CN118296344A - 基于机器学习加速的x射线小角散射测量方法及装置 - Google Patents
基于机器学习加速的x射线小角散射测量方法及装置 Download PDFInfo
- Publication number
- CN118296344A CN118296344A CN202311566807.7A CN202311566807A CN118296344A CN 118296344 A CN118296344 A CN 118296344A CN 202311566807 A CN202311566807 A CN 202311566807A CN 118296344 A CN118296344 A CN 118296344A
- Authority
- CN
- China
- Prior art keywords
- measured
- sample
- scattering
- simulated
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000691 measurement method Methods 0.000 title abstract description 8
- 238000010801 machine learning Methods 0.000 title abstract description 7
- 230000001133 acceleration Effects 0.000 title abstract description 6
- 238000004088 simulation Methods 0.000 claims abstract description 108
- 238000005259 measurement Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000010586 diagram Methods 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 51
- 230000000875 corresponding effect Effects 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000235 small-angle X-ray scattering Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
基于机器学习加速的X射线小角散射测量方法及装置，用以在确定样品关键尺寸时加快仿真计算散射信号的速度，进而减少求解关键尺寸所花费的时间。该方法包括：通过测量***获取待测样本的测量散射图；测量散射图为在不同位置关系下测量***的X射线经过待测样本被散射后形成的散射图；所述位置关系为X射线与所述待测样本的方位角和入射角；解析所述待测样本的测量散射图中散射信号的分布特征，得到表征所述待测样本的关键尺寸的测量特征信号；将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号；将与所述测量特征信号的差异最小的仿真特征信号相对应的一组模拟关键尺寸作为待测样本的关键尺寸。
Description
技术领域
本申请涉及测量技术领域，尤其涉及一种基于机器学习加速的X射线小角散射测量方法及装置。
背景技术
关键尺寸(Critical Dimension，CD)是指在集成电路光掩模制造及光刻工艺中为评估及控制工艺的图形处理精度，设计的一种反映集成电路特征线条宽度的专用线条图形。小角X射线散射(Small Angle X-ray Scattering，SAXS)关键尺寸测量方法是利用X射线经过样品后被散射形成包含样品结构信息的散射场，经过解析散射信号的分布特征以测量样品关键尺寸的光学测量手段。
随着半导体器件的结构越来越复杂，表征物理模型关键尺寸的维度也越来越大，不仅导致了计算仿真散射信号的耗时较大，同时增加了优化算法寻找最优解的迭代次数，最终导致求解过程非常缓慢，无法满足工业需求。
因此，目前亟需一种方案，用以在确定样品关键尺寸时加快仿真计算散射信号的速度，进而减少求解关键尺寸所花费的时间。
发明内容
本申请提供一种基于机器学习加速的X射线小角散射测量方法及装置，用以在确定样品关键尺寸时加快仿真计算散射信号的速度，进而减少求解关键尺寸所花费的时间。
