一种基于LSTM和NSGA-Ⅱ对PECVD镀膜工艺的多参数优化方法

一种基于lstm和nsga
‑ⅱ
对pecvd镀膜工艺的多参数优化方法
技术领域
1.本发明涉及薄膜制备技术领域，尤其涉及一种基于lstm和nsga
‑ⅱ
对pecvd镀膜工 艺的多参数优化方法。


背景技术：

2.薄膜制备工艺在超大规模集成电路技术中有着非常广泛的应用，按照其成膜方法可分为 两大类：物理气相沉积(pvd)和化学气相沉积(cvd)。等离子增强型化学气相淀积(pecvd) 是化学气相淀积的一种，其淀积温度低是它最突出的优点。pecvd淀积的薄膜具有优良的电 学性能、良好的衬底附着性以及极佳的台阶覆盖性，正由于这些优点使其在超大规模集成电 路、光电器件、mems等领域具有广泛的应用。
3.而在探索pecvd镀膜工艺的过程中，往往采用人工实验的方法，参数的选择还多依赖 于工人的经验，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。因此对薄膜的制备工艺进行改进，耗费大量时间与金钱， 而且取得的效果一般。就目前而言，缺少相关的优化算法对pecvd镀膜工艺参数进行优化。


技术实现要素：

4.针对上述现有技术的不足，本发明提供一种基于lstm和nsga
‑ⅱ
对pecvd镀膜工艺 的多参数优化方法。
5.为解决上述技术问题，本发明所采取的技术方案是：一种基于lstm和nsga
‑ⅱ
对 pecvd镀膜工艺的多参数优化方法，包括如下步骤：
6.步骤1：根据工艺需求选择pecvd镀膜工艺中的参数进行镀膜实验，将所制得的样品进 行数据表征，并对其性能进行数值化记录；进行多次实验过后，将各组不同工艺参数的实验 及数据表征结果构成原始数据集；
7.进一步的，所述pecvd镀膜工艺中的参数包括：偏压u、占空比c1、乙炔气流量q1、 电子枪电流i、温度t、ar气流量q2、上下线圈电流i1与i2。
8.进一步的，所述将所制得的样品进行数据表征，并对其性能进行数值化记录，包括：薄 膜样品的厚度d，硬度hv和杨氏模量y。
9.步骤2：从原始数据集中，随机选择一定比例的数据样本作为训练样本，剩余的数据样 本作为测试样本，并对所有数据样本进行归一化处理；
10.步骤3：进行lstm神经网络的创建、训练及测试，具体过程如下：
11.步骤3.1：构建lstm神经网络：设置神经元个数n，初始化每个神经元中遗忘门、输入 门、输出门的权值和阈值，确定学习率lr，最大迭代次数m；
12.步骤3.2：训练lstm神经网络：使用训练样本训练lstm神经网络，不断更新神经元 中的各个权值与阈值；
13.步骤3.3：判断训练误差是否小于预设值，若小于预设值，则停止训练，若误差大于
预设 值，则重复步骤3.2直到达到最大迭代次数m，得到训练好的lstm神经网络；
14.步骤3.4：将测试样本输入训练好的lstm神经网络中进行测试，将测试结果与真实输 出值进行对比，若测试误差在阈值范围内导出并使用训练好的lstm神经网络，若测试误差 超出阈值范围则转至执行步骤3.1重新对初始参数进行设定，直至测试误差在阈值范围内。
15.步骤4：基于训练好的lstm神经网络，利用nsga
‑ⅱ
算法对工艺参数进行多目标优化， 具体过程如下：
16.步骤4.1：设置nsga
‑ⅱ
算法的参数：根据薄膜制备需求以及原始数据集设置待优化工 艺参数的上下界，设置种群的规模n，遗传进化次数i，交叉概率pc和变异概率pm；所述种 群规模n范围为30～200，遗传进化次数的范围为100～2000，交叉概率pc取值范围为0.25～1， 变异概率pm的取值范围为0.001～0.1，设置参数的具体取值根据所需工艺的实际情况而定；
17.步骤4.2：初始化种群：将遗传进化次数初始值设为0，设置最大的进化次数gen，随机 生成初始种群2pi；
18.步骤4.3：计算目标函数：将初始种群中的各个个体作为训练好的lstm神经网络的输 入得出相应的输出参数即为nsga
‑ⅱ
优化算法中的目标函数值；
19.步骤4.4：非支配排序以及拥挤度计算：将初始种群中的个体按照非支配等级进行排序， 同一非支配等级的，按照拥挤度进行排序；
20.步骤4.5：生成初始父代种群pi：使用竞标赛选择法选择适合繁殖的父代；
21.进一步的，所述使用竞标赛选择法选择适合繁殖的父代的具体方法如下：
22.随机选择两个参赛个体，按照非支配等级排序进行选择比较，选择非支配等级高的个体， 当非支配等级排序一致时，优先选择拥挤度大的个体。
23.步骤4.6：交叉变异：将交叉算子与变异算子先后作用于父代种群，经交叉和变异后得到 子代种群qi，具体过程如下：
24.步骤4.6.1：根据给定的交叉概率pc，如果产生的0到1之间的随机数rand(0,1)小于交叉 概率pc时，则执行交叉操作；否则不执行交叉操作；
25.步骤4.6.2：交叉后对新的群体进行变异操作，根据给定的变异概率pm，当产生的0至1 之间的随机数rand(0,1)小于变异概率pm时，则执行变异操作；否则不执行变异操作；
26.步骤4.6.3：将交叉及变异操作后产生的群体记为子代种群qi。
27.步骤4.7：合并选择新的父代种群：将交叉变异得到的子代种群与对应的父代种群合并为 新的种群ti，计算新的种群ti中个体的目标函数值并对各个个体进行非支配排序以及拥挤度 计算，按照设定的种群规模优先选择非支配等级高的个体组成新种群，当非支配等级一致时， 优先选择拥挤度较大的个体，组成新的父代种群p
i+1
；
28.步骤4.8：判断i是否满足最大进化次数，若不满足最大进化次数，则将进化次数计数加 1并重复步骤4.6至步骤4.8，直至满足最大进化次数；若满足最大进化次数，则将每一代种 群经过交叉变异再选择后得出的个体集合依据非支配等级排序和拥挤度计算选取所需的个体 作为最终的pareto解即优化后的工艺参数，输出待优化参数经过优化后得出的最优解。
29.步骤5：根据步骤4优化后的结果，按照生产需求选择合适的工艺参数作为最终优
忘门；i
t
为输入门；为当前输入的神经元状态，o
t
为输出门；σ和tanh为激活函数，x
t
为t 时刻下训练集的输入。
47.遗忘门确定信息的取舍：
48.f
t
＝σ(w
xf
x
t
+w
hfht-1
+bf)
49.输入门确定某些更新的信息可以输入到神经元中：
50.i
t
＝σ(w
xi
x
t
+w
hiht-1
+bi)
[0051][0052]
更新神经元状态：
[0053][0054]
最后通过输出门确定输出信息：
[0055]ot
＝σ(w
xo
x
t
+w
hoht-1
+bo)
[0056]ht
＝o
t
tanh(c
t
)
[0057]
式中，w
xf
和w
hf
对应着遗忘门中的x
t
和h
t-1
所对应的权重矩阵；w
xi
和w
hi
则对应着输入门x
t
和h
t-1
所对应的权重矩阵；w
xc
和w
hc
分别为对应的输入门中x
t
和h
t-1
更新隐含层状态所对应 的权重矩阵，w
xo
和w
ho
对应着输出门x
t
和h
t-1
所对应的权重矩阵；bf、bi、bc、bo为遗忘门、输 入门、当前输入神经元状态以及输出门中的偏置变量；激活函数σ和tanh分别采用sigmiod和 双曲正弦函数。
[0058]
步骤3.3：判断训练误差是否小于预设值，若小于预设值，则停止训练，若误差大于预设 值，则重复步骤3.2直到达到最大迭代次数m，得到训练好的lstm神经网络；
[0059]
步骤3.4：将测试样本输入训练好的lstm神经网络中进行测试，将测试结果与真实输 出值进行对比，若测试误差在阈值范围内导出并使用训练好的lstm神经网络，若测试误差 超出阈值范围则转至执行步骤3.1重新对初始参数进行设定，直至测试误差在阈值范围内。
[0060]
步骤4：基于训练好的lstm神经网络，利用nsga
‑ⅱ
算法对工艺参数进行多目标优化， 具体过程如下：
[0061]
步骤4.1：设置nsga
‑ⅱ
算法的参数：根据薄膜制备需求以及原始数据集设置待优化工 艺参数的上下界，设置种群的规模n，遗传进化次数i，交叉概率pc和变异概率pm；
[0062]
本实施例中，决策变量包括：偏压u、占空比c1、乙炔气流量q1、电子枪电流i、温度 t、ar气流量q2、上下线圈电流i1与i2共8个，设置设置种群的规模n＝200，交叉概率pc＝0.9 和变异概率pm＝0.1，最大遗传进化次数为2000；
[0063]
步骤4.2：初始化种群：将遗传进化次数初始值设为0，设置最大的进化次数gen，随机 生成初始种群2pi；
[0064]
步骤4.3：计算目标函数：将初始种群中的各个个体作为训练好的lstm神经网络的输 入得出相应的输出参数即为nsga
‑ⅱ
优化算法中的目标函数值；
[0065]
步骤4.4：非支配排序以及拥挤度计算：将初始种群中的个体按照非支配等级进行排序， 同一非支配等级的，按照拥挤度进行排序；
[0066]
步骤4.5：生成初始父代种群pi：使用竞标赛选择法选择适合繁殖的父代；
[0067]
进一步的，所述使用竞标赛选择法选择适合繁殖的父代的具体方法如下：
[0068]
随机选择两个参赛个体，按照非支配等级排序进行选择比较，选择非支配等级高的个体， 当非支配等级排序一致时，优先选择拥挤度大的个体。
[0069]
步骤4.6：交叉变异：将交叉算子与变异算子先后作用于父代种群，经交叉和变异后得到 子代种群qi，具体过程如下：
[0070]
步骤4.6.1：根据给定的交叉概率pc，如果产生的0到1之间的随机数rand(0,1)小于交叉 概率pc时，则执行交叉操作；否则不执行交叉操作；
[0071]
步骤4.6.2：交叉后对新的群体进行变异操作，根据给定的变异概率pm，当产生的0至1 之间的随机数rand(0,1)小于变异概率pm时，则执行变异操作；否则不执行变异操作；
[0072]
步骤4.6.3：将交叉及变异操作后产生的群体记为子代种群qi。
[0073]
步骤4.7：合并选择新的父代种群：将交叉变异得到的子代种群与对应的父代种群合并为 新的种群ti，计算新的种群ti中个体的目标函数值并对各个个体进行非支配排序以及拥挤度 计算，按照设定的种群规模优先选择非支配等级高的个体组成新种群，当非支配等级一致时， 优先选择拥挤度较大的个体，组成新的父代种群p
i+1
；
[0074]
步骤4.8：判断i是否满足最大进化次数，若不满足最大进化次数，则将进化次数计数加 1并重复步骤4.6至步骤4.8，直至满足最大进化次数；若满足最大进化次数，则将每一代种 群经过交叉变异再选择后得出的个体集合依据非支配等级排序和拥挤度计算选取所需的个体 作为最终的pareto解即优化后的工艺参数，输出待优化参数经过优化后得出的最优解。
[0075]
步骤5：根据步骤4优化后的结果，按照生产需求选择合适的工艺参数作为最终优化结 果。