上海光学精密机械研究所----上海光机所在热退火工艺调控HfO<sub>2</sub>薄膜性能的神经网络建模及其预测方法研究方面取得进展

信息公开

信息公开工作信息

相关规定
信息公开规定
 信息公开指南
 信息公开目录
组织机构
信息公开监督机构信息公开工作机构

年度报告
中国科学院上海光机所2023年度信息公开工作报告
 中科院上海光机所2022年度信息公开工作报告

信息公开

组织机构      发展规划

科研动态      科研成果      成果转化

人才队伍      招生培养

国际合作     科学普及     年度统计     科技期刊

预算决算
系列专题
2023 2022 2021 2020 2019 2018 2017 更多往年专题

超强激光科学卓越创新简报

(第五百十八期)

2024年5月22日

上海光机所在热退火工艺调控HfO₂薄膜性能的神经网络建模及其预测方法研究方面取得进展

近期，中国科学院上海光学精密机械研究所高功率激光元件技术与工程部和上海大学微电子学院合作，提出一种热退火工艺调控HfO₂薄膜性能的神经网络建模及其预测方法，相关研究成果以“Neural network modeling and prediction of HfO₂ thin film properties tuned by thermal annealing”为题发表于High Power Laser Science and Engineering。

退火后处理是一种常用的薄膜后处理方法，能够增加膜层致密度，优化膜层光学性能。但由于工艺参数的多样性和广泛性，薄膜性能的改善往往需要大量、昂贵且耗时的实验。而反向传播神经网络（Back-Propagation Neural Network，BPNN）已被证实能够建立实验参数和材料特性的映射关系。其中，深层结构的神经网络模型在近似能力和推广能力上更具优势，有望用于预测退火处理工艺对HfO₂薄膜性能的影响。因此，有必要针对退火工艺以及HfO₂薄膜性能需求，研究适用的神经网络模型参数。

研究团队探索了BPNN模型在热退火工艺调控HfO₂薄膜性能的建模及其预测中的应用。团队首先探讨了隐藏层深度对BPNN模型效果的影响。研究发现，随着隐藏层深度的增加，神经网络模型在训练集上可以获得更高的准确度，但过拟合的风险也随之增加。考虑到拟合精度和模型稳定性，采用了优化的三层隐含层神经网络模型（Three-Hidden-Layer BPNN，THL-BPNN）对退火工艺参数与HfO₂薄膜性能（折射率、膜层厚度和氧铪比）之间的关系进行建模，并将THL-BPNN模型与使用高斯核函数的支持向量机回归（Support Vector Machine Regression，SVR）模型和线性回归（Linear Regression，LR）模型进行比较。THL-BPNN模型在所有训练和验证数据集上都取得了不低于0.90的高精度，优于SVR模型和LR模型。研究团队进一步运用THL-BPNN模型预测HfO₂薄膜的激光损伤阈值和SiO₂薄膜的性能，结果均表现出良好的准确度。