测量薄膜光学常数的方法、系统、计算设备和存储介质与流程

1.本公开的各实施例涉及量测领域，更具体地涉及用于测量薄膜的光学常数的方法、系统、计算设备和计算机可读存储介质。


背景技术：

2.薄膜光学测量在半导体、光电等工业领域被广泛应用。传统的用于测量薄膜(例如而不限于是半导体器件或者光电器件中所包括的薄膜)光学常数方案中，通常涉及参数空间和数据空间两个空间。参数空间例如是由所有可能的参数(例如薄膜的厚度和折射率)而构成的。数据空间例如是由具有不同参数的薄膜的光学响应(例如反射光谱或者折射光谱而形成的。为了实现典型的薄膜光学常数的测量，通常需要在参数空间中选择初始参数，并以该初始参数为起点来通过电磁模拟计算其光学响应，然后将模拟计算的光学响应与实测的光学响应进行比较，由此来确定光学响应的更新方向。然后，通过在参数空间的每个维度上进行几次电磁仿真并比较光谱数据的差异，以便确定参数的变化对光谱的影响，由此来改变参数进而实现光学响应上的更新。重复上述过程，直到模拟计算的光学响应与实测的光学响应相匹配为止。
3.在上述传统的用于测量薄膜光学常数的方案中，由于建立收敛方向需要的电磁模拟计算数量正比于参数空间的维度。因此对于具有较少层数的简单的待测薄膜而言，由于参数个数较少，上述传统的用于测量薄膜光学常数的方案仍然能胜任。但是，对于层数较多的待测薄膜而言，随着薄膜层数和参数的迅速增加，建立收敛方向所需的电磁模拟计算的数量巨大，这将导致冗长的计算时间。
4.综上，传统的用于测量薄膜光学常数的方案存在的不足之处在于：难以针对多层薄膜进行快速的量测。


技术实现要素：

5.本公开提出了一种用于测量薄膜的光学常数的方法、系统、计算设备和非暂态机器可读存储介质，能够快速实现多层薄膜的量测。进一步的，本公开即便针对十层以上、甚至更多层的薄膜层、且厚度不等的薄膜，也能够快速地量测其光学参数。
6.根据本公开的第一方面，其提供了一种用于测量薄膜的光学常数的方法。该方法包括：获取光源所发出的多个波长的入射光的光源光谱数据；获取关于待测薄膜的出射光谱数据，出射光谱数据是利用所述入射光对包括多层的薄膜层的待测薄膜进行测量而生成的；基于所述光源光谱数据和所述出射光谱数据，计算实测光谱数据，所述实测光谱数据至少指示所述待测薄膜在入射光的多个波长下的反射率或透射率；将光源光谱数据输入用于仿真待测薄膜中的光的传播特性的薄膜网络模型，以便薄膜网络模型所输出的关于待测薄膜的模拟光谱数据接近所述实测光谱数据；以及基于所述薄膜网络模型的参数，确定所述待测薄膜的折射率和薄膜层的薄膜主体的厚度中的至少一个。
7.根据本公开的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单
元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得计算设备执行本公开的第一方面或者第二方面中的方法。
8.根据本发明的第三方面，还提供了一种非暂态机器可读存储介质，其上存储有机器可读程序指令，机器可读程序指令被配置为使得机器执行根据本公开的第一方面中的方法。
9.根据本公开的第四方面，还提供了一种用于测量薄膜光学常数的系统，包括：光谱测量设备，被配置成基于多个波长的入射光对待测薄膜进行测量，以便生成关于待测薄膜的出射光谱数据；以及计算设备，其被配置为可操作地以执行根据本公开的第一方面或者第二方面中的方法。
10.在一些实施例中，所述待测薄膜包括至少10层的薄膜层，各层薄膜层的薄膜主体的厚度相同或者不同。
11.在一些实施例中，各层薄膜层的薄膜主体的厚度被包括在所述薄膜网络模型的参数中，所述待测薄膜用于半导体器件。
12.在一些实施例中，基于所确定的各层薄膜层的薄膜主体的厚度，确定关于薄膜主体的厚度的分布范围；确定是否存在与所述分布范围的偏差超过预定阈值的薄膜主体的厚度；以及响应于存在与所述分布范围的偏差超过预定阈值的薄膜主体的厚度，确定所述薄膜主体所对应的薄膜层为异常薄膜层。
13.在一些实施例中，所述薄膜网络模型包括膜主体网络层和界面网络层，所述膜主体网络层用于仿真所述薄膜层的薄膜主体中光的传播特性，所述界面网络层用于仿真相邻薄膜层之间的界面层中光的传播特性，所述薄膜网络模型的正向传播特性指示所述待测薄膜中的光的传输特性。
