CN115240046B - 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 - Google Patents

用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 Download PDF

Info

Publication number
CN115240046B
CN115240046B CN202210909316.7A CN202210909316A CN115240046B CN 115240046 B CN115240046 B CN 115240046B CN 202210909316 A CN202210909316 A CN 202210909316A CN 115240046 B CN115240046 B CN 115240046B
Authority
CN
China
Prior art keywords
vector
feature
liquid chromatogram
buffered oxide
etching solution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210909316.7A
Other languages
English (en)
Other versions
CN115240046A (zh
Inventor
刘水星
吴桂龙
王茶英
张永彪
罗永春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Tianfu Electronic Materials Co ltd
Original Assignee
Fujian Tianfu Electronic Materials Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Tianfu Electronic Materials Co ltd filed Critical Fujian Tianfu Electronic Materials Co ltd
Priority to CN202210909316.7A priority Critical patent/CN115240046B/zh
Priority to PCT/CN2022/119567 priority patent/WO2024021259A1/zh
Publication of CN115240046A publication Critical patent/CN115240046A/zh
Application granted granted Critical
Publication of CN115240046B publication Critical patent/CN115240046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/71—Feed mechanisms
    • C—CHEMISTRY; METALLURGY
    • C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
    • C09K—MATERIALS FOR MISCELLANEOUS APPLICATIONS, NOT PROVIDED FOR ELSEWHERE
    • C09K13/00—Etching, surface-brightening or pickling compositions
    • C09K13/04—Etching, surface-brightening or pickling compositions containing an inorganic acid
    • C09K13/08—Etching, surface-brightening or pickling compositions containing an inorganic acid containing a fluorine compound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Inorganic Chemistry (AREA)
  • Materials Engineering (AREA)
  • Organic Chemistry (AREA)
  • ing And Chemical Polishing (AREA)

Abstract

本申请涉及智能生产领域，其具体地公开了一种用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法，其采用人工智能控制技术，通过基于深度神经网络模型来分别对于氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值进行在时间维度上的动态隐含特征的提取，这样就能够基于蚀刻液的表面张力的实时状况和动态变化特征来控制氢气注入速度，进而能够保证缓冲氧化蚀刻剂在使用过程中的蚀刻速率和蚀刻质量。

