[发明专利]基于降维和增量式极限学习机的光刻线宽智能预测方法

权利要求书

1.基于降维和增量式极限学习机的光刻线宽智能预测方法，其特征在于，所述方法是在计算机上依次按以下步骤实现的：

步骤(1)：模型选择与参数初始化

对于给定的N个样本，其输入记为其中x_i表示每i个样本，由29维数据组成的向量，该向量包括如下参数：与待预测lot处于相同加工层次、相同品种的前5个lot对应的曝光剂量、光刻机焦距、曝光剂量的质量控制值、线宽测量值以及光刻胶厚度；当前待预测lot的曝光剂量、光刻机焦距、曝光剂量的质量控制值和光刻胶厚度；N个样本输入相对应的输出记为y_i为光刻线宽测量值；

给定基于结构风险最小化的极限学习机的隐层节点数L，采用径向基函数作为特征变换函数，函数形式为G(ai,bi,xi)=e-bi(||xi-ai||),i=1,2,···,L,]]>其中a_i，b_i为径向基函数的参数，a_i维数为29维，其可从[-1 1]中随机选取，b_i为1维，取值为从110013300]]>随机选取；

于是，生成的极限学习机特征映射矩阵H(X)为：

H(X)=G(a1,b1,x1)G(a2,b2,x1)···G(aL,bL,x1)G(a1,b1,x2)G(a2,b2,x2)···G(aL,bL,x2)············G(a1,b1,xN)G(a2,b2,xN)···G(aL,bL,xN)]]>

步骤(2)：算法初始化

对于时刻t而言，增量式极限学习机的权值参数W_t初始化值为：

Wt=[1v+H(Xt)TH(Xt)]-1H(Xt)TYt]]>

其中：

X_t表示t时刻已经获得的样本，样本数量为N，于是产生的极限学习机映射矩阵为：

H(Xt)=G(a1,b1,x1)G(a2,b2,x1)···G(aL,bL,x1)G(a1,b1,x2)G(a2,b2,x2)···G(aL,bL,x2)············G(a1,b1,xN)G(a2,b2,xN)···G(aL,bL,xN)]]>

Yt=y1y2···yN]]>

v为折中系数，采用经验值，取为2^-15；

步骤(3)：在线学习过程

对于t+1时刻，假定新到达样本的数量为k个，新到达样本对应的输入为输出为YIC=yN+1yN+2···yN+k,]]>于是由新到达的样本数据形成的极限学习机映射矩阵为：

H(XIC)=G(a1,b1,xN+1)G(a2,b2,xN+1)···G(aL,bL,xN+1)G(a1,b1,xN+2)G(a2,b2,xN+2)···G(aL,bL,xN+2)············G(a1,b1,xN+k)G(a2,b2,xN+k)···G(aL,bL,xN+k)]]>

t+1时刻极限学习机权值参数W_t+1按照如下方式更新：

W_t+1＝K_tW_t+K_tA_t^-1H(X_IC)^TY_IC

其中：

K_t＝I-A_t^-1H(X_IC)^T[H(X_IC)A_t^-1H(X_IC)^T+I_k×k]^-1H(X_IC)

At-1=[1v+H(Xt)TH(Xt)]-1]]>

A_t+1^-1＝K_tA_t^-1

I_k×k为对角线为1的单位矩阵；

K_t、A_t^-1为引入的中间变量，从而简化更新后权值参数W_t+1的表达形式；

步骤(4)：训练过程终止

当所有的训练数据都参与训练后，训练过程终止，此时输出训练完成后的极限学习机权值参数W；

步骤(5)：在线应用

假定需要进行光刻线宽预测的测试样本数量为N_test，训练获得的极限学习机模型参数W，按照下式进行光刻线宽的智能预测：

Y^test=H(Xtest)W]]>

其中X_test为待预测的样本对应的输入，为光刻区线宽的预测值，H(X_test)表达形式如下所示：

H(Xtest)=G(a1,b1,x1)G(a2,b2,x1)···G(aL,bL,x1)G(a1,b1,x2)G(a2,b2,x2)···G(aL,bL,x2)············G(a1,b1,xNtest)G(a2,b2,xNtest)···G(aL,bL,xNtest).]]>