CN102750333A - 一种用于提取半导体纳米结构特征尺寸的方法 - Google Patents

Abstract

本发明公开了一种用于提取半导体纳米结构特征尺寸的方法，包括待提取参数取值范围的划分，子光谱数据库的建立，支持向量机分类器训练光谱的生成，支持向量机分类器的生成、测量光谱的映射和在子光谱数据库中进行的最相似光谱搜索。与现有方法相比，本发明方法通过额外增加一个可以离线进行的支持向量机分类器训练环节，实现了将测量光谱映射到一个小范围的子数据库中。与在整个大数据库中进行最相似光谱检索相比，在子数据库中展开的检索所消耗的时间大大减少。并且，通过增加每个分类器中包含的类数，可以得到更小的子数据库，从而进一步加速参数的提取。该方法实现了参数的提取速度可预期与可控。

Description

一种用于提取半导体纳米结构特征尺寸的方法

技术领域

本发明属于半导体散射光学测量领域，具体涉及一种基于支持向量机的纳米结构特征尺寸快速提取方法，它适用于对半导体纳米结构的特征尺寸进行快速、精确地测量。

背景技术

为了实现纳米制造工艺的可操作性、可重复性和可扩展性，保证基于纳米科技的产品满足可靠性、一致性、经济型和规模性生产等方面的要求，在纳米制造过程中对纳米结构的三维形貌参数进行快速、非破坏性、低成本的测量具有重要的意义。这些待测的纳米结构三维形貌包括特征线宽（特征尺寸）、高度、周期和侧壁角等。

在半导体光学测量领域中，光学散射仪(Scatterometry)是一种最为常见的特征尺寸测量设备。光学散射仪的测量过程包括正向光学特性建模和逆向求取两个部分。正向光学特性建模是对待测纳米结构的几何模型进行光学散射场仿真，获取仿真光谱。逆向求取部分则包括将测量光谱与仿真光谱不断进行对比，在一定的评价函数下相似度最高的仿真光谱对应的模型结构参数即认为是待测纳米结构的参数值。在光学散射仪的逆向参数提取部分，最常用的就是基于库匹配的方法。该方法首先要求针对某个待测结构模型建立一个仿真光谱数据库，该数据库中每一条独立的光谱对应着一个结构参数值确定的模型。对每一条测量光谱，按照某一评价函数在整个数据库中搜寻与其最为近似的仿真光谱，该仿真光谱对应的模型结构参数值，即被认为是待测结构的参数值。然而，光谱数据库中往往包括大量的仿真光谱，并且随着纳米结构待求参数的增多，仿真参数范围的扩大以及参数提取要求精度的提高，光谱的数量将进一步呈现几何级数的增长。为了满足工业中的实时性和快速性的参数提取要求，实现测量光谱在大型光谱数据库中的快速匹配，就需要摒弃传统的全库搜索，提出新的匹配策略。

基于库匹配的纳米结构几何参数提取包含仿真数据库的建立和数据库的检索两部分。针对仿真光谱数据库的建立，国外方面美国高科技材料、电子和计算工程中心的雷蒙德等人(C.J.Raymond et al.,J.Vac.Sci.Technol.B,Vol.15(2),pp.361-368,1997)和加州伯克利分校的牛新辉等人(X.Niu et al.,IEEE Trans.Semicond.Manufact.,Vol.14,pp.97-111,2001)在进行一维梯形面型周期结构几何参数提取时分别采用了基于库匹配的方法。并且，牛新辉等人提出了针对纳米结构的仿真数据库建立方法(X.Niu et al.,WIPO Patent,WO 2003/063053A1,31July 2003)。数据库的检索，是由测量光谱按照一定的准则在数据库中找出与其最为相似的仿真光谱，这是一个典型的最小临近搜索问题。传统的解决最小临近搜索问题的方法包括全库直接搜索法、k-d树方法、聚类分析方法和局部灵敏度散列法等。然而，除了全库搜索方法外，以上提到的其他方法在面对诸如最相似光谱搜索这类问题时，往往难以获得理想的全局最优结果。这是由于光谱往往不具有明显的特征，而上述方法是通过待搜索量的某一个或多个特征来展开的。法国国家科学研究中心的研究员索兰等人(S.Soulan et al.,Proc.SPIE 6518,pp.1110-1121,2007)采用了图形处理器(Graphic Processing Unit,GPU)来加速测量光谱在数据库中的最相似仿真光谱匹配。与中央处理器(Central Processing Unit,CPU)不同，图形处理器是专为处理图像而设计的一种硬件加速模块，它具有更快的数据处理速度、更多的数据处理能力和并行计算能力，索兰等人通过将多条仿真光谱整理成一个代表着“光谱图像”的矩阵，实现了光谱的快速匹配，从而实现了几何参数的快速提取。索兰等人提出的方法尽管实现了几何参数的快速提取，但是随着仿真光谱数据库规模的进一步扩大，必须采用更为强劲高效的GPU，这限制了这种基于硬件加速的搜索策略的可扩展性。因此，必须提出一种不同规模的仿真光谱数据库能够通用的快速搜索策略，并实现参数提取速度的可预期与可控。