Description

用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法
技术领域
本发明涉及智能生产的领域，且更为具体地，涉及一种用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法。
背景技术
缓冲氧化蚀刻剂主要用于微电子行业，可作为清洗剂、蚀刻剂，在半导体工业中常用于蚀刻无光刻胶护罩的氧化层。其主要成分为氢氟酸和氟化铵的酸性氟化铵蚀刻液，又称为BOE蚀刻液。蚀刻剂的表面张力是影响蚀刻速率和蚀刻质量的关键因素之一。
亲水性是指分子能够透过氢键和水分子形成短暂键结的物理性质。疏水性指的是一个分子(疏水物)与水互相排斥的物理性质。亲疏水性可以用浸润性来统称，而液体的浸润性可以用表面张力来表征。为了提高蚀刻剂的浸润性能，降低表面张力需要对蚀刻液的表面张力开展研究。表面张力很大，对半导体硅片蚀刻层的润湿性很差，在实际的工程应用中容易导致蚀刻图案严重变形。而较低的表面张力能增大蚀刻液的渗透性，蚀刻入微小的孔径。因此，为了提高蚀刻剂的浸润性能，降低表面张力以达到效用左右，期望一种优化的用于缓冲氧化物蚀刻液生产的自动配料系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法，其采用人工智能控制技术，通过基于深度神经网络模型来分别对于氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值进行在时间维度上的动态隐含特征的提取，这样就能够基于蚀刻液的表面张力的实时状况和动态变化特征来控制氢气注入速度，进而能够保证缓冲氧化蚀刻剂在使用过程中的蚀刻速率和蚀刻质量。
根据本申请的一个方面，提供了一种用于缓冲氧化物蚀刻液生产的自动配料系统，其包括：配料过程数据采集模块，用于获取预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值；时序编码模块，用于将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量；液相色谱图编码模块，用于将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图；数据降维模块，用于对所述液相色谱特征图进行降维以得到液相色谱特征向量；响应模块，用于计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵；融合模块，用于将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量；以及配料控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统中，所述时序编码模块，包括：输入向量构造单元，用于将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值按照时间维度分别排列为注入速度输入向量和张力输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行全连接编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行一维卷积编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中， a为卷积核在 x方向上的宽度、 F为卷积核参数向量、 G为与卷积核函数运算的局部向量矩阵， w为卷积核的尺寸，表示所述输入向量。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统中，所述液相色谱图编码模块，进一步用于：所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述液相色谱特征图，所述第一卷积神经网络的第一层的输入为所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统中，所述数据降维模块，进一步用于对所述液相色谱特征图的各个特征矩阵进行基于语义推理信息显式泛化的全局池化以得到所述液相色谱特征向量，其中，所述基于语义推理信息显式泛化的全局池化基于以各个特征矩阵的所有位置的特征值的加和值为幂的自然指数函数值与各个特征矩阵的所有位置的特征值的加和值之间的差值来进行。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统中，所述所述数据降维模块，进一步用于：以如下公式对所述液相色谱特征图进行降维以得到所述液相色谱特征向量；其中，所述公式为：
其中表示所述液相色谱特征图的第个通道的特征矩阵的各个位置的转换到概率空间[0,1]的特征值。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统中，所述响应模块，进一步用于：以如下公式计算所述注入特征向量相对于所述液相色谱特征向量的所述转移矩阵；其中，所述公式为： =M*
其中表示所述注入特征向量， M表示所述转移矩阵，表示所述液相色谱特征向量。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统中，所述融合模块，进一步用于：以如下公式将所述转移矩阵与所述张力特征向量进行融合以得到所述分类特征向量；其中，所述公式为：
其中，表示所述转移矩阵，表示所述张力特征向量，表示所述分类特征向量，表示矩阵相乘。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统中，所述配料控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
根据本申请的另一方面，一种用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法，其包括：获取预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值；将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量；将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图；对所述液相色谱特征图进行降维以得到液相色谱特征向量；计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵；将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法中，将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量，包括：将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值按照时间维度分别排列为注入速度输入向量和张力输入向量；使用所述时序编码器的全连接层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行全连接编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行一维卷积编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中， a为卷积核在 x方向上的宽度、 F为卷积核参数向量、 G为与卷积核函数运算的局部向量矩阵， w为卷积核的尺寸，表示所述输入向量。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法中，将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图，包括：所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述液相色谱特征图，所述第一卷积神经网络的第一层的输入为所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法中，对所述液相色谱特征图进行降维以得到液相色谱特征向量，包括：对所述液相色谱特征图的各个特征矩阵进行基于语义推理信息显式泛化的全局池化以得到所述液相色谱特征向量，其中，所述基于语义推理信息显式泛化的全局池化基于以各个特征矩阵的所有位置的特征值的加和值为幂的自然指数函数值与各个特征矩阵的所有位置的特征值的加和值之间的差值来进行。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法中，对所述液相色谱特征图进行降维以得到液相色谱特征向量，包括：以如下公式对所述液相色谱特征图进行降维以得到所述液相色谱特征向量；其中，所述公式为：