第一方面，本申请提供一种确定样品关键尺寸的方法，该方法包括：通过测量***获取待测样本的测量散射图；所述测量散射图为在不同位置关系下所述测量***的X射线经过所述待测样本被散射后形成的散射图；所述位置关系为X射线与所述待测样本的方位角和入射角；解析所述待测样本的测量散射图中散射信号的分布特征，得到表征所述待测样本的关键尺寸的测量特征信号；将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号；将与所述测量特征信号的差异最小的仿真特征信号相对应的一组模拟关键尺寸作为待测样本的关键尺寸
上述技术方案中，从待测样本的测量散射图中提取出表征待测样本关键尺寸的测量特征信号，再将特征提取出的测量特征信号与仿真特征信号进行比较，可以降低对比维度，进而减少求解关键尺寸所花费的时间。
在一种可能的设计中，将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号，包括：在待测样本的关键尺寸的变化范围内，生成一组第一模拟关键尺寸；将所述第一模拟关键尺寸输入至正向分析模型，得到所述第一模拟关键尺寸对应的第一仿真特征信号；计算所述第一仿真特征信号与所述测量特征信号的损失值；若所述损失值小于设定阈值，则将所述第一仿真特征信号作为与所述测量特征信号的差异最小的仿真特征信号。
上述技术方案中，通过正向分析模型得到模拟关键尺寸对应的仿真特征信号，相比于使用传统的数学公式来求解模拟关键尺寸对应的仿真特征信号，可以加快计算仿真特征信号的速度，特别是在待测样品结构复杂的情况下，可以节省仿真计算占据求解过程的大部分时间，大幅提升迭代速度。
在一种可能的设计中，所述方法还包括：若所述损失值大于设定阈值，则根据所述损失值调整所述第一模拟关键尺寸的值，得到一组第二模拟关键尺寸；将所述第二模拟关键尺寸输入至所述正向分析模型，得到所述第二模拟关键尺寸对应的第二仿真特征信号；计算所述第二仿真特征信号与所述测量特征信号的损失值，直至所述损失值的差异小于设定阈值。
上述技术方案中，根据损失值来调整模拟关键尺寸的值，可以快速得到符合条件的模拟关键尺寸，加快求解待测样品关键尺寸过程中的迭代速度。
在一种可能的设计中，将所述测量特征信号与仿真特征信号进行比较之前，还包括：在待测样本的关键尺寸的变化范围内，生成多组模拟关键尺寸；以所述测量***为参照，生成各组模拟关键尺寸在不同位置关系下的仿真散射图；通过对各组模拟关键尺寸对应的仿真散射图中散射信号的分布特征，以及每组模拟关键尺寸与对应的仿真散射图的相关性进行分析，提取所述仿真散射图中表征关键尺寸的仿真特征信号。
上述技术方案中，在预处理阶段提取出模拟关键尺寸对应的仿真散射图中表征关键尺寸的仿真特征信号，在实际测量阶段测量特征信号与仿真特征信号进行比较，可以降低对比维度，进而减少求解关键尺寸所花费的时间。
在一种可能的设计中，基于所述提取仿真散射图中表征关键尺寸的仿真特征信号的方法，得到特征提取模型；所述特征提取模型为具有不同位置关系下进行特征提取功能的模型，或，所述特征提取模型为多个，每个特征提取模型为具有单一位置关系下进行特征提取功能的模型；解析所述待测样本的测量散射图中散射信号的分布特征，包括：通过所述特征提取模型解析所述待测样本的测量散射图中散射信号的分布特征。
上述技术方案中，通过特征提取模型可以从待测样本的测量散射图中提取出表征待测样本关键尺寸的测量特征信号，再将特征提取出的测量特征信号与仿真特征信号进行比较，可以降低对比维度，进而减少求解关键尺寸所花费的时间。
在一种可能的设计中，所述方法还包括：将每组模拟关键尺寸作为输入，将表征关键尺寸的特征信号作为输出，训练所述正向分析模型。
上述技术方案中，通过训练得到的正向分析模型来确定模拟关键尺寸对应的仿真特征信号，相比于使用传统的数学公式来求解模拟关键尺寸对应的仿真特征信号，可以加快计算仿真特征信号的速度，特别是在待测样品结构复杂的情况下，可以节省仿真计算占据求解过程的大部分时间，大幅提升迭代速度。
在一种可能的设计中，在待测样本的关键尺寸的变化范围内，生成多组模拟关键尺寸，包括：在待测样本的关键尺寸的变化范围内，生成M组模拟关键尺寸；其中M的数量与所述待测样本的参数维度的数量和/或参数范围的大小正相关。
上述技术方案中，待测样本的参数维度的数量和/或参数范围越大，生成的模拟关键尺寸越多，可以使得样本数据更丰富，并且使得样本数据集中可以包含表征待测样品结构的关键尺寸。
第二方面，本申请实施例提供一种确定样品关键尺寸的装置，该装置包括：
