超強激光科學卓越創(chuàng)新簡報

(第五百十八期)

2024年5月22日

上海光機所在熱退火工藝調控HfO₂薄膜性能的神經網絡建模及其預測方法研究方面取得進展

近期，中國科學院上海光學精密機械研究所高功率激光元件技術與工程部和上海大學微電子學院合作，提出一種熱退火工藝調控HfO₂薄膜性能的神經網絡建模及其預測方法，相關研究成果以“Neural network modeling and prediction of HfO₂ thin film properties tuned by thermal annealing”為題發(fā)表于High Power Laser Science and Engineering。

退火后處理是一種常用的薄膜后處理方法，能夠增加膜層致密度，優(yōu)化膜層光學性能。但由于工藝參數(shù)的多樣性和廣泛性，薄膜性能的改善往往需要大量、昂貴且耗時的實驗。而反向傳播神經網絡（Back-Propagation Neural Network，BPNN）已被證實能夠建立實驗參數(shù)和材料特性的映射關系。其中，深層結構的神經網絡模型在近似能力和推廣能力上更具優(yōu)勢，有望用于預測退火處理工藝對HfO₂薄膜性能的影響。因此，有必要針對退火工藝以及HfO₂薄膜性能需求，研究適用的神經網絡模型參數(shù)。

研究團隊探索了BPNN模型在熱退火工藝調控HfO₂薄膜性能的建模及其預測中的應用。團隊首先探討了隱藏層深度對BPNN模型效果的影響。研究發(fā)現(xiàn)，隨著隱藏層深度的增加，神經網絡模型在訓練集上可以獲得更高的準確度，但過擬合的風險也隨之增加?？紤]到擬合精度和模型穩(wěn)定性，采用了優(yōu)化的三層隱含層神經網絡模型（Three-Hidden-Layer BPNN，THL-BPNN）對退火工藝參數(shù)與HfO₂薄膜性能（折射率、膜層厚度和氧鉿比）之間的關系進行建模，并將THL-BPNN模型與使用高斯核函數(shù)的支持向量機回歸（Support Vector Machine Regression，SVR）模型和線性回歸（Linear Regression，LR）模型進行比較。THL-BPNN模型在所有訓練和驗證數(shù)據集上都取得了不低于0.90的高精度，優(yōu)于SVR模型和LR模型。研究團隊進一步運用THL-BPNN模型預測HfO₂薄膜的激光損傷閾值和SiO₂薄膜的性能，結果均表現(xiàn)出良好的準確度。

相關研究得到了上海學術研究帶頭人項目、中國科學院青年科學家基礎研究項目、國家自然科學基金以及上海市科委科技規(guī)劃項目的支持。

原文鏈接

圖1 具有3層隱含層的BPNN全連接網絡模型（THL-BPNN）

圖 2 三種模型LR（左列）、SVR（中列）和THL-BPNN（右列）對HfO₂薄膜（a）-（c）折射率、（d）-（f）薄膜厚度和（g）-（i）氧鉿比的建模和預測對比圖。藍線（斜率為1）表示完美預測判斷線