[发明专利]一种磁控镀膜仪工艺参数的优化方法

摘要

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。

主权项

1.一种基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法，其特征在于，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，将获得的电阻率、透光度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，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F2，适应度函数F2取：其中F2为适应度值，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。