发明内容

本发明的目的在于提供一种用于提取半导体纳米结构特征尺寸的方法，该方法可以实现特征线宽、高度、侧壁角的精确快速提取，且流程实现简单。

本发明提供的一种用于提取半导体纳米结构特征尺寸的方法，其特征在于，该方法包括下述过程：

第1步确定每一个待提取参数的取值范围，生成子光谱数据库；利用训练光谱和支持向量机训练网络进行支持向量机训练；

第2步利用训练完毕的支持向量机对测量光谱进行映射，映射到一个对应的子光谱数据库；

第3步利用搜索算法对所述对应的子光谱数据库展开搜索，找出结果最优的一条仿真光谱，该仿真光谱对应的仿真结构参数值即为待提取的纳米结构特征尺寸值。

作为上述技术方案的一个改进，第1步中，子光谱数据库的获取方法：

（1.1）将每一个待提取参数的取值范围划分成多个子取值范围；

（1.2）在每一个待提取参数对应的多个子取值范围中选取一个子取值范围，生成一个子参数取值组合，即一个子参数取值组合为所有待提取参数的某一个子取值范围组成的一个集合；

（1.3）对每一个子参数取值组合中的子参数取值范围离散取多组值，对离散值利用正向光学特性建模程序生成一条对应的仿真光谱，每一个子参数取值组合中的所有离散点对应的仿真光谱即为一个子光谱数据库。

作为上述技术方案的另一个改进，第1步中，训练光谱的获取方法包括下述过程：

每一个待提取的参数对应一个支持向量机，每一个待提取参数的取值范围被划分成多少个子区间，则对应的支持向量机输出端包含多少个类，每一个类由一个唯一的数字标示，用来代表一个子区间范围；每一个类对应着一个训练光谱集，一个训练光谱集与一个子区间对应；通过对某一个子区间中随机离散取多个值（一般情况下，随机取值个数应大于1000），对每一个离散取值点利用正向光学特性建模程序仿真出一条仿真光谱，这些仿真光谱组成的集合即为一个训练光谱集；一个支持向量机所有输出类对应的训练光谱集所包含的总的训练光谱，即为该支持向量机所需要的训练光谱。

作为上述技术方案的进一步改进，第2步中，利用训练完毕的支持向量机对测量光谱进行映射，映射到一个对应的子光谱数据库的过程为：

每一个待提取参数对应着的一个支持向量机的输出端具有多个类，每一个类分别与待提取参数取值范围所划分的一个子区间对应。通过将测量光谱输入到某一个支持向量机，支持向量机的输出为一个类，此输出类表示该支持向量机对应着的某一个待提取取值范围的一个子区间。通过每一个待提取参数对应的支持向量机的映射，则可以确定每一个待提取参数的一个子区间，这些被确定的所有子区间唯一确定了一个子光谱数据库。

作为上述技术方案的更进一步改进，第3步中，找出结果最优的一条仿真光谱的方法为：

每一个子光谱数据库中的所有光谱被整理成一个矩阵形式，矩阵的每一行为一条仿真光谱，此仿真光谱与一组结构参数值唯一对应。按照从上到下的原则，将矩阵中的每一条仿真光谱与测量光谱按照某一评价函数计算得到一个评价函数值；利用搜索算法或者排序算法找到所有评价函数值中最小的一个，该最小评价函数值对应的一条仿真光谱即为最优的仿真光谱。

与现有的基于库匹配的特征尺寸提取策略相比，本发明所提供的特征尺寸快速提取方法通过额外增加一个可以离线进行的支持向量机分类器训练环节，实现了将测量光谱映射到一个小范围的子数据库中。与在整个大数据库中进行最相似光谱检索相比，在子数据库中展开的检索所消耗的时间大大减少。并且，通过增加每个分类器中包含的类数（即将每个参数取值区间划分为更多的子区间），可以得到更小的子数据库，从而进一步加速参数的提取。该方法实现了参数的提取速度可预期与可控。

附图说明

图1是本发明实例的实现流程图；

图2是本发明中包含的子数据库建立、分类器训练光谱所在参数范围的划分示意图；

图3是待测样件结构示意图；

图4是本发明中一个待提取参数对应的分类器结构示意图；

图5是光谱在数据库中的存储示意图；

图6是测量光谱在子数据库中的匹配检索示意图。

具体实施方式

下面通过借助实施例更加详细地说明本发明，但以下实施例仅是说明性的，本发明的保护范围并不受这些实施例的限制。

如图1所示，本实例是以一维梯形光栅结构为例，说明所提供的方法的具体过程：

(1)确定一维梯形光栅结构待提取的参数及其参数取值范围；

图3为一维梯形光栅结构示意图，其线宽(w)、线高(depth)和侧壁角(SWA)为待提取的三个参数。

图2中分别用三个长方形10、11、12的长度来代表线宽(w)、线高(depth)和侧壁角(SWA)的取值范围。

(2)对参数的取值范围进行划分，对划分得到的子参数范围进行不同的组合。

划分可以以等值或不等值的方式任意划分。本实例中对参一维梯形光栅结构待提取的三个参数的取值范围均采用等值对半划分方式。

分别利用这些不同的子参数范围组合，采用正向光学特性建模过程获取训练光谱或者子光谱数据库中的仿真光谱，训练光谱将用来训练支持向量机。正向光学特性建模过程的原理是基于麦克斯韦方程的数值或者解析求解，求解的方式可以采用严格耦合波法或者时域有限差分法等；正向光学特性建模程序可以采用自主编写的程序，或者市面上出售的商业软件，如Rsoft公司的RSoft软件。

图2中对每一个待提取参数的取值范围进行等值对半划分，即每个参数的取值范围均分为两部分，每一个部分称为子参数范围。为了对每个参数的不同的两个子参数范围加以区分，在图2中对每一个子取值范围上加入了一个唯一的几何形状：线高的每一个子取值范围分别用位于其中的五角星和六角形表示；线宽的子取值范围分别用位于其中的六边形和七边形表示；侧壁角的每一个子取值范围分别用位于其中的椭圆形和圆形表示。

按照上述的划分方法，三个待提取参数一共可以获得六个子参数取值范围，其中每个参数包含两个子取值范围。对每一个参数的子取值范围进行组合，则一共可以获得2³一共八种不同的子参数取值范围组合，如图2中虚线椭圆13中所示。

每一种组合代表一个子数据库对应着的参数取值范围。这样，一共可以建立八个子数据库，即N=8（图1中k表示所有子数据库中的某一个，该子数据库是利用训练完毕的支持向量机对测量光谱4进行映射后确定的一个子数据库。具体的支持向量机训练及映射过程如下文所述）。对每一种组合中的三个子参数取值范围分别进行离散取值（离散取值即将一个连续的取值范围等距离散成多个点，如对1~2这个范围离散取5个点，则这5个点分别为1、1.25、1.5、1.75和2），利用正向光学特性建模软件对每一种离散取值组合进行仿真，得到仿真光谱。以第一种组合为例，对这三个子参数范围分别等距离离散取k₁，k₂，k₃个参数值（k₁，k₂，k₃为正整数，均需要大于或等于1，数值越大，最后的参数提取结果越精确。本实例中将k₁，k₂，k₃均取为20），则对生成的k₁×k₂×k₃种不同的参数模型分别利用正向光学特性建模生成对应的光谱，则一共有k₁×k₂×k₃条仿真光谱（即本实例中一共具有20³=8000条仿真光谱），此即为生成的第一个子数据库。其余子数据库的建立方式与其一致。子数据库在计算机中的存储模式如图5所示。子数据库包含光谱数据存储矩阵20和对应的结构参数存储矩阵部分21、22、23、在光谱数据存储矩阵20中，矩阵的每一行代表一条仿真光谱。线高存储列向量21、线宽存储列向量22和侧壁角存储列向量23中的每一行元素分别光谱数据存储矩阵中的一条光谱对应，如箭头24示。亦即一条测量光谱是由其对应的一组结构参数值通过正向光学特性建模仿真程序得到。

待提取参数为三个，将支持向量机的数目也设定为三个：每一个支持向量机对应着一个待提取参数。图4为一个支持向量机分类器的训练示意图。训练光谱17为一个支持向量机训练网络18的输入，输入端一共有M个训练光谱集，每一个集合中对应着一个类所需要的训练光谱。输出端19为分类器包含的每一个类的一个代表值。

图2中，每一个参数的取值范围被划分成两个子取值范围，则设定每一个参数对应着的支持向量机包含两个类。图2小虚线椭圆14中为第一个支持向量机训练用到的每一类的参数取值范围选择示意图。小虚线椭圆14中，在第一类和第二类分别对应的参数取值范围中，线宽和侧壁角的取值范围相同，而线高的取值范围则各为整个线高取值范围的一半。同理可见于小虚线椭圆15与16中。

以小虚线椭圆14中对应的第一个支持向量机为例，由于该支持向量机包含两个类，每一个类具有对应的参数取值范围组合，在每一个类对应的参数取值范围组合中对每一种参数的取值范围随机选取不同的参数值，组成一个参数值确定的模型（即一个模型具有一个唯一的线高、线宽和侧壁角值），模型的数目可自由设定，但需要大于500（在本实例中，对每一类选取的参数值模型数目均设定为1500），利用正向光学特性建模软件对每一个模型生成对应的训练光谱，则每一类具有其对应的一个训练光谱集。因此，在本实例中每一个支持向量机对应着两个训练光谱集，两个光谱集共具有3000条训练光谱。这两个训练光谱集对应着图4中的17，对于支持向量机的输出，由于图2中考虑的为二分类问题，因此将输出值0或者1作为每一个类的代表值。将生成的训练光谱作为输入，将0和1组成的向量[01]作为输出端参数，该[01]向量对应着图4中的19。利用图4所示的支持向量机训练网络18对训练光谱17和输出向量19进行训练。支持向量机的训练方法可以采用最小二乘法或者动态规划法（本实例采用动态规划法），支持向量机核函数本实例中选为径向基核函数，其表达式为：

$\mathrm{\ψ}\left(x\right)=\exp [-\frac{{\left|\right|x-x_c\left|\right|}^2}{2\×{\mathrm{\σ}}^2}]---\left(1\right)$

其中，x是一个待分类的向量（本实例中x为测量光谱），x_c是径向基核函数ψ(x)的中心值（本实例中取为0），σ为缩放比例因子（本实例中取为1.5）。训练完毕的支持向量机将用于对测量光谱的分类识别。

图2中展示的是将每一个待提取参数的取值范围划分成两个子参数范围，即子区间，实际应用中可以划分为多个子区间，其子区间的组合方式、子数据库的生成方式以及支持向量机的训练方式与图2中的雷同；

(3)测量光谱的获取；

测量光谱包括不同的类型，如反射率光谱，椭偏参数光谱和穆勒矩阵型光谱等。本实例中测量光谱采用椭偏参数型，测量光谱通过椭偏仪设备对待测样件测量获得。

(4)利用训练好的支持向量机对测量光谱进行分类映射。通过每一个支持向量机的映射，确定测量光谱对应着的结构参数值所在的子区间范围，由此确定其对应的子数据库；

在步骤(2)中生成的三个支持向量机，每一个分类器对应着一个待提取的参数：线高、线宽和侧壁角。将步骤(3)中获得的测量光谱，利用线高对应的分类器进行映射，可以确定该光谱对应结构的线高真实值所在的一个子取值范围；同理利用线宽和侧壁角对应的分类器分别对该光谱进行映射，可以得到该光谱对应结构的线宽和侧壁角真实值所在的各自的子取值范围。一旦测量光谱对应的真实结构待提取参数值所属的所有子取值范围被确定，就可以明确找出这些子取值范围对应的子数据库。

(5)选择一种评价函数，利用步骤(3)中获得的测量光谱在步骤(4)中确定的子数据库中的光谱数据存储矩阵中进行逐个比较，计算得到每一个比对结果获得的评价函数值。找出所有评价函数值中最小的一个，利用该最小值对应的仿真光谱可以确定一组结构参数值，该结构参数值即为与测量光谱真实值最为接近的一组值。

常用的评价函数有如下几种：

第一种为最小距离评价函数，评价函数值ED的表达形式为：

$\mathrm{ED}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(s_{\mathrm{ui}}-s_{\mathrm{ri}})}^2}---\left(2\right)$

其中，n为光谱的维数，sui为待测未知结构对应的测量光谱su中某一个光谱点，sri为子光谱数据库中一条仿真光谱sr的某一个光谱点。

第二种为光谱角评价函数，评价函数值θ的表达形式为：

$\mathrm{\θ}={\cos }^{-1}\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\×s_{\mathrm{ri}}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ui}}}^2}\×\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ri}}}^2}}---\left(3\right)$

光谱角匹配对乘性干扰具有不变性，只比较光谱在形状上的相似性，与光谱向量的模无关。

第三种为光谱相关性评价函数，评价函数值SCM的其表达形式为;

$\mathrm{SCM}=\frac{n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\×s_{\mathrm{ri}}-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ri}}}{\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ui}}}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\right)}^2}\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ri}}}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ri}}\right)}^2}}---\left(4\right)$

第四种为光谱相似度评价函数，评价函数值SSS的表达形式为：

$\mathrm{SSS}=\sqrt{{\left(\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(s_{\mathrm{ui}}-s_{\mathrm{ri}})}^2}\right)}^2+{\left(\cos \frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\×s_{\mathrm{ri}}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ui}}}^2\×\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ri}}}^2}}}\right)}^2}---\left(5\right)$

第五种为光谱信息散度评价函数。光谱信息散度匹配函数是将光谱向量看做随机向量，基于概率统计理论分析两个随机向量之间的相似度。定义测量光谱向量s_u的第i个分量的概率：

n为光谱的维数。则su相对于光谱库中某一条仿真光谱sr的信息熵定义为： $D\left(x\right|\left|y\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i\left(s_u\right)\log \left(\frac{p_i\left(s_u\right)}{p_i\left(s_r\right)}\right),$ 评价函数值为光谱信息散度，其定义为：

SID=D(x||y)+D(y||x)                            (6)

SID描述了两光谱之间的信息差异，其值越接近0，两光谱之间的相似性程度就越大。

在上述评价函数中选取一种评价函数26（本实例中选最小距离评价函数，即式(2)），在第(4)步中确定的子数据库中利用该评价函数按照自上到下的顺序25逐个计算测量光谱与仿真光谱之间的评价函数值，并整理成评价函数值向量29，用一定的排序或者搜索算法30找出向量29中的一个最小值并确定该最小值对应的仿真光谱和结构参数值28，最后对该结构参数值进行输出27。

综上所述，整个基于支持向量机的特征尺寸提取方法如流程图1所示。利用训练光谱1和支持向量机训练网络3进行支持向量机训练2，对某一条测量光谱4利用训练完毕的支持向量机进行映射5。映射结果为某一个对应的子光谱数据库，将此子光谱数据库加载到计算机内存中（此步骤定义为6），利用某一种搜索算法7对加载到计算机内存中的子光谱数据库8展开搜索，找出结果最优的一组仿真光谱，该仿真光谱对应的仿真结构参数值即为待提取的纳米结构特征尺寸值，即为输出9。

本发明所提的光谱数据库快速及可控搜索策略的关键在于支持向量机的训练，不同的分类方式，训练光谱集之间的差异，训练核函数和训练方式的选择将在极大程度上决定着支持向量机的可靠性。本发明中涉及的一系列的支持向量机训练策略，保证了支持向量机的合理训练与最终结果的分类可靠性。

上文在叙述具体的操作步骤时仅以一维梯形周期结构光栅的线宽、线高和侧壁角三个参数的提取为例，并且在参数范围划分中只涉及了对半划分。对于其他类型的周期结构光栅（如二维周期光栅，套刻结构等）或者具有更多的待提取参数，可以利用和上文中一样的参数划分方式、子数据库生成方式和支持向量机训练方式，来达到最终的搜索效果。

以上所述为本发明的较佳实施例而已，但本发明不应该局限于该实施例和附图所公开的内容。所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (5)

1. 一种用于提取半导体纳米结构特征尺寸的方法，其特征在于，该方法包括下述过程：

第1步 确定每一个待提取参数的取值范围，生成子光谱数据库；利用训练光谱和支持向量机训练网络进行支持向量机训练；

第2步 利用训练完毕的支持向量机对测量光谱进行映射，映射到一个对应的子光谱数据库；

第3步 利用搜索算法对所述对应的子光谱数据库展开搜索，找出结果最优的一条仿真光谱，该仿真光谱对应的仿真结构参数值即为待提取的纳米结构特征尺寸值。

2.根据权利要求1所述的用于提取半导体纳米结构特征尺寸的方法，其特征在于，第1步中，子光谱数据库的获取方法：

（1.1）将每一个待提取参数的取值范围划分成多个子取值范围；

（1.2）在每一个待提取参数对应的多个子取值范围中选取一个子取值范围，生成一个子参数取值组合；

（1.3）对每一个子参数取值组合中的子参数取值范围离散取多组值，对离散值利用正向光学特性建模程序生成一条对应的仿真光谱，每一个子参数取值组合中的所有离散点对应的仿真光谱即为一个子光谱数据库。

3.根据权利要求1所述的用于提取半导体纳米结构特征尺寸的方法，其特征在于，第1步中，训练光谱的获取方法：

每一个待提取的参数对应一个支持向量机，每一个待提取参数的取值范围被划分成多少个子区间，则对应的支持向量机输出端包含多少个类，每一个类由一个唯一的数字标示，用来代表一个子区间范围；每一个类对应着一个训练光谱集，一个训练光谱集与一个子区间对应；通过对某一个子区间中随机离散取多个值，对每一个离散取值点利用正向光学特性建模程序仿真出一条仿真光谱，这些仿真光谱组成的集合即为一个训练光谱集；一个支持向量机所有输出类对应的训练光谱集所包含的总的训练光谱，即为该支持向量机所需要的训练光谱。

4.根据权利要求1所述的用于提取半导体纳米结构特征尺寸的方法，其特征在于，第2步中，利用训练完毕的支持向量机对测量光谱进行映射，映射到一个对应的子光谱数据库的过程为：

每一个待提取参数对应着的一个支持向量机的输出端具有多个类，每一个类分别与待提取参数取值范围所划分的一个子区间对应；通过将测量光谱输入到某一个支持向量机，支持向量机的输出为一个类，此输出类表示该支持向量机对应着的某一个待提取取值范围的一个子区间；通过每一个待提取参数对应的支持向量机的映射，则能够确定每一个待提取参数的一个子区间，这些被确定的所有子区间唯一确定一个子光谱数据库。

5.根据权利要求1所述的用于提取半导体纳米结构特征尺寸的方法，其特征在于，第3步中，找出结果最优的一条仿真光谱的方法为：

每一个子光谱数据库中的所有光谱被整理成一个矩阵形式，矩阵的每一行为一条仿真光谱，此仿真光谱与一组结构参数值唯一对应；按照从上到下的原则，将矩阵中的每一条仿真光谱与测量光谱按照某一评价函数计算得到一个评价函数值；利用搜索算法或者排序算法找到所有评价函数值中最小的一个，该最小评价函数值对应的一条仿真光谱即为最优的仿真光谱。

Images