14.在一些实施例中，所述膜主体网络层用于经由膜主体转换矩阵将所述膜主体网络层输入侧的场振幅特征向量转换为所述膜主体网络层输出侧的场振幅特征向量，所述膜主体转换矩阵与所述膜主体网络层所仿真的薄膜层的薄膜主体中传播的光附加的相位相关联。
15.在一些实施例中，所述界面网络层用于经由界面矩阵将界面网络层输入侧的场振幅特征向量转换为所述界面网络层输出侧的场振幅特征向量。
16.在一些实施例中，所述膜主体网络层被配置为类似于神经网络的神经元层，所述界面网络层被配置为类似于神经网络的权重层。
17.在一些实施例中，用于测量薄膜的光学常数的方法还包括：获取所述待测薄膜所包括的薄膜层的层数和薄膜层的初始厚度；以及基于所述层数和薄膜层的初始厚度，配置所述薄膜网络模型的膜主体网络层和界面网络层，所述薄膜网络模型的反向传播过程是基于神经网络的反向传播特性而配置的。
18.在一些实施例中，所述薄膜网络模型经由以下而训练：以实测光谱数据为训练目标，训练所述薄膜网络模型，以便经由调整薄膜网络模型的参数以使得模拟光谱数据拟合实测光谱数据。
19.在一些实施例中，所述实测光谱数据至少指示所述待测薄膜在入射光的多个波长下的反射率或透射率，将光源光谱数据输入用于仿真待测薄膜中的光的传播特性的薄膜网
络模型包括：将所测量的光源参比数据输入薄膜网络模型,光源光谱数据包括所测量的光源参比数据。
20.还应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开实施例的其它特征将通过以下的描述变得容易理解。
附图说明
21.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
22.图1示出了根据传统测量薄膜的光学常数的方法与根据本公开实施例的测量薄膜光学常数的方法的对比示意图。
23.图2示出了根据本公开的实施例的用于测量薄膜的光学常数的方法的示例系统的示意图。
24.图3示出了根据本公开的实施例的用于测量薄膜的光学常数的方法300的流程图。
25.图4示意性示出了薄膜网络模型和神经网络建立对应联系的示意图。
26.图5示意性示出了薄膜网络模型的膜主体网络层和界面网络层的示意图。
27.图6示意性示出了薄膜网络模型的反向传播过程和多层神经网络的反向传播过程的对比示意图。
28.图7示出了根据本公开的实施例的用于测量单层待测薄膜光学常数的方法所测结果的示意图。
29.图8示出了根据本公开的实施例的用于测量多层待测薄膜光学常数的方法所测结果的对比示意图。
30.图9示出了根据本公开的实施例的用于确定待测薄膜的异常薄膜层的方法的流程图。
31.图10示出了根据本公开的实施例的用于确定待测薄膜的异常薄膜层的方法的示意图
32.图11示意性示出了适于用来实现本公开实施例的电子设备的框图。
具体实施方式
33.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
34.图1示出了根据传统的测量薄膜的光学常数的方法与根据本公开实施例的测量薄膜光学常数的方法的对比示意图。图1的右侧部分示意性地示出了根据传统的测量薄膜的光学常数的方法。如图1所示，在传统的测量薄膜的光学常数的方法中，待测薄膜(未示出)的一组光学参数例如用图1中参数空间150(例如是三维参数空间)中的一个小球来表示，而待测薄膜的光谱用数据空间130(例如是两维数据空间)中的一个小立方体来表示。在图1中，每一个小球标记一组参数数据。每一个小立方体标记一组光谱数据。通过电磁仿真模
拟，每个小球都对应着一个小立方体，如图1中由自参数空间150的小球指向数据空间130的对应小立方体的直线所示。每一个上述直线指示一次电磁模拟，即基于小球所标记的一组参数数据计算小立方体所标记的一组光谱数据。对于被标记为第一小球152的第一组参数数据，其向着极小值处的收敛方向是通过对第一小球152的相邻点(例如第二小球154和第三小球156)的电磁模拟结果的比较而确定的。例如，第一小球152需要被逐步移动至相邻的谷底位置158，即第一组参数数据需要沿着收敛的方向逐步调整直至使得经由电磁模拟而对应的数据空间内的光谱数据最为接近实测光谱数据的极小值参数数据(该极小值参数数据例如被标记为谷底位置158)。为了获知该收敛的方向，需要例如使得标记为第一小球152的第一组参数数据调整至标记为第二小球154的第二组参数数据，以及基于第二组参数数据计算标记为第二小立方体134的第二组光谱数据。然后使得标记为第一小球152的第一组参数数据调整至标记为第三小球156的第三组参数数据，以及基于第三组参数数据计算标记为第三小立方体136的第三组光谱数据。然后比较第二组光谱数据相对于第一组光谱数据(第一组光谱数据是基于第一组参数数据而计算)的变化、以及第三组光谱数据相对于第一组光谱数据的变化，以便确定哪一个调整方向可以使得第一组参数快速地收敛(即使得小球快速地下降)，以此类推，直至将小球调整至谷底位置158。