获取模块，用于通过测量***获取待测样本的测量散射图；所述测量散射图为在不同位置关系下所述测量***的X射线经过所述待测样本被散射后形成的散射图；所述位置关系为X射线与所述待测样本的方位角和入射角；
处理模块，用于解析所述待测样本的测量散射图中散射信号的分布特征，得到表征所述待测样本的关键尺寸的测量特征信号；
比较模块，用于将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号；将与所述测量特征信号的差异最小的仿真特征信号相对应的一组模拟关键尺寸作为待测样本的关键尺寸。
在一种可能的设计中，所述比较模块，在将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号时，具体用于在待测样本的关键尺寸的变化范围内，生成一组第一模拟关键尺寸；将所述第一模拟关键尺寸输入至正向分析模型，得到所述第一模拟关键尺寸对应的第一仿真特征信号；计算所述第一仿真特征信号与所述测量特征信号的损失值；若所述损失值小于设定阈值，则将所述第一仿真特征信号作为与所述测量特征信号的差异最小的仿真特征信号。
在一种可能的设计中，所述比较模块，还用于若所述损失值大于设定阈值，则根据所述损失值调整所述第一模拟关键尺寸的值，得到一组第二模拟关键尺寸；将所述第二模拟关键尺寸输入至所述正向分析模型，得到所述第二模拟关键尺寸对应的第二仿真特征信号；计算所述第二仿真特征信号与所述测量特征信号的损失值，直至所述损失值的差异小于设定阈值。
在一种可能的设计中，将所述测量特征信号与仿真特征信号进行比较之前，预处理模块，用于在待测样本的关键尺寸的变化范围内，生成多组模拟关键尺寸；以所述测量***为参照，生成各组模拟关键尺寸在不同位置关系下的仿真散射图；通过对各组模拟关键尺寸对应的仿真散射图中散射信号的分布特征，以及每组模拟关键尺寸与对应的仿真散射图的相关性进行分析，提取所述仿真散射图中表征关键尺寸的仿真特征信号。
在一种可能的设计中，所述预处理模块，还用于基于所述提取仿真散射图中表征关键尺寸的仿真特征信号的方法，得到特征提取模型；所述特征提取模型为具有不同位置关系下进行特征提取功能的模型，或，所述特征提取模型为多个，每个特征提取模型为具有单一位置关系下进行特征提取功能的模型；所述处理模块，在解析所述待测样本的测量散射图中散射信号的分布特征时，具体用于通过所述特征提取模型解析所述待测样本的测量散射图中散射信号的分布特征。
在一种可能的设计中，训练模块，用于将每组模拟关键尺寸作为输入，将表征关键尺寸的特征信号作为输出，训练所述正向分析模型。
在一种可能的设计中，所述预处理模块在待测样本的关键尺寸的变化范围内，生成多组模拟关键尺寸时，具体用于在待测样本的关键尺寸的变化范围内，生成M组模拟关键尺寸；其中M的数量与所述待测样本的参数维度的数量和/或参数范围的大小正相关。
第三方面，本申请实施例还提供一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行如第一方面的任一种可能的设计中所述的方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，其中存储有计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得上述第一方面的任一种可能的设计中所述的方法实现。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种生成样本数据集的流程示意图；
图2为本申请实施例提供的一种对正向模型的训练过程的流程示意图；
图3为本申请实施例提供的一种确定样品关键尺寸的方法的流程示意图；
图4为本申请实施例提供的一种生成一组第一模拟关键尺寸的流程示意图；
图5为本申请实施例提供的测量的待测样品的结构示意图；
图6为本申请实施例提供的测量的待测样品的测量散射图；
图7为本申请实施例提供的特征提取后的信号分布情况的示意图；
图8为本申请实施例提供的测量结果的示意图；
图9为本申请实施例提供的损失函数随着迭代时间的变化关系的示意图；
图10为本申请实施例提供的一种确定样品关键尺寸的装置的结构示意图；
图11为本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请的实施例中，多个是指两个或两个以上。“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
