)明可以實(shí)現(xiàn)特征線寬、高度、側(cè)壁角等納米結(jié)構(gòu)參數(shù)的精確快速提取，且流程實(shí)現(xiàn)簡(jiǎn)單，進(jìn)一步地實(shí)現(xiàn)了納米結(jié)構(gòu)特征尺寸的魯棒性提取。
文檔編號(hào)G01B11/00GK103075959SQ20121054569
公開(kāi)日2013年5月1日 申請(qǐng)日期2012年12月13日 優(yōu)先權(quán)日2012年12月13日
發(fā)明者劉世元, 朱金龍, 張傳維, 陳修國(guó) 申請(qǐng)人:華中科技大學(xué)