其中表示所述液相色谱特征图的第个通道的特征矩阵的各个位置的转换到概率空间[0,1]的特征值。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法中，计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵，包括：以如下公式计算所述注入特征向量相对于所述液相色谱特征向量的所述转移矩阵；其中，所述公式为：
=M*
其中表示所述注入特征向量， M表示所述转移矩阵，表示所述液相色谱特征向量。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法中，将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量，包括：以如下公式将所述转移矩阵与所述张力特征向量进行融合以得到所述分类特征向量；其中，所述公式为：
其中，表示所述转移矩阵，表示所述张力特征向量，表示所述分类特征向量，表示矩阵相乘。
在上述用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
与现有技术相比，本申请提供的用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法，其采用人工智能控制技术，通过基于深度神经网络模型来分别对于氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值进行在时间维度上的动态隐含特征的提取，这样就能够基于蚀刻液的表面张力的实时状况和动态变化特征来控制氢气注入速度，进而能够保证缓冲氧化蚀刻剂在使用过程中的蚀刻速率和蚀刻质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统的应用场景图。
图2为根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统的框图。
图3为根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法的流程图。
图4为根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，缓冲氧化蚀刻剂主要用于微电子行业，可作为清洗剂、蚀刻剂，在半导体工业中常用于蚀刻无光刻胶护罩的氧化层。其主要成分为氢氟酸和氟化铵的酸性氟化铵蚀刻液，又称为BOE蚀刻液。蚀刻剂的表面张力是影响蚀刻速率和蚀刻质量的关键因素之一。
亲水性是指分子能够透过氢键和水分子形成短暂键结的物理性质。疏水性指的是一个分子(疏水物)与水互相排斥的物理性质。亲疏水性可以用浸润性来统称，而液体的浸润性可以用表面张力来表征。为了提高蚀刻剂的浸润性能，降低表面张力需要对蚀刻液的表面张力开展研究。表面张力很大，对半导体硅片蚀刻层的润湿性很差，在实际的工程应用中容易导致蚀刻图案严重变形。而较低的表面张力能增大蚀刻液的渗透性，蚀刻入微小的孔径。因此，为了提高蚀刻剂的浸润性能，降低表面张力以达到效用左右，期望一种优化的用于缓冲氧化物蚀刻液生产的自动配料系统。
例如，专利CN 111892931B所提供的技术方案；其中，所述缓冲氧化蚀刻剂的配方为：氢氟酸、氟化铵、硝酸、醋酸、超纯水和渗透剂。特别地，在蚀刻剂中通入微量氢气，对蚀刻液起到催化作用，提高了蚀刻液对氧化硅层表面的润湿性，降低BOE蚀刻液表面张力。在配料过程中，控制氢气的注入速度以使得最终制得的BOE蚀刻液的表面张力达到效用左右。
基于此，本申请发明人发现在上述方案中，如果所述氢气的注入速度过快，则可能导致氢气无法充分溶解于蚀刻液中，而如果所述氢气的注入速度过慢，则蚀刻液的制备效率会降低。且在所述蚀刻液中的氢气浓度达到预定量后，额外注入的氢气量对蚀刻液的表面张力的提升的效果不佳。因此，期望基于所述蚀刻液的表面张力的实时状况和动态变化特征来智能地控制氢气注入速度，以保证缓冲氧化蚀刻剂在使用过程中的蚀刻速率和蚀刻质量。
具体地，在本申请的技术方案中，首先，通过各个传感器，例如转速表和张力检测器分别获取预定时间段内多个预定时间点的氢气注入速度和缓冲氧化物蚀刻液的表面张力值，并且使用液相色谱仪获取所述缓冲氧化物蚀刻液的液相色谱图。然后，考虑到所述氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值在时间维度上都具有动态性的规律，因此，在本申请的技术方案中，为了更为充分地挖掘机出这种动态变化的隐含规律，进一步使用包含一维卷积层的时序编码器对所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值进行编码，以得到注入特征向量和张力特征向量。在本申请实施例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码分别提取出所述氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值在时序维度上的关联，并且通过全连接编码粉笔提取所述氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值的高维隐含特征。
并且，对于所述缓冲氧化物蚀刻液的液相色谱图，考虑到由于其在时间维度上具有着动态性的隐含变化特征，为了在特征提取时更加关注于所述缓冲氧化物蚀刻液的动态变化的关联，在本申请的技术方案中，进一步使用三维卷积核的第一卷积神经网络对所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图进行特征挖掘，以提取出所述所述缓冲氧化物蚀刻液的液相色谱图中的局部特征在时间维度上的动态隐含变化特征，从而获得液相色谱特征图。
然后，应可以理解，为了降低参数的数量防止过拟合，基于沿通道维度的全局均值池化对于特征进行的基于下采样的前向传播的特点，通过可学习的正态采样偏移引导卷积神经网络的特征工程来有效地建模所述液相色谱特征图的特征矩阵内的空间维度和特征矩阵之间的通道维度上的长程依赖关系，进一步对所述液相色谱特征图进行沿通道维度的全局均值池化处理，以进行降维来得到液相色谱特征向量。但是，在对所述液相色谱特征图进行沿通道维度的全局均值池化以得到液相色谱特征向量时，如果仅是简单地计算沿通道维度的每个特征矩阵的全局均值，则所获得的液相色谱特征向量可能不能充分表达所述液相色谱特征图在复杂的高维特征空间内的全部有效信息，因此，优选地，在本申请的技术方案中，进行基于语义推理信息显式泛化的全局池化，表示为：
其中是所述液相色谱特征图的第个通道的特征矩阵的各个位置的转换到概率空间[0,1]的特征值。
这样，该基于语义推理信息显式泛化的全局池化能够将每个特征矩阵的特征值所对应的语义概念自下而上地显式泛化，从而构成为通道方向上的所述液相色谱特征向量的各个特征值所表示的分组实例，并通过对特征语义的信息化推理来进行信息解耦，提升了所述液相色谱特征向量的特征表示所对应的高维流形在高维语义空间内的高空间复杂度下的信息可塑性，提升了所述液相色谱特征向量对所述液相色谱特征图的信息表达充分性，进而提高了分类的准确性。