在测量样品的关键尺寸之前，先进行预处理，在预处理阶段包括：生成样本数据集、确定特征提取模型和训练正向分析模型。
图1为本申请实施例提供的一种生成样本数据集的流程示意图，如图1所示，包括如下步骤：
步骤101、在待测样本的关键尺寸的变化范围内，生成多组模拟关键尺寸。
具体地，在待测样本的关键尺寸的变化范围内，通过仿真程序生成M组模拟关键尺寸。其中，M的数量与待测样本的参数维度的数量和/或参数范围的大小正相关。也就是说，待测样本的参数维度越多，参数范围越大，需要生成的模拟关键尺寸的数量越多。
步骤102、以测量***为参照，生成各组模拟关键尺寸在不同位置关系下的仿真散射图。
测量***包括样品、探测器和X射线的光源。位置关系为X射线与待测样本的方位角和入射角。根据测量***的硬件配置(如探测器距样品的距离、光源大小、探测器尺寸等参数)，以及实际测量待测样品时的方位角和入射角，仿真计算得到各组模拟关键尺寸在不同位置关系下的仿真散射图。其中，一组模拟关键尺寸可以利用仿真程序在一组不同方位角(大于1个)和入射角(大于10个)下，仿真计算得到该组模拟关键尺寸在对应不同方位角和入射角下的仿真散射图。
步骤103、通过对各组模拟关键尺寸对应的仿真散射图中散射信号的分布特征，以及每组模拟关键尺寸与对应的仿真散射图的相关性进行分析，提取仿真散射图中表征关键尺寸的仿真特征信号。
提取仿真散射图中表征关键尺寸的仿真特征信号的特征提取方法包括：寻找最大值、非极大值抑制(non maximum suppression，NMS)、傅里叶变换、主成分分析(PCA)、独立成分分析(ICA)、关联性分析、自编码器网络等方法，通过特征提取可以获取到对待测样本结构变换最灵敏的特征信号，作为表征关键尺寸的仿真特征信号。
通过提取各组模拟关键尺寸对应的仿真散射图中表征关键尺寸的仿真特征信号，形成了每组模拟关键尺寸与仿真特征信号一一对应的仿真测量库。并且基于上述提取仿真散射图中表征关键尺寸的仿真特征信号的方法，得到特征提取模型。
其中，特征提取模型为具有不同位置关系下进行特征提取功能的模型，
或，特征提取模型为多个，每个特征提取模型为具有单一位置关系下进行特征提取功能的模型。也就是说，在上述特征提取过程中可以将所有入射角和方位角数据统一进行特征分析，形成一个统一的特征提取模型，也可以将不同入射角和方位角分别进行特征分析，每个入射角和方位角对应一个特征提取模型。
进一步地，每组模拟关键尺寸与仿真特征信号一一对应的仿真测量库之后，将每组模拟关键尺寸作为输入，将表征关键尺寸的特征信号作为输出，训练正向分析模型。
其中，正向分析模型可以是传统机器学习(支持向量机、随机森林、决策树等)、神经网络(全连接、卷积网络、循环神经网络等)以及深度神经网络(残差网络、)等机器学习等模型。
需要说明的是，如果特征提取模型是一个具有不同位置关系(即不同入射角和不同方位角)下进行特征提取功能的模型，那么正向分析模型也应当是一个可以在不同位置关系下从关键尺寸得到表征关键尺寸的特征信号的模型；如果特征提取模型为多个，每个特征提取模型为具有单一位置关系(即一个入射角和一个方位角)下进行特征提取功能的模型，那么正向分析模型也应当是多个，每个正向分析模型可以在单一位置关系下从关键尺寸得到表征关键尺寸的特征信号的模型。
具体地，对正向模型的训练过程参考图2，将模拟关键尺寸输入至正向分析模型，输出其对应的仿真特征信号，比较经过特征提取的表征关键尺寸的特征信号与正向分析模型输出的仿真特征信号的损失值，如果损失值达到标准则终止训练，保存此时的正向分析模型；如果损失值不符合标准，则调整正向分析模型的相关参数，通过调整后的正向分析模型再次输出模拟关键尺寸对应的仿真特征信号，比较经过特征提取的表征关键尺寸的特征信号与正向分析模型输出的仿真特征信号的损失值，直至损失值达到标准。
图3为本申请实施例提供的一种确定样品关键尺寸的方法的流程示意图，如图3所示，该方法包括如下步骤：
步骤301、通过测量***获取待测样本的测量散射图。
测量***包括样品、探测器和X射线的光源，测量散射图为在不同位置关系下测量***的X射线经过待测样本被散射后形成的散射图，其中，位置关系为X射线与待测样本的方位角和入射角。
上述位置关系中，方位角的数量小于入射角的数量。也就是说在只采待测样本一个方位角的情况下，需要采集该方位角下多个入射角的测量数据；在采集待测样本的多个方位角的情况下，每个方位角下都需要采集多个入射角的测量数据。
步骤302、解析待测样本的测量散射图中散射信号的分布特征，得到表征待测样本的关键尺寸的测量特征信号。
