超强激光科学卓越创新简报

(第五百十八期)

2024年5月22日

上海光机所在热退火工艺调控HfO₂薄膜性能的神经网络建模及其预测方法研究方面取得进展

近期，中国科学院上海光学精密机械研究所高功率激光元件技术与工程部和上海大学微电子学院合作，提出一种热退火工艺调控HfO₂薄膜性能的神经网络建模及其预测方法，相关研究成果以“Neural network modeling and prediction of HfO₂ thin film properties tuned by thermal annealing”为题发表于High Power Laser Science and Engineering。

退火后处理是一种常用的薄膜后处理方法，能够增加膜层致密度，优化膜层光学性能。但由于工艺参数的多样性和广泛性，薄膜性能的改善往往需要大量、昂贵且耗时的实验。而反向传播神经网络（Back-Propagation Neural Network，BPNN）已被证实能够建立实验参数和材料特性的映射关系。其中，深层结构的神经网络模型在近似能力和推广能力上更具优势，有望用于预测退火处理工艺对HfO₂薄膜性能的影响。因此，有必要针对退火工艺以及HfO₂薄膜性能需求，研究适用的神经网络模型参数。

研究团队探索了BPNN模型在热退火工艺调控HfO₂薄膜性能的建模及其预测中的应用。团队首先探讨了隐藏层深度对BPNN模型效果的影响。研究发现，随着隐藏层深度的增加，神经网络模型在训练集上可以获得更高的准确度，但过拟合的风险也随之增加。考虑到拟合精度和模型稳定性，采用了优化的三层隐含层神经网络模型（Three-Hidden-Layer BPNN，THL-BPNN）对退火工艺参数与HfO₂薄膜性能（折射率、膜层厚度和氧铪比）之间的关系进行建模，并将THL-BPNN模型与使用高斯核函数的支持向量机回归（Support Vector Machine Regression，SVR）模型和线性回归（Linear Regression，LR）模型进行比较。THL-BPNN模型在所有训练和验证数据集上都取得了不低于0.90的高精度，优于SVR模型和LR模型。研究团队进一步运用THL-BPNN模型预测HfO₂薄膜的激光损伤阈值和SiO₂薄膜的性能，结果均表现出良好的准确度。

相关研究得到了上海学术研究带头人项目、中国科学院青年科学家基础研究项目、国家自然科学基金以及上海市科委科技规划项目的支持。

原文链接

图1 具有3层隐含层的BPNN全连接网络模型（THL-BPNN）

图 2 三种模型LR（左列）、SVR（中列）和THL-BPNN（右列）对HfO₂薄膜（a）-（c）折射率、（d）-（f）薄膜厚度和（g）-（i）氧铪比的建模和预测对比图。蓝线（斜率为1）表示完美预测判断线