进一步地，考虑到由于所述氢气注入速度数据和所述缓冲氧化物蚀刻液的液相色谱图数据的特征尺度不同，并且所述缓冲氧化物蚀刻液的液相色谱图的动态变化特征在高维空间中可以看作是针对所述氢气注入速度动态特征的响应性特征，因此为了更好地融合这两者的特征信息，进一步计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵。然后，就可以融合所述转移矩阵与所述张力特征向量，以对所述缓冲氧化物蚀刻液的表面张力值的变化特征和氢气注入速度的动态特征以及缓冲氧化物蚀刻液的液相色谱图的局部动态隐含特征进行融合以得到分类特征向量。进而，再使用分类器对所述分类特征向量进行分类处理，以获得用于表示当前时间点的氢气注入速度应增大或应减小的分类结果。
基于此，本申请提出了一种用于缓冲氧化物蚀刻液生产的自动配料系统，其包括：配料过程数据采集模块，用于获取预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值；时序编码模块，用于将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量；液相色谱图编码模块，用于将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图；数据降维模块，用于对所述液相色谱特征图进行降维以得到液相色谱特征向量；响应模块，用于计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵；融合模块，用于将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量；以及，配料控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小。
图1图示了根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统的应用场景图。如图1所示，在该应用场景中，首先，通过各个传感器（例如，如图1中所示意的转速表T1和张力检测器T2）获取预定时间段内多个预定时间点的氢气（例如，如图1中所示意的H）注入速度和所述缓冲氧化物蚀刻液（例如，如图1中所示意的E）的表面张力值，并且使用液相色谱仪（例如，如图1中所示意的L）获取缓冲氧化物蚀刻液的液相色谱图。然后，将所述预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值输入至部署有用于缓冲氧化物蚀刻液生产的自动配料算法的服务器中（例如，如图1中所示意的云服务器S），其中，所述服务器能够以用于缓冲氧化物蚀刻液生产的自动配料算法对所述预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值进行处理，以生成用于表示当前时间点的氢气注入速度应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统的框图。如图2所示，根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统 200，包括：配料过程数据采集模块 210，用于获取预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值；时序编码模块220，用于将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量；液相色谱图编码模块 230，用于将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图；数据降维模块 240，用于对所述液相色谱特征图进行降维以得到液相色谱特征向量；响应模块250，用于计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵；融合模块260，用于将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量；以及，配料控制结果生成模块 270，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小。
具体地，在本申请实施例中，所述配料过程数据采集模块 210和所述时序编码模块 220，用于获取预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值，并将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量。如前所述，在缓冲氧化物蚀刻液的生产过程中，如果氢气的注入速度过快，则可能导致氢气无法充分溶解于蚀刻液中，而如果所述氢气的注入速度过慢，则蚀刻液的制备效率会降低。且在所述蚀刻液中的氢气浓度达到预定量后，额外注入的氢气量对蚀刻液的表面张力的提升的效果不佳。因此，在本申请的技术方案中，期望基于所述蚀刻液的表面张力的实时状况和动态变化特征来智能地控制氢气注入速度，以保证缓冲氧化蚀刻剂在使用过程中的蚀刻速率和蚀刻质量。
也就是，具体地，在本申请的技术方案中，首先，通过各个传感器，例如转速表和张力检测器分别获取预定时间段内多个预定时间点的氢气注入速度和缓冲氧化物蚀刻液的表面张力值，并且使用液相色谱仪获取所述缓冲氧化物蚀刻液的液相色谱图。然后，考虑到所述氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值在时间维度上都具有动态性的规律，因此，在本申请的技术方案中，为了更为充分地挖掘机出这种动态变化的隐含规律，进一步使用包含一维卷积层的时序编码器对所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值进行编码，以得到注入特征向量和张力特征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码分别提取出所述氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值在时序维度上的关联，并且通过全连接编码粉笔提取所述氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值的高维隐含特征。
更具体地，在本申请实施例中，所述时序编码模块，包括：输入向量构造单元，用于将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值按照时间维度分别排列为注入速度输入向量和张力输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行全连接编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行一维卷积编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中， a为卷积核在 x方向上的宽度、 F为卷积核参数向量、 G为与卷积核函数运算的局部向量矩阵， w为卷积核的尺寸，表示所述输入向量。
具体地，在本申请实施例中，所述液相色谱图编码模块 230，用于将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图。应可以理解，对于所述缓冲氧化物蚀刻液的液相色谱图，考虑到由于其在时间维度上具有着动态性的隐含变化特征，为了在特征提取时更加关注于所述缓冲氧化物蚀刻液的动态变化的关联，在本申请的技术方案中，进一步使用三维卷积核的第一卷积神经网络对所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图进行特征挖掘，以提取出所述所述缓冲氧化物蚀刻液的液相色谱图中的局部特征在时间维度上的动态隐含变化特征，从而获得液相色谱特征图。
