買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉華東師范大學(xué)申請的專利基于序列卷積神經(jīng)網(wǎng)絡(luò)模型的光刻工藝窗口的篩選方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN116188453B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-08發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202310277592.0，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)基于序列卷積神經(jīng)網(wǎng)絡(luò)模型的光刻工藝窗口的篩選方法是由趙舶彤;婁鵬杰;呂岳;呂淑靜設(shè)計(jì)研發(fā)完成，并于2023-03-21向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于序列卷積神經(jīng)網(wǎng)絡(luò)模型的光刻工藝窗口的篩選方法在說明書摘要公布了：本發(fā)明提供了一種基于序列卷積神經(jīng)網(wǎng)絡(luò)模型的光刻工藝窗口的篩選方法，包括：在序列神經(jīng)網(wǎng)絡(luò)模型中輸入一組光刻圖像，以及圖像在一組圖像中的相對位置信息。在訓(xùn)練階段，網(wǎng)絡(luò)模型在分別提取每一張圖像特征的同時(shí)，融合剩余圖像的特征以及當(dāng)前圖像參數(shù)在這一組圖像中的相對坐標(biāo)。并最終判定當(dāng)前圖像是否滿足生產(chǎn)需求。而在訓(xùn)練完成后，為了充分利用大量多樣的無標(biāo)簽數(shù)據(jù)和對網(wǎng)絡(luò)結(jié)果抽檢修正后的數(shù)據(jù)。采用半監(jiān)督學(xué)習(xí)利用更多無標(biāo)簽的數(shù)據(jù)進(jìn)行學(xué)習(xí)。最后通過蒸餾學(xué)習(xí)對人為修正后的神經(jīng)網(wǎng)絡(luò)的結(jié)果進(jìn)行學(xué)習(xí)，并更新參數(shù)。實(shí)現(xiàn)在使用過程中依舊不斷學(xué)習(xí)的功能。保證算法的泛化能力不斷提升，并滿足實(shí)際應(yīng)用過程中對光刻工藝窗口篩選的需求。

本發(fā)明授權(quán)基于序列卷積神經(jīng)網(wǎng)絡(luò)模型的光刻工藝窗口的篩選方法在權(quán)利要求書中公布了：1.一種基于序列卷積神經(jīng)網(wǎng)絡(luò)模型的光刻工藝窗口的篩選方法，其特征在于，所述方法具體包括： 預(yù)訓(xùn)練階段： 首先，搭建BottleneckMobileNetV3序列卷積神經(jīng)網(wǎng)絡(luò)模型，利用人工標(biāo)簽的光刻工藝窗口數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 所述的BottleneckMobileNetV3序列卷積神經(jīng)網(wǎng)絡(luò)模型用于篩選一組光刻工藝圖像中滿足生產(chǎn)需求的光刻工藝加工的參數(shù)范圍，其參數(shù)范圍被定義為光刻工藝窗口； 使用階段： 將一組模板相同，加工參數(shù)設(shè)置不同的光刻圖像輸入到所述的BottleneckMobileNetV3序列卷積神經(jīng)網(wǎng)絡(luò)模型中，提取每張圖片的深層特征，并同時(shí)分析圖片與圖片之間的相對參數(shù)，基于此由序列卷積神經(jīng)網(wǎng)絡(luò)模型判斷當(dāng)前一組圖像中哪些圖像的加工參數(shù)是滿足工藝生產(chǎn)需求的，并將這些圖片的加工參數(shù)組合為光刻工藝窗口作為輸出；將輸出結(jié)果存儲為所選擇光刻工藝窗口的數(shù)據(jù)集； 使用過程定期升級網(wǎng)絡(luò)： 投入使用后，每收集1000組新的圖像便對使用階段的序列卷積神經(jīng)網(wǎng)絡(luò)模型升級；其升級神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，具體包括： a）在使用過程中獲取最新的無標(biāo)簽光刻工藝圖像；基于半監(jiān)督學(xué)習(xí)的方法，將采集到的一組模板相同、參數(shù)不同的圖像進(jìn)行兩次不同的數(shù)據(jù)增強(qiáng)；在分別數(shù)據(jù)增強(qiáng)后，將產(chǎn)生的兩組圖片分別輸入到兩個(gè)結(jié)構(gòu)相同，參數(shù)相同的BottleneckMobileNetV3序列卷積神經(jīng)網(wǎng)絡(luò)模型中，即一對孿生網(wǎng)絡(luò)模型，獲得兩個(gè)網(wǎng)絡(luò)模型的輸出，即判斷一組圖片中每張圖片的加工參數(shù)合格的概率，將概率作為訓(xùn)練網(wǎng)絡(luò)模型的數(shù)據(jù)，獲得新的參數(shù)θ11和θ12，并通過蒸餾學(xué)習(xí)更新兩個(gè)孿生網(wǎng)絡(luò)模型的參數(shù)； 在訓(xùn)練完成后，從兩個(gè)孿生網(wǎng)絡(luò)模型的參數(shù)θ1和θ2中選擇一個(gè)參數(shù)，通過蒸餾學(xué)習(xí)對使用階段的序列卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行更新； b對使用階段后序列卷積神經(jīng)網(wǎng)絡(luò)模型選擇的光刻工藝窗口結(jié)果進(jìn)行抽檢，并人工修正；定期將修正后的結(jié)果作為新的數(shù)據(jù)集，基于有監(jiān)督學(xué)習(xí)，利用人工修正的數(shù)據(jù)集對序列卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得新的參數(shù)θ3，并通過蒸餾學(xué)習(xí)對使用階段的序列卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行參數(shù)更新； 通過蒸餾學(xué)習(xí)使序列卷積神經(jīng)網(wǎng)絡(luò)模型在面對未來新的圖像依舊能夠保證性能良好的同時(shí)，不會因?yàn)閰?shù)的更新而導(dǎo)致處理舊數(shù)據(jù)時(shí)的性能下降；其中： 所述搭建的BottleneckMobileNetV3序列卷積神經(jīng)網(wǎng)絡(luò)模型，是由BottleneckMobileNetV3block模塊和soulblock模塊堆疊；通過兩個(gè)模塊保證模型在分析過程中節(jié)約計(jì)算量，并使模型在分析一組圖片時(shí)，考慮到每個(gè)圖片在一組圖片中的相對位置； 為了使所述序列卷積神經(jīng)網(wǎng)絡(luò)模型的每一層之間是非線性的關(guān)系，模型的每一層使用ReLU激活函數(shù)進(jìn)行鏈接；函數(shù)的計(jì)算公式為： 4； 為了保證每一層的輸入都約束在[0,1]之間，在輸入到ReLU函數(shù)前，對輸入使用batchnormalization進(jìn)行歸一化處理，將輸入的每一個(gè)值約束在[0,1]之間，獲得ReLU函數(shù)的輸入x。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人華東師范大學(xué)，其通訊地址為：200241 上海市閔行區(qū)東川路500號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。