中國科學院上海光機所、上海大學：熱退火工藝調控HfO₂薄膜性能的神經網絡建模及其預測
等離子體增強原子層沉積（Plasma-enhanced atomic layer deposition, PEALD）在激光薄膜領域受到越來越多的關注。然而，由於工藝參數的多樣性和廣泛性，薄膜性能的改善往往需要大量、昂貴且耗時的實驗。具有淺層結構（單隱層或雙隱層）的反向傳播神經網絡（Back-Propagation Neural Network，BPNN）已被證實能夠建立實驗參數和材料特性的映射關係，但尚未在構建PEALD工藝參數和薄膜特性映射關係方面得到應用。本文研究了BPNN模型在熱退火工藝調控PEALD-HfO2薄膜性能的建模及其預測中的應用。
近日，中國科學院上海光機所高功率激光元件技術與工程部聯合上海大學微電子學院運用神經網絡模型建立了退火工藝參數與HfO2薄膜性能之間的關係。首先，探討了隱藏層深度對BPNN模型效果的影響；然後，使用優化的三層隱含層神經網絡模型（Three-Hidden-Layer BPNN，THL-BPNN）對退火工藝參數與HfO2薄膜性能（折射率、膜層厚度和氧鉿比）映射關係進行建模，實現了不低於0.9的準確預測。
成果發表在High Power Laser Science and Engineering 2024年第2期的文章(Min Gao, Chaoyi Yin, Jianda Shao, Meiping Zhu. Neural network modeling and prediction of HfO2 thin film properties tuned by thermal annealing[J]. High Power Laser Science and Engineering, 2024, 12(2): 02000e21)。
THL-BPNN網絡模型結構如圖1所示，包括輸入層、隱含層和輸出層。其中，輸入層和輸出層的神經元個數分別由數據集的輸入和輸出變量個數確定，而隱含層中的神經元個數先由經驗公式初步確定，再通過全局遍歷搜索找到當前數據集對應的最佳神經元數。
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（斜率爲1）表示完美預測判斷線
建模時，將工藝參數（退火溫度和退火氣氛）作爲輸入數據，薄膜性能作爲輸出數據。研究中包括兩類數據：訓練集和驗證集。結果表明，THL-BPNN模型在訓練集和驗證集上表現出較好的擬合精度和模型穩定性。將THL-BPNN模型與使用高斯核函數的支持向量機迴歸（Support Vector Machine Regression，SVR）模型和線性迴歸（Linear Regression，LR）模型進行比較，結果如圖2所示。THL-BPNN模型在所有訓練和驗證數據集上都取得了不低於0.90的高精度，優於SVR模型和LR模型。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，均表現出良好的準確度。
THL-BPNN模型是一種基於實驗數據的可靠的預測學習模型，可用於預測不同類型薄膜的性能，從而降低工藝優化的實驗成本。
推薦閱讀：
1.上海光機所：兩步變溫沉積法，揭示基底亞表面缺陷誘導激光薄膜損傷機制
2.上海光機所：去除節瘤缺陷穹狀凸起，提升激光薄膜抗損傷性能
依託High Power Laser Science and Engineering期刊，我們建立了高功率社區（Community），每週定期更新領域內最新研究成果、會議、裝置、人事等新聞。歡迎各位研究學者在線瀏覽。
高功率社區新聞速遞：
2. 德國慕尼黑大學正在研究用於激光驅動離子加速的創新軟件基礎設施。
END
掃描
微信矩陣
瞭解更多精彩
中國激光雜誌社
愛光學
光電匯