更具体地，在本申请实施例中，所述液相色谱图编码模块，进一步用于：所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述液相色谱特征图，所述第一卷积神经网络的第一层的输入为所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图。
具体地，在本申请实施例中，所述数据降维模块 240，用于对所述液相色谱特征图进行降维以得到液相色谱特征向量。应可以理解，为了降低参数的数量防止过拟合，基于沿通道维度的全局均值池化对于特征进行的基于下采样的前向传播的特点，通过可学习的正态采样偏移引导卷积神经网络的特征工程来有效地建模所述液相色谱特征图的特征矩阵内的空间维度和特征矩阵之间的通道维度上的长程依赖关系，进一步对所述液相色谱特征图进行沿通道维度的全局均值池化处理，以进行降维来得到液相色谱特征向量。但是，在对所述液相色谱特征图进行沿通道维度的全局均值池化以得到液相色谱特征向量时，如果仅是简单地计算沿通道维度的每个特征矩阵的全局均值，则所获得的液相色谱特征向量可能不能充分表达所述液相色谱特征图在复杂的高维特征空间内的全部有效信息，因此，优选地，在本申请的技术方案中，进行基于语义推理信息显式泛化的全局池化。相应地，在一个具体示例中，对所述液相色谱特征图的各个特征矩阵进行基于语义推理信息显式泛化的全局池化以得到所述液相色谱特征向量，其中，所述基于语义推理信息显式泛化的全局池化基于以各个特征矩阵的所有位置的特征值的加和值为幂的自然指数函数值与各个特征矩阵的所有位置的特征值的加和值之间的差值来进行。
更具体地，在本申请实施例中，所述所述数据降维模块，进一步用于：以如下公式对所述液相色谱特征图进行降维以得到所述液相色谱特征向量；
其中，所述公式为：
其中表示所述液相色谱特征图的第个通道的特征矩阵的各个位置的转换到概率空间[0,1]的特征值。应可以理解，这样，该基于语义推理信息显式泛化的全局池化能够将每个特征矩阵的特征值所对应的语义概念自下而上地显式泛化，从而构成为通道方向上的所述液相色谱特征向量的各个特征值所表示的分组实例，并通过对特征语义的信息化推理来进行信息解耦，提升了所述液相色谱特征向量的特征表示所对应的高维流形在高维语义空间内的高空间复杂度下的信息可塑性，提升了所述液相色谱特征向量对所述液相色谱特征图的信息表达充分性，进而提高了分类的准确性。
具体地，在本申请实施例中，所述响应模块 250，用于计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵。应可以理解，考虑到由于所述氢气注入速度数据和所述缓冲氧化物蚀刻液的液相色谱图数据的特征尺度不同，并且所述缓冲氧化物蚀刻液的液相色谱图的动态变化特征在高维空间中可以看作是针对所述氢气注入速度动态特征的响应性特征，因此为了更好地融合这两者的特征信息，进一步计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵。
更具体地，在本申请实施例中，所述响应模块，进一步用于：以如下公式计算所述注入特征向量相对于所述液相色谱特征向量的所述转移矩阵；其中，所述公式为：
=M*
其中表示所述注入特征向量， M表示所述转移矩阵，表示所述液相色谱特征向量。
具体地，在本申请实施例中，所述融合模块 260和所述配料控制结果生成模块270，用于将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小。也就是，在本申请的技术方案中，进一步融合所述转移矩阵与所述张力特征向量，以对所述缓冲氧化物蚀刻液的表面张力值的变化特征和氢气注入速度的动态特征以及缓冲氧化物蚀刻液的液相色谱图的局部动态隐含特征进行融合以得到分类特征向量。进而，再使用分类器对所述分类特征向量进行分类处理，以获得用于表示当前时间点的氢气注入速度应增大或应减小的分类结果。
相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
更具体地，在本申请实施例中，所述融合模块，进一步用于：以如下公式将所述转移矩阵与所述张力特征向量进行融合以得到所述分类特征向量；其中，所述公式为：
其中，表示所述转移矩阵，表示所述张力特征向量，表示所述分类特征向量，表示矩阵相乘。
综上，基于本申请实施例的所述用于缓冲氧化物蚀刻液生产的自动配料系统 200被阐明，其采用人工智能控制技术，通过基于深度神经网络模型来分别对于氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值进行在时间维度上的动态隐含特征的提取，这样就能够基于蚀刻液的表面张力的实时状况和动态变化特征来控制氢气注入速度，进而能够保证缓冲氧化蚀刻剂在使用过程中的蚀刻速率和蚀刻质量。
如上所述，根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统 200可以实现在各种终端设备中，例如用于缓冲氧化物蚀刻液生产的自动配料算法的服务器等。在一个示例中，根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于缓冲氧化物蚀刻液生产的自动配料系统 200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于缓冲氧化物蚀刻液生产的自动配料系统 200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于缓冲氧化物蚀刻液生产的自动配料系统 200与该终端设备也可以是分立的设备，并且该用于缓冲氧化物蚀刻液生产的自动配料系统 200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3图示了用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法的流程图。如图3所示，根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法，包括步骤：S110，获取预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值；S120，将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量；S130，将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图；S140，对所述液相色谱特征图进行降维以得到液相色谱特征向量；S150，计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵；S160，将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小。
图4图示了根据本申请实施例的用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法的架构示意图。如图4所示，在所述用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法的网络架构中，首先，将获得的所述预定时间段内多个预定时间点的氢气注入速度（例如，如图4中所示意的P1）和所述缓冲氧化物蚀刻液的表面张力值（例如，如图4中所示意的P2）分别通过包含一维卷积层的时序编码器（例如，如图4中所示意的E）以得到注入特征向量（例如，如图4中所示意的VF1）和张力特征向量（例如，如图4中所示意的VF2）；接着，将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图（例如，如图4中所示意的P3）通过使用三维卷积核的第一卷积神经网络（例如，如图4中所示意的CNN）以得到液相色谱特征图（例如，如图4中所示意的F）；然后，对所述液相色谱特征图进行降维以得到液相色谱特征向量（例如，如图4中所示意的VF3）；接着，计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵（例如，如图4中所示意的MF）；然后，将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量（例如，如图4中所示意的VF）；以及，最后，将所述分类特征向量通过分类器（例如，如图4中所示意的圈S）以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小。
更具体地，在步骤S110和步骤S120中，获取预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值，并将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量。应可以理解，在缓冲氧化物蚀刻液的生产过程中，如果氢气的注入速度过快，则可能导致氢气无法充分溶解于蚀刻液中，而如果所述氢气的注入速度过慢，则蚀刻液的制备效率会降低。且在所述蚀刻液中的氢气浓度达到预定量后，额外注入的氢气量对蚀刻液的表面张力的提升的效果不佳。因此，在本申请的技术方案中，期望基于所述蚀刻液的表面张力的实时状况和动态变化特征来智能地控制氢气注入速度，以保证缓冲氧化蚀刻剂在使用过程中的蚀刻速率和蚀刻质量。
也就是，具体地，在本申请的技术方案中，首先，通过各个传感器，例如转速表和张力检测器分别获取预定时间段内多个预定时间点的氢气注入速度和缓冲氧化物蚀刻液的表面张力值，并且使用液相色谱仪获取所述缓冲氧化物蚀刻液的液相色谱图。然后，考虑到所述氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值在时间维度上都具有动态性的规律，因此，在本申请的技术方案中，为了更为充分地挖掘机出这种动态变化的隐含规律，进一步使用包含一维卷积层的时序编码器对所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值进行编码，以得到注入特征向量和张力特征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码分别提取出所述氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值在时序维度上的关联，并且通过全连接编码粉笔提取所述氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值的高维隐含特征。
更具体地，在步骤S130中，将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图。应可以理解，对于所述缓冲氧化物蚀刻液的液相色谱图，考虑到由于其在时间维度上具有着动态性的隐含变化特征，为了在特征提取时更加关注于所述缓冲氧化物蚀刻液的动态变化的关联，在本申请的技术方案中，进一步使用三维卷积核的第一卷积神经网络对所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图进行特征挖掘，以提取出所述所述缓冲氧化物蚀刻液的液相色谱图中的局部特征在时间维度上的动态隐含变化特征，从而获得液相色谱特征图。
更具体地，在步骤S140中，对所述液相色谱特征图进行降维以得到液相色谱特征向量。应可以理解，为了降低参数的数量防止过拟合，基于沿通道维度的全局均值池化对于特征进行的基于下采样的前向传播的特点，通过可学习的正态采样偏移引导卷积神经网络的特征工程来有效地建模所述液相色谱特征图的特征矩阵内的空间维度和特征矩阵之间的通道维度上的长程依赖关系，进一步对所述液相色谱特征图进行沿通道维度的全局均值池化处理，以进行降维来得到液相色谱特征向量。但是，在对所述液相色谱特征图进行沿通道维度的全局均值池化以得到液相色谱特征向量时，如果仅是简单地计算沿通道维度的每个特征矩阵的全局均值，则所获得的液相色谱特征向量可能不能充分表达所述液相色谱特征图在复杂的高维特征空间内的全部有效信息，因此，优选地，在本申请的技术方案中，进行基于语义推理信息显式泛化的全局池化。相应地，在一个具体示例中，对所述液相色谱特征图的各个特征矩阵进行基于语义推理信息显式泛化的全局池化以得到所述液相色谱特征向量，其中，所述基于语义推理信息显式泛化的全局池化基于以各个特征矩阵的所有位置的特征值的加和值为幂的自然指数函数值与各个特征矩阵的所有位置的特征值的加和值之间的差值来进行。
更具体地，在步骤S150中，计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵。应可以理解，考虑到由于所述氢气注入速度数据和所述缓冲氧化物蚀刻液的液相色谱图数据的特征尺度不同，并且所述缓冲氧化物蚀刻液的液相色谱图的动态变化特征在高维空间中可以看作是针对所述氢气注入速度动态特征的响应性特征，因此为了更好地融合这两者的特征信息，进一步计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵。
更具体地，在步骤S160和步骤S170中，将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小。也就是，在本申请的技术方案中，进一步融合所述转移矩阵与所述张力特征向量，以对所述缓冲氧化物蚀刻液的表面张力值的变化特征和氢气注入速度的动态特征以及缓冲氧化物蚀刻液的液相色谱图的局部动态隐含特征进行融合以得到分类特征向量。进而，再使用分类器对所述分类特征向量进行分类处理，以获得用于表示当前时间点的氢气注入速度应增大或应减小的分类结果。
综上，基于本申请实施例的所述用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法被阐明，其采用人工智能控制技术，通过基于深度神经网络模型来分别对于氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值进行在时间维度上的动态隐含特征的提取，这样就能够基于蚀刻液的表面张力的实时状况和动态变化特征来控制氢气注入速度，进而能够保证缓冲氧化蚀刻剂在使用过程中的蚀刻速率和蚀刻质量。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种用于缓冲氧化物蚀刻液生产的自动配料系统，其特征在于，包括：
配料过程数据采集模块，用于获取预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值；
时序编码模块，用于将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量；
液相色谱图编码模块，用于将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图；
数据降维模块，用于对所述液相色谱特征图进行降维以得到液相色谱特征向量；
响应模块，用于计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵；
融合模块，用于将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量；以及
配料控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小；
所述时序编码模块，包括：
输入向量构造单元，用于将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值按照时间维度分别排列为注入速度输入向量和张力输入向量；
全连接编码单元，用于使用所述时序编码器的全连接层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行全连接编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure FDA0003982431550000011
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0003982431550000012
表示矩阵乘；
一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行一维卷积编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure FDA0003982431550000021
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量；
所述数据降维模块，进一步用于对所述液相色谱特征图的各个特征矩阵进行基于语义推理信息显式泛化的全局池化以得到所述液相色谱特征向量，其中，所述基于语义推理信息显式泛化的全局池化基于以各个特征矩阵的所有位置的特征值的加和值为幂的自然指数函数值与各个特征矩阵的所有位置的特征值的加和值之间的差值来进行。
2.根据权利要求1所述的用于缓冲氧化物蚀刻液生产的自动配料系统，其特征在于，所述液相色谱图编码模块，进一步用于：所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；
对所述卷积特征图进行均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为所述液相色谱特征图，所述第一卷积神经网络的第一层的输入为所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图。
3.根据权利要求2所述的用于缓冲氧化物蚀刻液生产的自动配料系统，其特征在于，所述所述数据降维模块，进一步用于：以如下公式对所述液相色谱特征图进行降维以得到所述液相色谱特征向量；
其中，所述公式为：
Figure FDA0003982431550000022
其中
Figure FDA0003982431550000023
表示所述液相色谱特征图的第k个通道的特征矩阵的各个位置的转换到概率空间[0,1]的特征值。
4.根据权利要求3所述的用于缓冲氧化物蚀刻液生产的自动配料系统，其特征在于，所述响应模块，进一步用于：以如下公式计算所述注入特征向量相对于所述液相色谱特征向量的所述转移矩阵；
其中，所述公式为：
V2＝M*V1
其中V1表示所述注入特征向量，M表示所述转移矩阵，V2表示所述液相色谱特征向量。
5.根据权利要求4所述的用于缓冲氧化物蚀刻液生产的自动配料系统，其特征在于，所述融合模块，进一步用于：以如下公式将所述转移矩阵与所述张力特征向量进行融合以得到所述分类特征向量；
其中，所述公式为：
Figure FDA0003982431550000031
其中，M表示所述转移矩阵，V表示所述张力特征向量，V'表示所述分类特征向量，
Figure FDA0003982431550000032
表示矩阵相乘。
6.根据权利要求5所述的用于缓冲氧化物蚀刻液生产的自动配料系统，其特征在于，所述配料控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
7.一种用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法，其特征在于，包括：
获取预定时间段内多个预定时间点的氢气注入速度、缓冲氧化物蚀刻液的液相色谱图和所述缓冲氧化物蚀刻液的表面张力值；
将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量；
将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图；
对所述液相色谱特征图进行降维以得到液相色谱特征向量；
计算所述注入特征向量相对于所述液相色谱特征向量的转移矩阵；
将所述转移矩阵与所述张力特征向量进行融合以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的氢气注入速度应增大或应减小；
将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值分别通过包含一维卷积层的时序编码器以得到注入特征向量和张力特征向量，包括：
将所述预定时间段内多个预定时间点的氢气注入速度和所述缓冲氧化物蚀刻液的表面张力值按照时间维度分别排列为注入速度输入向量和张力输入向量；
使用所述时序编码器的全连接层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行全连接编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure FDA0003982431550000041
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0003982431550000042
表示矩阵乘；
使用所述时序编码器的一维卷积层以如下公式分别对所述注入速度输入向量和所述张力输入向量进行一维卷积编码以分别提取出所述注入速度输入向量和所述张力输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure FDA0003982431550000043
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量；
对所述液相色谱特征图进行降维以得到液相色谱特征向量，包括：对所述液相色谱特征图的各个特征矩阵进行基于语义推理信息显式泛化的全局池化以得到所述液相色谱特征向量，其中，所述基于语义推理信息显式泛化的全局池化基于以各个特征矩阵的所有位置的特征值的加和值为幂的自然指数函数值与各个特征矩阵的所有位置的特征值的加和值之间的差值来进行。
8.根据权利要求7所述的用于缓冲氧化物蚀刻液生产的自动配料系统的配料方法，其特征在于，所述将所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图通过使用三维卷积核的第一卷积神经网络以得到液相色谱特征图，包括：
所述使用三维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：
基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；
对所述卷积特征图进行均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为所述液相色谱特征图，所述第一卷积神经网络的第一层的输入为所述预定时间段内多个预定时间点的缓冲氧化物蚀刻液的液相色谱图。
CN202210909316.7A 2022-07-29 2022-07-29 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 Active CN115240046B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210909316.7A CN115240046B (zh) 2022-07-29 2022-07-29 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法
PCT/CN2022/119567 WO2024021259A1 (zh) 2022-07-29 2022-09-19 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210909316.7A CN115240046B (zh) 2022-07-29 2022-07-29 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法

Publications (2)

Publication Number Publication Date
CN115240046A CN115240046A (zh) 2022-10-25
CN115240046B true CN115240046B (zh) 2023-04-07

Family

ID=83676484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210909316.7A Active CN115240046B (zh) 2022-07-29 2022-07-29 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法

Country Status (2)

Country Link
CN (1) CN115240046B (zh)
WO (1) WO2024021259A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936682B (zh) * 2022-12-21 2023-11-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法
CN117046140B (zh) * 2023-02-28 2024-03-08 福建天甫电子材料有限公司 用于电子级氢氟酸精馏的装置
CN116047987B (zh) * 2023-03-31 2023-06-16 福建天甫电子材料有限公司 用于电子级缓冲氧化物蚀刻液生产的智能控制系统
CN117187808B (zh) * 2023-09-16 2024-05-31 福建天甫电子材料有限公司 一种铝刻蚀的工艺流程优化方法和系统
CN117079756B (zh) * 2023-10-16 2024-01-26 苏州博洋化学股份有限公司 一种银蚀刻液及其制备方法
CN117131792B (zh) * 2023-10-27 2024-01-26 苏州博洋化学股份有限公司 一种钛蚀刻液及其制备方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110697448A (zh) * 2017-09-19 2020-01-17 中国计量大学 一种基于机器学习的螺杆式物料配料机控制器
CN112017255A (zh) * 2020-08-21 2020-12-01 上海志唐健康科技有限公司 一种根据食谱生成食物图像的方法
CN112259176A (zh) * 2020-10-23 2021-01-22 北京航空航天大学 一种基于神经网络的烧结SmCo磁性能预测方法及系统
CN113962971A (zh) * 2021-10-27 2022-01-21 中冶长天国际工程有限责任公司 基于多源信息的烧结生产指标识别方法、模型及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109724398B (zh) * 2019-02-02 2021-01-01 北京木业邦科技有限公司 一种基于人工智能的木材干燥控制方法及装置
US11947061B2 (en) * 2019-10-18 2024-04-02 Korea University Research And Business Foundation Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method
WO2021214755A1 (en) * 2020-04-21 2021-10-28 Elad Technologies (L.S.) Ltd System, and method for continuous process control of water contaminant separation process
CN213942949U (zh) * 2020-09-30 2021-08-13 福建雅鑫电子材料有限公司 一种用于全自动混酸系统的多级密闭混合槽
CN112819040A (zh) * 2021-01-14 2021-05-18 成都市劲淑寿网络科技有限公司 基于权值生成机制的用于水泥加工的智能控制方法
CN112766815A (zh) * 2021-02-05 2021-05-07 深圳市天圳自动化技术有限公司 基于全局最优算法的再生铝在线配料系统及方法
CN112979466B (zh) * 2021-03-02 2023-08-25 江西益普生药业有限公司 一种药用油酸乙酯的精制装置的使用方法
CN113190354A (zh) * 2021-05-14 2021-07-30 杭州湘晖科技有限公司 基于物联网的边缘计算的工作参数控制方法
CN113996233A (zh) * 2021-10-21 2022-02-01 盛和资源(连云港)新材料科技有限公司 一种基于人工智能算法的产品配料系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110697448A (zh) * 2017-09-19 2020-01-17 中国计量大学 一种基于机器学习的螺杆式物料配料机控制器
CN112017255A (zh) * 2020-08-21 2020-12-01 上海志唐健康科技有限公司 一种根据食谱生成食物图像的方法
CN112259176A (zh) * 2020-10-23 2021-01-22 北京航空航天大学 一种基于神经网络的烧结SmCo磁性能预测方法及系统
CN113962971A (zh) * 2021-10-27 2022-01-21 中冶长天国际工程有限责任公司 基于多源信息的烧结生产指标识别方法、模型及系统

Also Published As

Publication number Publication date
CN115240046A (zh) 2022-10-25
WO2024021259A1 (zh) 2024-02-01

Similar Documents

Publication Publication Date Title
CN115240046B (zh) 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法
Tang et al. Manifold regularized dynamic network pruning
CN115453990B (zh) 用于氟化铵生产的生产管理控制系统及其控制方法
CN112330681B (zh) 一种基于注意力机制的轻量级网络实时语义分割方法
CN115309215B (zh) 氟化铵制备用的自动配料控制系统及其控制方法
CN115079572B (zh) 用于六氟磷酸锂制备的能源管理控制系统及其控制方法
Trefán et al. Dynamical approach to anomalous diffusion: Response of Levy processes to a perturbation
CN115599049B (zh) 用于无水氟化氢生产的能源管理控制系统及其控制方法
Anderson et al. Why do noninvertible estimated moving averages occur?
CN109408765B (zh) 基于拟牛顿法的智能匹配追踪稀疏重建方法
CN115235612A (zh) 伺服电机的故障智能诊断系统及其诊断方法
CN112131959A (zh) 一种基于多尺度特征强化的2d人体姿态估计方法
CN111694913A (zh) 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置
Shumway et al. Estimation and tests of hypotheses for the initial mean and covariance in the Kalman filter model
McGraw et al. Fluctuations, temperature, and detailed balance in classical nucleation theory
CN114359902B (zh) 基于多尺度特征融合的三维点云语义分割方法
CN115090200B (zh) 用于电子级氢氟酸制备的自动配料系统及其配料方法
Bazant et al. Dynamics of conformal maps for a class of non-Laplacian growth phenomena
CN114462241A (zh) 多速率系统的全对称多胞形集员状态估计方法
CN109948715A (zh) 一种水质监测数据缺失值填补方法
CN110887652B (zh) 加速度计的振动探测与位移提取的交互多模型检测方法
WO2023226236A1 (zh) 用于电子级氢氟酸制备的能源管理控制系统及其控制方法
CN110363713B (zh) 基于递归样本缩放和双线性因子分解的高光谱图像降噪方法
CN115222798A (zh) 车辆加工状态监测系统及其方法
CN115479607A (zh) 用于智慧电场的室内定位方法及其系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant