[发明专利]一种机器学习识别纳米器件中多晶薄膜的晶相分布的方法

权利要求书

1.一种机器学习识别纳米器件中多晶薄膜的晶相分布的方法，其特征在于，包括以下步骤：

步骤1：根据多晶功能薄膜不同晶体结构中组成原子在三维空间的原子排布情况，搭建相应的原子模型；

步骤2：将步骤1建立的原子模型导入到商业化或者开源的用于透射电子显微镜图像模拟软件中，根据实际透射电子显微镜的拍摄条件调节参数；

步骤3：基于计算机系统主流编程软件开发平台，以步骤2使用的图像模拟软件为开发对象，针对不同晶体结构，在该图像模拟软件中实现以设定步长遍历三维球坐标系表示的倾转方向(1,φ,θ)、样品厚度参数，并执行透射电镜图像模拟运算过程，获得透射电镜不同拍摄模式下一系列的透射电镜模拟图像后自动保存；

步骤4：针对多晶功能薄膜的N个晶相参数并行构建N个相应的深度学习卷积神经网络；以步骤3得到的一系列透射电镜模拟图像作为某一种晶相参数神经网络的标签数据输入集，通过机器学习提取M种子类别晶相参数在局部区域的图像特征；在神经网络的Softmax层输出不同子类别晶相参数在总类别M中的概率，根据输出值与输入的标签值得到误差；采用误差的反向传播更新神经网络的权重再次训练神经网络，直到误差值小于设定精度完成神经网络的识别训练；最后采用同一种模拟图像标签数据集完成其他晶相参数神经网络的识别训练；

步骤5：采用标准半导体工艺制备纳米器件，如相变存储器，铁电存储器等，其中多晶功能薄膜的厚度小于30纳米，利用电学测试系统验证其性能；

步骤6：采用标准的聚焦离子束加工工艺将步骤5中验证性能良好的器件制备成纳米薄片；

步骤7：将步骤6制备的纳米薄片在透射电子显微镜进行观测，调整电镜状态后，选择合适的成像模式依次连续拍摄多晶功能薄膜不同位置的微观结构图像；

步骤8:将步骤7拍摄的整体微观结构图像作为深度学习卷积神经网络的数据输入时，则直接进行特征识别，实时处理给出多晶功能薄膜不同位置的晶体学参数。将步骤7拍摄的局部微结构图像作为深度学习卷积神经网络的数据输入时，则先对整张图片进行数据保存、图片网格分割操作，再将图片中不同位置的网格图像依次作为数据输入，进行特征识别,得到多晶功能薄膜不同位置的晶体学参数。

2.根据权利要求1所述的机器学习辅助识别纳米器件中多晶功能薄膜的晶相分布的方法，其特征在于，所述步骤1中，搭建的晶体结构模型为多晶功能薄膜的同组分不同状态相结构。

3.根据权利要求1所述的机器学习辅助识别纳米器件中多晶功能薄膜的晶相分布的方法，其特征在于，所述步骤2中，需要调节的模拟参数有加速电压、球差、色差、像散、欠焦量、曝光时间、图片大小、信噪比。

4.根据权利要求1所述的机器学习辅助识别纳米器件中多晶功能薄膜的晶相分布的方法，其特征在于，所述步骤3中，模拟的结构为多晶功能薄膜的同组分不同状态的相结构。

5.根据权利要求1所述的机器学习辅助识别纳米器件中多晶功能薄膜的晶相分布的方法，其特征在于，所述步骤3中，模拟的样品厚度为1-30纳米。

6.根据权利要求1所述的机器学习辅助识别纳米器件中多晶功能薄膜的晶相分布的方法，其特征在于，所述步骤3中，模拟获得的图片可以是高分辨像、高角环形暗场像、环形明场像、会聚束衍射图像、纳米束衍射图像和郎奇图(Ronchigram)。

7.根据权利要求1所述的机器学习辅助识别纳米器件中多晶功能薄膜的晶相分布的方法，其特征在于，所述步骤4中，需要进行图像识别训练的晶相参数有晶体结构、厚度和空间取向等。

8.根据权利要求1所述的机器学习辅助识别纳米器件中多晶功能薄膜的晶相分布的方法，其特征在于，所述步骤4中，构建的深度学习卷积神经网络可以是AlexNet、ResNet或者VGG模型。