具体地，可以通过预处理得到的特征提取模型解析待测样本的测量散射图中散射信号的分布特征。
步骤303、将测量特征信号与仿真特征信号进行比较，确定与测量特征信号的差异最小的仿真特征信号。
具体地，可以通过图4所示的方法将测量特征信号与仿真特征信号进行比较，确定与测量特征信号的差异最小的仿真特征信号。
步骤401、在待测样本的关键尺寸的变化范围内，生成一组第一模拟关键尺寸。
步骤402、将第一模拟关键尺寸输入至正向分析模型，得到第一模拟关键尺寸对应的第一仿真特征信号。
步骤403、计算第一仿真特征信号与测量特征信号的损失值。
步骤404、判断损失值是否小于等于设定阈值。
若是，则执行步骤405；否则执行步骤406。
步骤405、若损失值小于等于设定阈值，则将第一仿真特征信号作为与测量特征信号的差异最小的仿真特征信号。
步骤406、调整第一模拟关键尺寸的值。
若损失值大于设定阈值，则根据损失值调整第一模拟关键尺寸的值，得到一组第二模拟关键尺寸。将第二模拟关键尺寸输入至正向分析模型，得到第二模拟关键尺寸对应的第二仿真特征信号。计算第二仿真特征信号与测量特征信号的损失值，直至损失值的差异小于设定阈值。
步骤304、将与测量特征信号的差异最小的仿真特征信号相对应的一组模拟关键尺寸作为待测样本的关键尺寸。
最终，得到的与测量特征信号的差异最小的仿真特征信号对应的一组模拟关键尺寸即可作为样本的关键尺寸。
下面对本申请实施例提供的确定样品关键尺寸的方法的精度以及计算速度进行验证。测量的待测样品的结构如图5所示，顶视图5-1为六次对称的圆孔周期阵列，图5-2为一个孔的x方向截面图，图5-3为一个孔的y方向截面图。需要测量的关键尺寸为不同高度下圆孔在x方向和y方向的截面宽度。
利用测量***获得的三个不同入射角度下的测量散射图如图6所示，图中亮点数量和位置包含了待测样品的周期和结构分布信息，明暗程度包含了待测样品的形状信息，通过不同入射角下的测量散射图中各信号表征的信息可以解析待测样品的尺寸。对测量散射图进行特征提取后的信号分布情况如图7所示。图7中包括测量散射图经过特征提取后找到的前2000个最明显特征的测量信号点(图中的点)以及经过拟合后的测量特征信号(图中的曲线)。
经过优化算法找到的与测量信号差异最小的仿真信号在关键特征上差异较小。
使用本申请实施例提供的确定样品关键尺寸的方法获得的测量结果如图8所示，图8-1为不同高度下x和y截面上的宽度分布情况，图8-2为当前方法与现有方法的对比结果。通过两个方法的对比发现，本申请实施例提供的测量方法没有降低测量精度，测量结果与现有方法保持相同。
如图9展示了两种方法在迭代过程中损失函数随着迭代时间的变化关系。如图9-1现有方法测量该样品需要耗费1500秒左右，如图9-2使用了本申请实施例提供的确定样品关键尺寸的方法后，只需要使用100秒左右时间就可以获得测量结果。本申请实施例提供的测量方法能够获得与现有方法相同精度的测量结果，但明显减少了求解关键尺寸所花费的时间，同时本申请实施例提供的测量方法在仅用一个GPU硬件配置的情况，速度仍是现有方法使用2个GPU加速后的10倍以上。
基于相同的技术构思，图10例性地示出了本申请实施例提供的一种确定样品关键尺寸的装置的结构示意图，如图10所示，该装置1000包括：
获取模块1001，用于通过测量***获取待测样本的测量散射图；所述测量散射图为在不同位置关系下所述测量***的X射线经过所述待测样本被散射后形成的散射图；所述位置关系为X射线与所述待测样本的方位角和入射角；
处理模块1002，用于解析所述待测样本的测量散射图中散射信号的分布特征，得到表征所述待测样本的关键尺寸的测量特征信号；
比较模块1003，用于将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号；将所述与所述测量特征信号的差异最小的仿真特征信号相对应的一组模拟关键尺寸作为待测样本的关键尺寸。
在一种可能的设计中，所述比较模块1003，在将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号时，具体用于在待测样本的关键尺寸的变化范围内，生成一组第一模拟关键尺寸；将所述第一模拟关键尺寸输入至正向分析模型，得到所述第一模拟关键尺寸对应的第一仿真特征信号；计算所述第一仿真特征信号与所述测量特征信号的损失值；若所述损失值小于设定阈值，则将所述第一仿真特征信号作为与所述测量特征信号的差异最小的仿真特征信号。
在一种可能的设计中，所述比较模块1003，还用于若所述损失值大于设定阈值，则根据所述损失值调整所述第一模拟关键尺寸的值，得到一组第二模拟关键尺寸；将所述第二模拟关键尺寸输入至所述正向分析模型，得到所述第二模拟关键尺寸对应的第二仿真特征信号；计算所述第二仿真特征信号与所述测量特征信号的损失值，直至所述损失值的差异小于设定阈值。
在一种可能的设计中，将所述测量特征信号与仿真特征信号进行比较之前，预处理模块1004，用于在待测样本的关键尺寸的变化范围内，生成多组模拟关键尺寸；以所述测量***为参照，生成各组模拟关键尺寸在不同位置关系下的仿真散射图；通过对各组模拟关键尺寸对应的仿真散射图中散射信号的分布特征，以及每组模拟关键尺寸与对应的仿真散射图的相关性进行分析，提取所述仿真散射图中表征关键尺寸的仿真特征信号。
在一种可能的设计中，所述预处理模块1004，还用于基于所述提取仿真散射图中表征关键尺寸的仿真特征信号的方法，得到特征提取模型；所述特征提取模型为具有不同位置关系下进行特征提取功能的模型，或，所述特征提取模型为多个，每个特征提取模型为具有单一位置关系下进行特征提取功能的模型；所述处理模块1002，在解析所述待测样本的测量散射图中散射信号的分布特征时，具体用于通过所述特征提取模型解析所述待测样本的测量散射图中散射信号的分布特征。
在一种可能的设计中，训练模块1005，用于将每组模拟关键尺寸作为输入，将表征关键尺寸的特征信号作为输出，训练所述正向分析模型。
在一种可能的设计中，所述预处理模块1004在待测样本的关键尺寸的变化范围内，生成多组模拟关键尺寸时，具体用于在待测样本的关键尺寸的变化范围内，生成M组模拟关键尺寸；其中M的数量与所述待测样本的参数维度的数量和/或参数范围的大小正相关。
基于相同的技术构思，本申请实施例提供了一种计算设备，如图11所示，包括至少一个处理器1101，以及与至少一个处理器连接的存储器1102，本申请实施例中不限定处理器1101与存储器1102之间的具体连接介质，图11中处理器1101和存储器1102之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中，存储器1102存储有可被至少一个处理器1101执行的指令，至少一个处理器1101通过执行存储器1102存储的指令，可以执行上述确定样品关键尺寸的方法。
其中，处理器1101是计算设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器1102内的指令以及调用存储在存储器1102内的数据，从而进行资源设置。
可选地，处理器1101可包括一个或多个处理单元，处理器1101可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1101中。在一些实施例中，处理器1101和存储器1102可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器1101可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器1102作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1102可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器1102是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1102还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于相同的技术构思，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行程序，计算机可执行程序用于使计算机执行上述任一方式所列的确定样品关键尺寸的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种确定样品关键尺寸的方法，其特征在于，所述方法包括：
通过测量***获取待测样本的测量散射图；所述测量散射图为在不同位置关系下所述测量***的X射线经过所述待测样本被散射后形成的散射图；所述位置关系为X射线与所述待测样本的方位角和入射角；
解析所述待测样本的测量散射图中散射信号的分布特征，得到表征所述待测样本的关键尺寸的测量特征信号；
将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号；
将与所述测量特征信号的差异最小的仿真特征信号相对应的一组模拟关键尺寸作为待测样本的关键尺寸。
2.根据权利要求1所述的方法，其特征在于，将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号，包括：
在待测样本的关键尺寸的变化范围内，生成一组第一模拟关键尺寸；
将所述第一模拟关键尺寸输入至正向分析模型，得到所述第一模拟关键尺寸对应的第一仿真特征信号；
计算所述第一仿真特征信号与所述测量特征信号的损失值；
若所述损失值小于设定阈值，则将所述第一仿真特征信号作为与所述测量特征信号的差异最小的仿真特征信号。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
若所述损失值大于设定阈值，则根据所述损失值调整所述第一模拟关键尺寸的值，得到一组第二模拟关键尺寸；
将所述第二模拟关键尺寸输入至所述正向分析模型，得到所述第二模拟关键尺寸对应的第二仿真特征信号；
计算所述第二仿真特征信号与所述测量特征信号的损失值，直至所述损失值的差异小于设定阈值。
4.根据权利要求1至3任一项所述的方法，其特征在于，将所述测量特征信号与仿真特征信号进行比较之前，还包括：
在待测样本的关键尺寸的变化范围内，生成多组模拟关键尺寸；
以所述测量***为参照，生成各组模拟关键尺寸在不同位置关系下的仿真散射图；
通过对各组模拟关键尺寸对应的仿真散射图中散射信号的分布特征，以及每组模拟关键尺寸与对应的仿真散射图的相关性进行分析，提取所述仿真散射图中表征关键尺寸的仿真特征信号。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
基于所述提取仿真散射图中表征关键尺寸的仿真特征信号的方法，得到特征提取模型；所述特征提取模型为具有不同位置关系下进行特征提取功能的模型，或，所述特征提取模型为多个，每个特征提取模型为具有单一位置关系下进行特征提取功能的模型；
解析所述待测样本的测量散射图中散射信号的分布特征，包括：
通过所述特征提取模型解析所述待测样本的测量散射图中散射信号的分布特征。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将每组模拟关键尺寸作为输入，将表征关键尺寸的特征信号作为输出，训练所述正向分析模型。
7.根据权利要求4所述的方法，其特征在于，在待测样本的关键尺寸的变化范围内，生成多组模拟关键尺寸，包括：
在待测样本的关键尺寸的变化范围内，生成M组模拟关键尺寸；其中M的数量与所述待测样本的参数维度的数量和/或参数范围的大小正相关。
8.一种确定样品关键尺寸的装置，其特征在于，包括：
获取模块，用于通过测量***获取待测样本的测量散射图；所述测量散射图为在不同位置关系下所述测量***的X射线经过所述待测样本被散射后形成的散射图；所述位置关系为X射线与所述待测样本的方位角和入射角；
处理模块，用于解析所述待测样本的测量散射图中散射信号的分布特征，得到表征所述待测样本的关键尺寸的测量特征信号；
比较模块，用于将所述测量特征信号与仿真特征信号进行比较，确定与所述测量特征信号的差异最小的仿真特征信号；将与所述测量特征信号的差异最小的仿真特征信号相对应的一组模拟关键尺寸作为待测样本的关键尺寸。
9.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得如权利要求1至7中任一项所述的方法实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311566807.7A CN118296344A (zh) | 2023-11-22 | 2023-11-22 | 基于机器学习加速的x射线小角散射测量方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311566807.7A CN118296344A (zh) | 2023-11-22 | 2023-11-22 | 基于机器学习加速的x射线小角散射测量方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118296344A true CN118296344A (zh) | 2024-07-05 |
Family
ID=91688638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311566807.7A Pending CN118296344A (zh) | 2023-11-22 | 2023-11-22 | 基于机器学习加速的x射线小角散射测量方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118296344A (zh) |
-
2023
- 2023-11-22 CN CN202311566807.7A patent/CN118296344A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11907809B2 (en) | Information processing apparatus, program, and information processing method | |
| CN112734691B (zh) | 一种工业制品缺陷检测方法、装置、终端设备及存储介质 | |
| CN105787367B (zh) | 一种软件更新的补丁安全性检测方法及*** | |
| CN108491302B (zh) | 一种检测spark集群节点状态的方法 | |
| CN108804332B (zh) | 一种基于机器学习的c程序内存泄漏智能化检测方法 | |
| CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN109829371B (zh) | 一种人脸检测方法及装置 | |
| CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| JPWO2008072678A1 (ja) | 検出装置、システム、プログラムおよび検出方法 | |
| CN109903242A (zh) | 一种图像生成方法及装置 | |
| Madkour et al. | Hotspot detection using machine learning | |
| CN115600891A (zh) | 应用于水性丙烯酸树脂生产监测的大数据分析方法及*** | |
| US20070180411A1 (en) | Method and apparatus for comparing semiconductor-related technical systems characterized by statistical data | |
| CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
| CN111563045A (zh) | 基于Adaboost模型的并发程序数据竞争语句级检测方法 | |
| CN116383727A (zh) | 一种电厂***测量粗大误差识别方法、***、设备及介质 | |
| CN111368837A (zh) | 一种图像质量评价方法、装置、电子设备及存储介质 | |
| CN118296344A (zh) | 基于机器学习加速的x射线小角散射测量方法及装置 | |
| US7590792B2 (en) | Cache memory analyzing method | |
| CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
| CN115424000A (zh) | 一种指针式仪表识别方法、***、设备及存储介质 | |
| CN114462127A (zh) | 基于深度极限学习机的结构损伤识别方法及*** | |
| US11244443B2 (en) | Examination apparatus, examination method, recording medium storing an examination program, learning apparatus, learning method, and recording medium storing a learning program | |
| CN118296345A (zh) | 一种关键尺寸的测量方法、装置、设备及存储介质 | |
| Zheng et al. | Interface Identification of Automatic Verification System Based on Deep Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |