[发明专利]一种磁控镀膜仪工艺参数的优化方法

说明书

本发明提供了一种基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法，包括：步骤一：选取磁控镀膜仪的工艺参数进行试验，得到薄膜的电阻率、透光度以及薄膜厚度；步骤二：以磁控镀膜仪的工艺参数作为输入，以薄膜的电阻率、透光度以及厚度作为输出，构建一个含有多个隐含层的BP神经网络模型；步骤三：利用遗传算法优化BP神经网络初始的权值和阈值，得到最优的个体的权值和阈值；步骤四：将步骤三中得到的最优个体的权值和阈值赋值给BP神经网络模型，用步骤一的样本训练BP神经网络；步骤五：再次使用遗传算法优化磁控溅射镀膜仪的工艺参数，其中，使用步骤四训练得到的神经网络的预测输出构建适应度函数；本发明能够快速精确地对磁控溅射法镀膜工艺参数优化。

技术领域

本发明涉及薄膜制备技术，尤其涉及一种磁控镀膜仪工艺参数的优化方法。

背景技术

磁控溅射技术是七十年代在真空镀膜方面发展出来的一项新的薄膜制备技术，它是一种高速、低温的溅射技术，一般的溅射法可被用于制备金属、半导体、绝缘体等多材料，且具有设备简单、易于控制、镀膜面积大和附着力强等优点。

人工神经网络作为一种模仿人脑结构及其功能的由大量简单的计算单元连接形成的智能信息处理系统，具有大规模并行处理、自学习型、自适应性等优点，适用于构建复杂的非线性关联模型。BP人工神经网络是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，但自身仍存在一些缺点，如收敛速度慢、易陷于局部极小值点等，这些缺点会在参数优化的过程中引起较大的偏差，使得优化的结果不理想。近年来BP神经网络模型在工业领域的应用日渐增多，包括识别、分类与分级、加工过程仿真与控制、单一指标值的预测等，取得了一定的效果，但在磁控溅射镀膜工艺参数的选择还多依赖于工人的经验，缺少相关的优化算法对磁控溅射镀膜工艺参数进行优化，由于人工选择参数需要花费的时间长，从而造成实验的流程长，并且由于人工选择参数精度低，造成材料浪费。

发明内容

针对现有技术中存在不足，本发明提供了一种磁控镀膜仪工艺参数的优化方法，基于遗传算法和BP神经网络，能够快速精确地对磁控溅射法镀膜工艺参数优化。

本发明是通过以下技术手段实现上述技术目的的。

一种磁控镀膜仪工艺参数的优化方法，包括：

步骤一：选取磁控镀膜仪的工艺参数进行试验，得到薄膜的电阻率、透光率以及薄膜厚度，将获得的电阻率、透光率以及薄膜厚度数据进行归一化处理，之后从中选取训练样本和检测样本，其中，所述磁控镀膜仪的工艺参数包括溅射功率、溅射压强、衬底温度、真空度、溅射时间、氩气流量；

步骤二：以所述磁控镀膜仪的工艺参数作为输入，以薄膜的电阻率、透光率以及厚度作为输出，构建一个含有多个隐含层的BP神经网络模型，隐含层的层数设置为l层，各隐含层的节点数设置为H，并给各隐含层和输出层选择合适的激励函数；

步骤三：利用遗传算法优化所述BP神经网络初始的权值和阈值，得到最优的个体的权值和阈值；

步骤四：将步骤三中得到的最优个体的权值和阈值赋值给所述BP神经网络模型，用步骤一的样本训练所述BP神经网络，训练过程中使用误差逆传播算法对各隐含层的权值和阈值进行更新，直到代价函数J小于设定精度或者达到最大迭代次数训练结束；

步骤五：再次使用遗传算法优化磁控镀膜仪的工艺参数，其中，使用步骤四训练得到的神经网络的预测输出构建适应度函数F2，适应度函数F2取:

其中F2为适应度函数，ρ2为步骤四得到的神经网络预测的薄膜电阻率，η2为步骤四得到的神经网络预测的薄膜透光率，δ2步骤四得到的神经网络预测的薄膜厚度，ρ₀为薄膜电阻率目标值，η₀为透光率目标值，δ₀为薄膜厚度目标值。