发明公布-2022114906374-混合模型学习方法、光学散射测量方法和电子设备.pdf

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN115829052A
(43)申请公布日2023.03.21
(21)申请号202211490637.4G01N21/49(2006.01)

(22)申请日2022.11.25
(71)申请人上海精测半导体技术有限公司
地址201702上海市青浦区徐泾镇双浜路
269、299号1幢1、3层
(72)发明人梁洪涛张厚道张晓雷张云
施耀明
(74)专利代理机构上海恒锐佳知识产权代理事
务所(普通合伙)31286
专利代理师吴浩
(51)Int.Cl.
G06N20/00(2019.01)
G01B11/02(2006.01)
G01B11/06(2006.01)
G01B11/26(2006.01)
权利要求书2页说明书10页附图10页
(54)发明名称
混合模型学习方法、光学散射测量方法和电
子设备
(57)摘要
本发明提供了一种用于光学散射测量的混
合模型学习方法、光学散射测量方法和电子设
备，包括：基于物理模型和材料的结构参数，通过
分析实验光谱进行回归方式获得回归数据，回归
数据为仿真光谱或待测参数预测值；将参考参数
作为标签数据，将标签数据和回归数据共同输入
机器学习模型进行训练；当机器学习模型的损失
函数的损失值达到设定阈值时停止训练，获得混
合模型。该方法结合了物理模型的泛化能力和机
器学习模型的精度优势，能够提升半导体量测中
的测量速度和精度。
CN115829052A
CN115829052A权利要求书1/2页

1.一种用于光学散射测量的混合模型学习方法，其特征在于，包括：
基于物理模型和材料的结构参数，通过分析实验光谱进行回归方式获得回归数据，所
述回归数据为仿真光谱或待测参数预测值；
将参考参数作为标签数据，将所述标签数据和所述回归数据共同输入机器学习模型进
行训练；
当所述机器学习模型的损失函数的损失值达到设定阈值时停止训练，获得混合模型。
2.根据权利要求1所述的方法，其特征在于，将参考参数作为标签数据，将所述标签数
据和所述回归数据共同输入机器学习模型进行训练，包括：
将所述参考参数作为标签数据，将所述标签数据、所述回归数据和用于作为自变量的
所述实验光谱共同输入机器学习模型进行训练。
3.根据权利要求1所述的方法，其特征在于，通过分析实验光谱进行回归方式获得回归
数据之后，还包括：
对所述待测参数预测值进行加权，得到加权待测参数作为正则化项；
将参考参数作为标签数据，将所述标签数据和所述回归数据共同输入机器学习模型进
行训练，包括：
将所述参考参数作为标签数据，将所述标签数据、所述正则化项和用于作为自变量的
所述实验光谱共同输入机器学习模型进行训练。
4.根据权利要求3所述的方法，其特征在于，所述对所述待测参数预测值进行加权，包
括：
计算对所述待测参数预测值进行加权的权重，所述权重正比于所述待测参数预测值与
所述参考参数的相关程度；
根据所述权重对所述待测参数预测值进行加权。
5.一种用于光学散射测量的混合模型学习方法，其特征在于，包括：
在参考参数附近的设定范围内进行采样获得采样参数；
基于物理模型和材料的结构参数，基于所述采样参数进行仿真获得仿真光谱；
将所述采样参数和所述参考参数作为标签数据，将实验光谱、所述标签数据和所述仿
真光谱共同输入机器学习模型进行训练；
当所述机器学习模型的损失函数的损失值达到设定阈值时停止训练，获得混合模型。
6.根据权利要求5所述的方法，其特征在于，所述机器学习模型包括第一学习模型和第
二学习模型；
将所述采样参数和所述参考参数作为标签数据，将实验光谱、所述标签数据和所述仿
真光谱共同输入机器学习模型进行训练，包括：
将所述采样参数作为标签数据，将所述仿真光谱作为自变量，共同输入所述第一学习
模型进行训练，当所述第一学习模型的损失函数的损失值达到设定阈值时停止训练，获得
训练模型；
将实验光谱作为自变量输入所述训练模型，获得所述实验光谱的待测参数预测值；
将所述参考参数作为标签数据；
将所述标签数据和所述实验光谱的待测参数预测值共同输入所述第二学习模型进行
训练，或，将所述标签数据、所述实验光谱的待测参数预测值和用于作为自变量的所述实验

2
CN115829052A权利要求书2/2页
光谱共同输入所述第二学习模型进行训练。
7.根据权利要求6所述的方法，其特征在于，将所述实验光谱作为自变量输入所述训练
模型，获得所述实验光谱的待测参数预测值之后，还包括：
对所述实验光谱的待测参数预测值进行加权，得到加权待测参数作为正则化项；
将所述标签数据和所述实验光谱的待测参数预测值共同输入所述第二学习模型进行
训练，或，将所述标签数据、所述实验光谱的待测参数预测值和用于作为自变量的所述实验
光谱