机器学习中多解问题的训练方法、X射线测量方法及装置

    公开(公告)号:CN118296366A

    公开(公告)日:2024-07-05

    申请号:CN202311517042.8

    申请日:2023-11-14

    Abstract: 机器学习中多解问题的训练方法、X射线测量方法及装置,应用在纳米测量技术领域,利用X射线获取待检测目标件的散射图谱;利用测量模型对散射图谱分析,得到待检测器件的关键尺寸;测量模型是通过将样本器件的数据集输入至待训练测量模型中,基于联合损失函数对待训练测量模型进行训练得到的;联合损失函数的损失因子包括基于样本器件的关键尺寸的预测值的损失因子、预测值的巴比涅互补损失因子、预测值的中心对称损失因子及预测值的巴比涅互补的中心对称损失因子。通过结合物理先验信息在模型训练过程中构建联合损失函数,计算同一散射图谱对应的所有可能结构的损失,解决了多解问题,训练好的测量模型可以实时且高精度的X射线散射测量计算。

    机器学习中多解问题的训练方法、X射线测量方法及装置

    公开(公告)号:CN118296366B

    公开(公告)日:2025-03-14

    申请号:CN202311517042.8

    申请日:2023-11-14

    Abstract: 机器学习中多解问题的训练方法、X射线测量方法及装置,应用在纳米测量技术领域,利用X射线获取待检测目标件的散射图谱;利用测量模型对散射图谱分析,得到待检测器件的关键尺寸;测量模型是通过将样本器件的数据集输入至待训练测量模型中,基于联合损失函数对待训练测量模型进行训练得到的;联合损失函数的损失因子包括基于样本器件的关键尺寸的预测值的损失因子、预测值的巴比涅互补损失因子、预测值的中心对称损失因子及预测值的巴比涅互补的中心对称损失因子。通过结合物理先验信息在模型训练过程中构建联合损失函数,计算同一散射图谱对应的所有可能结构的损失,解决了多解问题,训练好的测量模型可以实时且高精度的X射线散射测量计算。

Patent Agency Ranking