[发明专利]材料光学常数的确定方法、材料数据库的扩展方法及装置

权利要求书

1.一种材料光学常数的确定方法，其特征在于，包括：

获取材料的椭偏测试参数向量；

将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括所述椭偏测试参数向量和所述材料光学常数之间的映射关系；

所述机器学习模型的建立方法具体包括：基于所述椭偏测试参数向量和材料光学常数之间的映射关系构建初始模型的各神经网络层；构建样本数据，所述样本数据中包括以不同的线型得到的椭偏测试参数向量和材料光学常数向量；使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型。

2.如权利要求1所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：

将所述以不同的线型得到的椭偏测试参数向量输入至所述初始模型，得到当前输出数据；

计算所述当前输出数据与对应的所述材料光学常数向量的差值，若所述差值大于或者等于预设值，则根据所述差值调整所述初始模型的各神经网络层的网络参数；

迭代执行计算所述差值的步骤，直至所述差值小于所述预设值，则判定所述初始模型的各神经网络层收敛，得到所述机器学习模型。

3.如权利要求1中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：

将所述样本数据分为训练集、验证集和测试集；

将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；

获取所述验证数据的误差曲线的误差值不再降低时刻的优化模型作为第一优化模型；

将所述测试集中的输入参数分别输入所述第一优化模型，得出经所述第一优化模型运算得到的第一输出参数，判断所述第一输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第一优化模型为所述机器学习模型。

4.如权利要求1中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：

将所述样本数据分为训练集、验证集和测试集；

将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；

从全部模型中选取在验证集上表现最好的M个优化模型，并对所述M个优化模型的参数取平均值，得到第二优化模型；

将所述测试集中的输入参数分别输入所述第二优化模型，得出经所述第二优化模型运算得到的第二输出参数，判断所述第二输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第二优化模型为所述机器学习模型。

5.如权利要求1中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：

将所述样本数据分为训练集、验证集和测试集；

将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；

从全部模型中随机选取N个优化模型，并对所述N个优化模型的参数取平均值，得到第三优化模型；

将所述测试集中的输入参数分别输入所述第三优化模型，得出经所述第三优化模型运算得到的第三输出参数，判断所述第三输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第三优化模型为所述机器学习模型。

6.如权利要求3-5中任一项所述的材料光学常数的确定方法，其特征在于，所述训练集、所述验证集和所述测试集中的所述样本数据为同质数据。