35.在上述传统的用于测量薄膜光学常数的方案中，由于建立收敛方向需要的电磁模拟计算数量正比于参数空间的维度，需要模拟每一次参数变化下光谱数据的变化。因此对于层数较多的待测薄膜而言，随着薄膜层数和参数的迅速增加，建立收敛方向所需的电磁模拟计算数量巨大，这将导致冗长的计算时间。尤其是针对具有上百层薄膜层的复合待测薄膜而言，这将使得测量过程消耗相当多的时间。因而，传统的用于测量薄膜光学常数的方案存在难以针对多层薄膜进行快速量测的不足。
36.图1的左侧部分示出了根据本公开实施例的测量薄膜光学常数的方法。本公开直接构建一个类似于神经网络的薄膜网络模型140，该薄膜网络模型140为用于仿真待测薄膜中的光的传播特性的薄膜网络模型(例如其正向传播特性指示待测薄膜中的光的传输特性)。该薄膜网络模型140例如包括多个膜主体网络层142以及一个或多个界面网络层146。每个膜主体网络层142用于仿真薄膜层的薄膜主体中光的传播特性，每个界面网络层146于仿真相邻薄膜层之间的界面层中光的传播特性。薄膜网络模型140的输入例如是光源光谱数据110，而薄膜网络模型140的输出是待测薄膜的模拟光谱数据120(例如是折射光谱数据或者投射光谱数据)。因此，传统测量薄膜的光学常数的方法中的数据空间130中的小立方体转化为薄膜网络模型140的模拟光谱数据120，而传统测量薄膜的光学常数的方法中的参数空间中的一组薄膜参数(例如小球)转化为了薄膜网络模型140的内在参数，例如网络参数144，该网络参数144例如至少包括膜主体的厚度d、膜主体网络层142和界面网络层146的个数n(λ)。
37.经研究发现，薄膜网络模型140本身可以通过反向传播自主更新其网络参数144，而不再需要额外的电磁模拟计算来获得收敛方向。因此，应当理解，在薄膜网络模型140中的各组成部分之间建立起类似于神经网络模型的各网络层之间的关系，则针对薄膜网络模型140的训练过程，可以使得优化网络参数144，使其能够实现基于薄膜网络模型140的输入(即光源光谱数据110)而生成薄膜网络模型140的输出(即模拟光谱数据120)接近与待测薄膜的实测光谱数据，以及基于优化网络参数144获得待测薄膜的折射率和薄膜主体的厚度
中的至少一个。而不需要如通过多次电磁模拟计算过程，因而能够使得大幅缩减每次迭代所需要的时间，进而能够快速实现多层薄膜的量测。
38.因此，为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于测量薄膜光学常数的方案。通过基于所获取的光源光谱数据和出射光谱数据，计算至少指示待测薄膜在入射光的多个波长下的反射率或透射率的实测光谱数据，以及通过将光源光谱数据输入用于仿真待测薄膜中的光的传播特性的薄膜网络模型(例如，该薄膜网络模型正向传播特性指示待测薄膜中的光的传输特性)，使其能够实现基于薄膜网络模型的输入(即，光源光谱)而生成接近与待测薄膜的实测光谱数据的模拟光谱。并且基于薄膜网络模型的参数来确定待测薄膜的折射率或者透射率，本公开不再需要额外的多次电磁模拟计算来获得收敛方向，因此即便测量多层的待测薄膜，也能大幅缩减每次迭代所需要的时间，进而能够快速地实现多层薄膜的量测。即便针对十层以上、甚至更多层的薄膜层、且厚度不等的薄膜，本公开也能够快速地量测其光学参数。另外，本公开在传输矩阵计算过程中增加了反向传播，相较于传统的差分计算方法而言具有显著的技术优势；同时，本公开无需数据集进行训练，仅需实测光谱数据，因而与传统的基于神经网络的方案相比，也具有明显的技术优势。
39.图2示出了根据本公开的实施例的可用于测量薄膜的光学常数的方法的示例系统200的示意图。如图2所示，系统200包括：光谱测量设备210、计算设备230以及待测薄膜220。
40.关于光谱测量设备210，其用于利用来自光源的多个波长的入射光对待测薄膜进行测量，以便生成至少指示待测对象在入射光的多个波长下的出射光谱数据。如图2所示光谱测量设备210至少多个第一光学透镜l1、第二光学透镜l2、第三光学透镜l3、第四光学透镜l4、用于发出入射光的入射光光纤f1、用于接收出射光的出射光光纤f2、反射镜m、以及bs半反半透镜等其他部件。
41.关于待测薄膜220，其例如包括多层薄膜层。在一些实施例中，待测薄膜220的薄膜层例如而不限于是sio2。在一些实施例中，衬底为透明衬底或半透明衬底。在一些实施例中，待测薄膜的薄膜层的折射率小于衬底的折射率。在一些实施例中，待测薄膜220包括至少10层的薄膜层，各层薄膜层的薄膜主体的厚度相同或者不同。在一些实施例中，待测薄膜220用于半导体器件或者光电器件，为半导体器件或者光电器件的组成部分。在一些实施例中，待测薄膜220与计算设备230集成在一起。在一些实施例中，待测薄膜220与计算设备230分离设置。
42.关于计算设备230，其例如用于获取光源所发出的多个波长的入射光的光源光谱数据；获取关于待测薄膜的出射光谱数据；基于所述光源光谱数据和所述出射光谱数据，计算实测光谱数据；将光源光谱数据输入用于仿真待测薄膜中的光的传播特性的薄膜网络模型，以便薄膜网络模型所输出的关于待测薄膜的模拟光谱数据接近所述实测光谱数据；以及基于所述薄膜网络模型的参数，确定所述待测薄膜的折射率和薄膜层的薄膜主体的厚度中的至少一个。计算设备230可以具有一个或多个处理单元，包括诸如gpu、fpga和asic等的专用处理单元以及诸如cpu的通用处理单元。另外，在每个计算设备230上也可以运行着一个或多个虚拟机。
43.计算设备230例如包括光源光谱数据获取单元232、出射光谱数据获取单元234、实测光谱数据计算单元236、薄膜网络模型单元238、折射率和薄膜主体的厚度确定单元240。
44.关于光源光谱数据获取单元232，其用于获取光源所发出的多个波长的入射光的光源光谱数据。
45.关于出射光谱数据获取单元234，其用于获取关于待测薄膜的出射光谱数据，出射光谱数据是利用所述入射光对包括多层的薄膜层的待测薄膜进行测量而生成的。
46.关于实测光谱数据计算单元236，其用于基于所述光源光谱数据和所述出射光谱数据，计算实测光谱数据，所述实测光谱数据至少指示所述待测薄膜在入射光的多个波长下的反射率或透射率。
47.关于薄膜网络模型单元238，其用于将光源光谱数据输入用于仿真待测薄膜中的光的传播特性的薄膜网络模型，以便薄膜网络模型所输出的关于待测薄膜的模拟光谱数据接近所述实测光谱数据。
48.关于折射率和薄膜主体的厚度确定单元240，其用于基于所述薄膜网络模型的参数，确定所述待测薄膜的折射率和薄膜层的薄膜主体的厚度中的至少一个。
49.下文将结合图3至图4来具体说明用于测量薄膜的光学常数的方法300。图3示出了根据本公开的实施例的用于测量薄膜的光学常数的方法300的流程图。图4示出了根据本公开的一些实施例的薄膜网络模型400的示意图。应当理解，方法300例如可以在图11所描述的电子设备1100处执行。也可以在图2所描述的计算设备230处执行。应当理解，方法300还可以包括未示出的附加组成部分、动作和/或可以省略所示出的组成部分、动作，本公开的范围在此方面不受限制。
50.在步骤302处，计算设备230获取光源所发出的多个波长的入射光的光源光谱数据。例如，计算设备230获取图2中经由入射光光纤f1发出的入射光的光谱数据，即光源光谱数据。
51.在步骤304处，计算设备230获取关于待测薄膜的出射光谱数据，出射光谱数据是利用所述入射光对包括多层的薄膜层的待测薄膜进行测量而生成的。例如，计算设备230获取图2中经由出射光光纤f2发出的出射光的光谱数据，即出射光谱数据。
52.关于待测薄膜，其例如至少包括多层(例如是预定层数)的薄膜层。图4的左侧示意性示出了待测薄膜410的结构。如图4所示，待测薄膜410包括层叠的多层薄膜。多层薄膜中的每两个相邻薄膜层之间有一个界面。在一些实施例中，待测薄膜包括至少10层的薄膜层，各层薄膜层的薄膜主体的厚度相同或者不同。在一些实施例中，待测薄膜用于半导体器件。
53.在步骤304处，计算设备230基于所述光源光谱数据和所述出射光谱数据，计算实测光谱数据，所述实测光谱数据至少指示所述待测薄膜在入射光的多个波长下的反射率或透射率。
54.例如，计算设备230基于出射光谱数据与光源光谱数据的比值，计算实测光谱数据。通过采用上述手段，本公开能够使得实测光谱数据反映待测薄膜在的绝对反射率或透射率，而不受光源光谱的差异性而影响。
55.在步骤306处，计算设备230将光源光谱数据输入用于仿真待测薄膜中的光的传播特性的薄膜网络模型，以便薄膜网络模型所输出的关于待测薄膜的模拟光谱数据接近所述实测光谱数据。
56.在一些实施例中，计算设备230将所测量的光源参比数据输入薄膜网络模型,光源光谱数据包括所测量的光源参比数据。在一些实施例中，所测量的光源参比数据的光源强
度例如为1，如图1的光源光谱数据110所指示。通过采用上述手段，有利于简化运算。
57.关于薄膜网络模型，其包括膜主体网络层和界面网络层，膜主体网络层用于仿真薄膜层的薄膜主体中光的传播特性，界面网络层用于仿真相邻薄膜层之间的界面层中光的传播特性，薄膜网络模型的正向传播特性指示待测薄膜中的光的传输特性。本公开通过将所获取的光源光谱数据输入薄膜网络模型，有利于使得薄膜网络模型的输出的模拟光谱数据能够直接反映绝对的反射率或者透射率。
58.关于膜主体网络层，其用于经由膜主体转换矩阵将膜主体网络层输入侧的场振幅特征向量转换为膜主体网络层输出侧的场振幅特征向量，膜主体转换矩阵与膜主体网络层所仿真的薄膜层的薄膜主体中传播的光附加的相位相关联。
59.关于界面网络层，其用于经由界面矩阵将界面网络层输入侧的场振幅特征向量转换为界面网络层输出侧的场振幅特征向量。
60.薄膜网络模型的正向传播过程用于仿真光在待测薄膜中的传播过程。图4示意性示出了薄膜网络模型和神经网络模型的建立对应联系的示意图。图4的左侧示意性示出了薄膜网络模型410的网络结构示意图。薄膜网络模型410包括多个膜主体网络层和一个或者多个的界面网络层。薄膜网络模型410的第i
‑
1层的膜主体网络层412用于仿真待测薄膜的第i
‑
1层的薄膜主体。薄膜网络模型410的第i层的膜主体网络层414用于仿真待测薄膜的第i层的薄膜主体。界面网络层用于仿真待测薄膜的第i
‑
1层的薄膜主体与第i的薄膜主体之间的相邻界面。薄膜网络模型410的可被调整的网络参数包括折射率n(λ)和薄膜主体的厚度d。在一些实施例中，薄膜网络模型410还包括膜表面网络层(例如图4左侧的第0层所示)和衬底网络层，即图4左侧的第n层所示。
61.图4的右侧示意性示出了多层神经网络430的网络结构示意图。多层神经网络430包括输入层、多个神经元网络层432、436和权重层434和输出层438。薄膜网络模型410的膜主体网络层类似于多层神经网络430的神经元网络层432。薄膜网络模型430的界面网络层类似于多层神经网络430的权重层434。薄膜网络模型430的膜表面网络层类似于多层神经网络430的输入层，薄膜网络模型430的衬底网络层类似于多层神经网络430的输出层438。
62.图5示意性示出了薄膜网络模型的膜主体网络层和界面网络层的示意图。图5的左侧部分示意性示出了薄膜网络模型的第i
‑
1层的膜主体网络层的输出侧510(下方)和第i层的膜主体网络层的输入侧514(上方)之间的界面网络层512和第i层的膜主体网络层516。图5的右侧部分示意性示出了多层神经网络的权重层520、神经元层522、以及权重层520的输入和输出、神经元层522的输入和输出。
63.关于多层神经网络的权重层处的正向传播，以下结合表达式(1)加以说明。
[0064][0065]
在上述表达式(1)中，代表多层神经网络的第i个权重层的输入，代表多层神经网络的第i个权重层的输出。w
i
代表多层神经网络的第i个权重矩阵，其用于将第i个权重层的输入x
i
‑1转换为i个权重层的输出y
i
。
[0066]
关于薄膜网络模型的界面网络层处的正向传播，以下结合表达式(2)加以说明。
[0067][0068]
在上述表达式(2)中，a
i
‑1和b
i
‑1代表了第i个界面网络层上方的场振幅特征向量，c
i
和d
i
代表了第i个界面网络层下方的场振幅特征向量。t
i
代表薄膜网络模型的第i个界面矩阵，其用于将第i个界面网络层上方的场振幅特征向量转换为第i个界面网络层下方的场振幅特征向量。即，界面网络层，其用于经由界面矩阵将界面网络层输入侧的场振幅特征向量转换为界面网络层输出侧的场振幅特征向量。
[0069]
通过对比上述表达式(1)和(2)可知，薄膜网络模型的界面网络层的正向传播过程类似于神经网络的权重层的正向传播过程。
[0070]
关于多层神经网络在神经元层处的正向传播过程，以下结合表达式(3)加以说明。
[0071][0072]
在上述表达式(3)中，代表多层神经网络的第i个神经元层的输出，代表多层神经网络的第i个神经元层的输入。f
i
代表第i个神经元层的激活函数，其用于将第i个神经元层的输入y
i
转换输出x
i
。
[0073]
关于薄膜网络模型的膜主体网络层处的正向传播，以下结合表达式(4)加以说明。
[0074][0075]
在上述表达式(4)中，c
i
和d
i
代表了第i个膜主体网络层上方的场振幅特征向量，a
i
和b
i
代表了第i膜主体网络层下方的场振幅特征向量。代表第i个膜主体转换矩阵，其用于将第i个膜主体上方的场振幅特征向量转网络层换为第i膜主体下方的场振幅特征向量。即，膜主体网络层经由膜主体转换矩阵将膜主体网络层输入侧的场振幅特征向量转换为膜主体网络层输出侧的场振幅特征向量。φ
i
代表由于第i层薄膜主体厚度给其中传播的光附加的相位。j代表虚数单位。
[0076]
通过对比上述表达式(3)和(4)可知，薄膜网络模型的膜主体网络层的正向传播过程类似于神经网络的神经元层的正向传播过程。
[0077]
通过上述比较应当理解，用于仿真多层薄膜的薄膜网络模型与多层神经网络和多层薄膜的正向传播过程具有类似性。
[0078]
关于薄膜网络模型的训练方法，其例如包括：以实测光谱数据为训练目标，训练所述薄膜网络模型，以便经由调整薄膜网络模型的参数以使得模拟光谱数据拟合实测光谱数据。
[0079]
关于训练薄膜网络模型的方法例如：基于列文伯格
‑
马夸尔特算法lm(levenberg
‑
marquarelt)训练薄膜网络模型，以下结合表达式(5)说明训练薄膜网络模型的方法。
[0080][0081]
在上述表达式(5)中，x
k+1
和x
k
分别代表第k+1轮迭代与第k轮迭代的输入参数，代表x
k
的梯度向量。k代表迭代轮数。u代表可变参数，通过改变u的大小可以调整步
长，例如通过减小u值来增大步长，加快收敛速度。i代表单位矩阵。g代表矩阵。通过采用lm算法训练薄膜网络模型，可以使得薄膜网络模型的收敛速度快、并且不容易陷入局部极值，稳定接近最优网络参数值。
[0082]
应当理解，待测薄膜之中不存在与多层神经网络的反向传播对应的过程。因此，本公开的薄膜网络模型需要被配置有类似于神经网络的反向传播过程。
[0083]
图6示意性示出了薄膜网络模型的反向传播过程和多层神经网络的反向传播过程的对比示意图。
[0084]
关于神经网络模型的反向传播，以下结合表达式(6)加以说明。
[0085][0086]
在上述表达式(6)中，l代表多层神经网络的损失函数。代表从损失函数l开始传播之后的梯度。代表权重矩阵的转置。
[0087]
关于薄膜网络模型的反向传播，以下结合表达式(7)加以说明。
[0088][0089]
在上述表达式(7)中，l1代表薄膜网络模型的损失函数。r代表能量反射率。和代表从损失函数l开始传播之后的梯度开始传播之后的梯度。代表界面矩阵的转置。代表第i个膜主体转换矩阵。
[0090]
关于薄膜网络模型的损失函数l1，可以基于以下表达式(8)加以计算。
[0091][0092]
在上述表达式(8)中，l1代表薄膜网络模型的损失函数。r代表薄膜网络模型的预测值。代表薄膜网络模型的期望值。
[0093]
在步骤310，计算设备230基于所述薄膜网络模型的参数，确定所述待测薄膜的折射率和薄膜层的薄膜主体的厚度中的至少一个。
[0094]
例如，以下结合图7说明根据本公开实施例的方法测量不同厚度的单层待测薄膜的折射率的效果。图7示出了根据本公开的实施例的用于测量单层待测薄膜光学常数的方法的测量结果700的示意图。例如，图7的标记710指示待测薄膜的实测反射率随波长变化的曲线。标记712指示基于本公开测量方法得到的待测薄膜的拟合反射率随波长变化的曲线。由图7可知，基于本公开测量方法所测得的待测薄膜的拟合反射率和实测反射率的差距很小，即本公开方法的测量结果很准确。
[0095]
以下结合图8说明根据本公开实施例的方法测量多层待测薄膜的反射率的拟合过程。图8示出了根据本公开的实施例的用于测量多层待测薄膜光学常数的方法的测量结果
800的对比示意图。例如，图8中的(a)列指示多层待测薄膜的结构示意图，标记810指示2层薄膜层，标记812指示60层薄膜层，标记814指示232层薄膜层。图8中的(b)列的标记820指示2层待测薄膜的实测反射率相对于波长的变化曲线，标记822指示2层待测薄膜的初始反射率相对于波长的变化曲线。图8中的(c)列的标记840指示2层待测薄膜的实测反射率相对于波长的变化曲线，标记842指示2层待测薄膜的拟合反射率相对于波长的变化曲线。图8中的(b)列的标记824指示60层待测薄膜的实测反射率相对于波长的变化曲线，标记826指示60层待测薄膜的初始反射率相对于波长的变化曲线。图8中的(c)列的标记844指示60层待测薄膜的实测反射率相对于波长的变化曲线，标记846指示60层待测薄膜的拟合反射率相对于波长的变化曲线。图8中的(b)列的标记828指示232待测薄膜的实测反射率相对于波长的变化曲线，标记830指示232层待测薄膜的初始反射率相对于波长的变化曲线。图8中的(c)列的标记848指示232层待测薄膜的实测反射率相对于波长的变化曲线，标记850指示232层待测薄膜的拟合反射率相对于波长的变化曲线。由图8可知，对于2层薄膜层、60层薄膜层和232层薄膜层而言，根据本公开方法所计算的反射率均能很好地拟合实测反射率。
[0096]
以下结合以下表1来说明本公开测量待测薄膜的方法与传统的测量薄膜的方法所耗费时间的对比情况。
[0097]
表1
[0098]
多层膜层数260232传统方法每次迭代时间0.034s3.196s67.498s我们方法每次迭代时间0.042s0.166s0.924s
[0099]
由上述表1可知，对于传统的用于测量薄膜光学参数的方法，测量2层薄膜层、60层薄膜层和232层薄膜层的每次迭代时间分别是0.034s、3.196s和67.498s。可见，随着待测薄膜的层数的增加，每次迭代所需要的时间显著增加。而相对于传统用于测量薄膜光学参数的方法，本公开的用于测量薄膜光学参数的方法，测量2层薄膜层、60层薄膜层和232层薄膜层的每次迭代时间分别是0.042s、0.166s和0.924s。因此，本公开的方法随着层数的增加，每次迭代所需要的时间大幅缩减。
[0100]
在上述方案中，通过基于所获取的光源光谱数据和出射光谱数据，计算至少指示待测薄膜在入射光的多个波长下的反射率或透射率的实测光谱数据，以及通过将光源光谱数据输入用于仿真待测薄膜中的光的传播特性的薄膜网络模型(例如，该薄膜网络模型正向传播特性指示待测薄膜中的光的传输特性)，使其能够实现基于薄膜网络模型的输入(即，光源光谱)而生成接近与待测薄膜的实测光谱数据的模拟光谱。并且基于薄膜网络模型的参数来确定待测薄膜的折射率或者透射率，本公开不再需要额外的多次电磁模拟计算来获得收敛方向，因此即便测量多层的待测薄膜，也能大幅缩减每次迭代所需要的时间，进而能够快速地实现多层薄膜的量测。即便针对十层以上、甚至更多层的薄膜层、且厚度不等的薄膜，本公开也能够快速地量测其光学参数。
[0101]
下文将结合图9和图10来具体说明用于确定待测薄膜的异常薄膜层的方法900。图9示出了根据本公开的实施例的用于确定待测薄膜的异常薄膜层的方法900的流程图。图10示出了根据本公开的实施例的用于确定待测薄膜的异常薄膜层的方法1000的示意图。应当理解，方法900例如可以在图11所描述的电子设备1100处执行。也可以在图2所描述的计算设备230处执行。应当理解，方法900还可以包括未示出的附加组成部分、动作和/或可以省
略所示出的组成部分、动作，本公开的范围在此方面不受限制。
[0102]
在步骤902处，计算设备230基于所确定的各层薄膜层的薄膜主体的厚度，确定关于薄膜主体的厚度的分布范围。
[0103]
在步骤904处，计算设备230确定是否存在与所述分布范围的偏差超过预定阈值的薄膜主体的厚度。
[0104]
在步骤906处，如果计算设备230存在与所述分布范围的偏差超过预定阈值的薄膜主体的厚度，确定所述薄膜主体所对应的薄膜层为异常薄膜层。
[0105]
在步骤908处，如果计算设备230不存在与所述分布范围的偏差超过预定阈值的薄膜主体的厚度，确定所述薄膜主体所对应的薄膜层并非异常薄膜层。
[0106]
例如，图10的(a)列(即左侧部分)示出了多层待测薄膜1010。其中，例如薄膜层1012例如加工时出现了异常(例如在厚度上多加工了5nm)。如果计算设备230确定不存在与分布范围的偏差超过预定阈值的薄膜主体的厚度，则确定不存在异常薄膜层。例如，图10的(b)列的上半部分1020示出了正常的待测薄膜的厚度相对于薄膜的层数的变化曲线。其中，如果确定不存在与分布范围1022的偏差超过预定阈值的薄膜主体的厚度，则确定不存在异常薄膜层。
[0107]
通过采用上述手段，本公开能够快速并准确地在多层复合待测薄膜中识别出异常薄膜层。
[0108]
图11示意性示出了适于用来实现本公开实施例的电子设备(或者计算设备)1100的框图。设备1100可以是用于实现执行图3、图9所示的方法300、900的设备。如图11所示，设备1100包括中央处理单元(cpu)1101，其可以根据存储在只读存储器(rom)1102中的计算机程序指令或者从存储单元1108加载到随机存取存储器(ram)1103中的计算机程序指令，来执行各种适当的动作和处理。在ram中，还可存储设备1100操作所需的各种程序和数据。cpu、rom以及ram通过总线1104彼此相连。输入/输出(i/o)接口1105也连接至总线1104。
[0109]
设备1100中的多个部件连接至输入/输出(i/o)1105，包括：输入单元1106、输出单元1107、存储单元1108，中央处理单元1101执行上文所描述的各个方法和处理，例如执行方法300、900例如，在一些实施例中，方法300、900可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由rom和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到ram并由cpu执行时，可以执行上文描述的方法300、900的一个或多个操作。备选地，在其他实施例中，cpu可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法300、900的一个或多个动作。
[0110]
需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。
[0111]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩
盘只读存储器(cd
‑
rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0112]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每一个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0113]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如c语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0114]
这里参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或步骤图描述了本公开的各个方面。应当理解，流程图和/或步骤图的每一个方步骤以及流程图和/或步骤图中各方步骤的组合，都可以由计算机可读程序指令实现。
[0115]
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的各个方面的指令。
[0116]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。
[0117]
附图中的流程图和步骤图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或步骤图中的每一个方步
骤可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
[0118]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
[0119]
以上仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。