1.一种材料光学常数的确定方法，其特征在于，包括：
获取材料的椭偏测试参数向量；
将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括所述椭偏测试参数向量和所述材料光学常数之间的映射关系。
2.如权利要求1所述的材料光学常数的确定方法，其特征在于，所述机器学习模型的建立方法具体包括：
基于所述椭偏测试参数向量和材料光学常数之间的映射关系构建初始模型的各神经网络层；
构建样本数据，所述样本数据中包括椭偏测试参数向量和材料光学常数向量；
使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型。
3.如权利要求2所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述椭偏测试参数向量输入至所述初始模型，得到当前输出数据；
计算所述当前输出数据与对应的所述材料光学常数向量的差值，若所述差值大于或者等于预设值，则根据所述差值调整所述初始模型的各神经网络层的网络参数；
迭代执行计算所述差值的步骤，直至所述差值小于预设值，则判定所述初始机器学习模型的各神经网络层收敛，得到所述机器学习模型。
4.如权利要求2中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述样本数据分为训练集、验证集和测试集；
将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；
获取所述验证数据的误差曲线的误差值不再降低时刻的优化模型作为第一优化模型；
将所述测试集中的输入参数分别输入所述第一优化模型，得出经所述第一优化模型运算得到的第一输出参数，判断所述第一输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第一优化模型为所述机器学习模型。
5.如权利要求2中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述样本数据分为训练集、验证集和测试集；
将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；
从全部模型中选取在验证集上表现最好的m个优化模型，并对所述m个优化模型的参数取平均值，得到第二优化模型；
将所述测试集中的输入参数分别输入所述第二优化模型，得出经所述第二优化模型运算得到的第二输出参数，判断所述第二输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第二优化模型为所述机器学习模型。
6.如权利要求2中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述样本数据分为训练集、验证集和测试集；
将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；
从全部模型中随机选取n个优化模型，并对所述n个优化模型的参数取平均值，得到第三优化模型；
将所述测试集中的输入参数分别输入所述第三优化模型，得出经所述第三优化模型运算得到的第三输出参数，判断所述第三输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第三优化模型为所述机器学习模型。
7.如权利要求3-6中任一项所述的材料光学常数的确定方法，其特征在于，所述训练集、所述验证集和所述测试集中的所述样本数据为同质数据。
8.如权利要求2所述的材料光学常数的确定方法，其特征在于，还包括：
对所述样本数据进行调整，以使得不同类型的所述输入参数处于同一组频率；
对所述样本数据中的所述输入参数进行归一化处理，以使得不同类型的所述输入参数在同一个量级。
9.如权利要求1-6中任一项所述的材料光学常数的确定方法，其特征在于，还包括：
将已知的椭偏测试参数向量和经过所述机器学习模型运算得出的材料光学常数向量分别作为更新数据的输入参数和更新数据的输出参数；
将所述更新数据的输入参数输入至所述机器学习模型，以得出当前更新输出数据；
计算所述当前更新输出数据与所述更新数据的输出参数之间的差值，若所述差值大于或等于所述预设值，则根据所述差值调整所述机器学习模型的各神经网络层的网络参数；
迭代执行计算所述差值的步骤，直至所述差值小于预设值，则判定所述机器学习模型的各神经网络层收敛，完成对所述机器学习模型的更新。
10.如权利要求9所述的材料光学常数的确定方法，其特征在于，所述椭偏测试参数向量包括：椭偏测试参数向量(δ，ψ)，材料薄膜厚度，材料薄膜波长，材料薄膜入射角，基底折射率实部和基底折射率虚部中的任意一种或多种。
11.如权利要求1-6中任一项所述的材料光学常数的确定方法，其特征在于，所述机器学习模型包含卷积神经网络、全连接神经网络或循环神经网络中的一种或多种。
12.一种材料数据库的扩展方法，其特征在于，包括：
获取待测试材料的椭偏测试参数向量；
将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；
在已知材料数据库中查找所述待测试材料的光学常数；
若所述已知材料数据库中不存在所述待测试材料的光学常数，将测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的测试材料的光学常数扩展至所述已知材料数据库。
13.如权利要求12所述的材料数据库的扩展方法，其特征在于，还包括：
验证所述椭偏测试参数向量对应的测试材料的光学常数是否属于未知新材料；
若所述椭偏测试参数向量对应的测试材料的光学常数属于未知新材料，则将未知新材料的名称扩展至所述已知材料数据库。
14.如权利要求13所述的材料数据库的扩展方法，其特征在于，还包括：
若所述椭偏测试参数向量对应的测试材料的光学常数不属于任何一种未知新材料，则进一步更新所述机器学习模型。
15.一种材料光学常数确定装置，其特征在于，包括：
椭偏测试参数向量获取模块，用于获取待测试材料的多种椭偏测试参数；以及
材料光学常数确定模块，用于将所述椭偏测试参数向量输入至所述机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。
16.一种材料数据库的扩展装置，其特征在于，包括：
椭偏测试参数向量获取模块，用于获取待测试材料的多种椭偏测试参数；
材料光学常数确定模块，用于将所述椭偏测试参数向量输入至所述机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；
查找模块，用于在已知材料数据库中查找所述待测试材料的光学常数；以及
扩展模块，用于若所述已知材料数据库中不存在所述待测试材料的光学常数，将测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的测试材料的光学常数扩展至所述已知材料数据库。
17.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的材料光学常数的确定方法中的步骤，或者12至14任一项所述的材料数据库的扩展方法中的步骤。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的材料光学常数的确定方法中的步骤，或者12至14任一项所述的材料数据库的扩展方法中的步骤。
19.一种椭圆偏振仪(300)，其特征在于，包括：
光源(310)，用于产生检测光线；
光线选择装置(320)，用于调整所述检测光线的波长和偏振角度；
光线偏振补偿装置(330)，将所述光源(310)产生的检测光线修改为任何其他偏振状态，以形成检测光线，并将所述检测光线照射到待测样品(400)的表面，所述待测样品(400)包括基底(410)和所述基底(410)表面的材料薄膜(420)；
光线偏振分析装置(340)，用于获取所述检测光线经所述待测样品(400)反射或者折射后的探测光线，并得出测量结果；所述测量结果包括所述待测样品(400)的椭偏测试参数向量(δ，ψ)，所述材料薄膜(420)的厚度，所述材料薄膜(420)波长，所述材料薄膜(420)入射角，所述基底(410)的折射率实部和所述基底(410)的折射率虚部中的任意一种或多种；以及
材料光学常数确定装置(100)，用于根据所述测量结果，以及所述检测光线的波长，所述检测光线的入射角，所述基底(410)的折射率实部，所述基底(410)的折射率虚部，采用权利要求1-11中的任一项所述的材料光学常数的确定方法确定所述材料薄膜(420)的光学常数，所述光学常数包括所述材料薄膜(420)的折射率实部与折射率虚部中的任意一种或两种。