CN115754108B - 一种电子级六氟丁二烯的酸度测定系统及其方法 - Google Patents
一种电子级六氟丁二烯的酸度测定系统及其方法 Download PDFInfo
- Publication number
- CN115754108B CN115754108B CN202211472939.9A CN202211472939A CN115754108B CN 115754108 B CN115754108 B CN 115754108B CN 202211472939 A CN202211472939 A CN 202211472939A CN 115754108 B CN115754108 B CN 115754108B
- Authority
- CN
- China
- Prior art keywords
- feature map
- training
- feature
- hexafluorobutadiene
- channel
- 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
Links
- LGPPATCNSOSOQH-UHFFFAOYSA-N 1,1,2,3,4,4-hexafluorobuta-1,3-diene Chemical compound FC(F)=C(F)C(F)=C(F)F LGPPATCNSOSOQH-UHFFFAOYSA-N 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 32
- -1 fluoride ions Chemical class 0.000 claims abstract description 48
- CPELXLSAUQHCOX-UHFFFAOYSA-M Bromide Chemical compound [Br-] CPELXLSAUQHCOX-UHFFFAOYSA-M 0.000 claims abstract description 25
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 146
- 238000013527 convolutional neural network Methods 0.000 claims description 99
- 150000002500 ions Chemical class 0.000 claims description 96
- 230000004927 fusion Effects 0.000 claims description 85
- 238000009826 distribution Methods 0.000 claims description 69
- 238000010586 diagram Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 54
- 239000013598 vector Substances 0.000 claims description 54
- 238000005259 measurement Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 23
- 229910052731 fluorine Inorganic materials 0.000 claims description 23
- 239000011737 fluorine Substances 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 15
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 claims description 8
- 229910052794 bromium Inorganic materials 0.000 claims description 8
- 229910052801 chlorine Inorganic materials 0.000 claims description 8
- 239000000460 chlorine Substances 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 101150064138 MAP1 gene Proteins 0.000 claims 1
- 101150077939 mapA gene Proteins 0.000 claims 1
- 239000012535 impurity Substances 0.000 abstract description 32
- 230000002378 acidificating effect Effects 0.000 abstract description 27
- 238000001312 dry etching Methods 0.000 abstract description 14
- 239000007789 gas Substances 0.000 description 23
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 14
- 238000003860 storage Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 description 7
- 239000002253 acid Substances 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000005530 etching Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 229940006460 bromide ion Drugs 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 229920006926 PFC Polymers 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- NBVXSUQYWXRMNV-UHFFFAOYSA-N fluoromethane Chemical compound FC NBVXSUQYWXRMNV-UHFFFAOYSA-N 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 1
- 150000007513 acids Chemical class 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本申请涉及智能测定的领域,其具体地公开了一种电子级六氟丁二烯的酸度测定系统及其方法,其通过采用基于深度学习的人工智能技术,对待测电子级六氟丁二烯样品的离子色谱图分析来提取氟离子、氯离子、溴离子的色谱特征,并将各个离子的色谱特征沿通道维度进行聚合后,利用注意力机制来进行特征分布校正以消除三者之间的相互影响带来的干扰,继而提高解码精度。这样,能够得到更为精准的所述待测样品中氟离子、氯离子、溴离子的浓度之和,以此来准确地对于所述待测电子级六氟丁二烯样品的酸性杂质含量进行测定,进而提高电子级六氟丁二烯在干蚀刻对芯片的良品率。
Description
技术领域
本申请涉及智能测定领域,且更为具体地,涉及一种电子级六氟丁二烯的酸度测定系统及其方法。
背景技术
电子气体中含氟电子气体主要用作清洗和蚀刻气,含氟电子气体主要品种有CH3F、C2F6、C3F8、C5F8、C4F6、CF4、c-C4F8等。目前广泛使用最多的CF4、C2F6、c-C4F8等全氟烷烃(PFCs)在《京都议定书》中被认定为温室气体,随着人们对环境要求的不断提高,传统含氟电子气体的使用将会受到极大的限制。因此新的环保型含氟电子气体电子级六氟丁二烯(C4F6)凭借其各方面的优异性能成为传统含氟电子气体的最佳替代品之一,具有极低的温室效应、绿色环保的高效干蚀刻气体。电子级六氟丁二烯在芯片制造过程中作为干蚀刻剂,能够蚀刻处的沟槽具有优异的深宽比和垂直的侧壁,因而在芯片的14nm、10nm、7nm等线宽工艺中作为高精度蚀刻剂,随着芯片工艺的发展,对电子级六氟丁二烯中杂质的要求会越来越严格,生产过程中部分杂质无法通过精馏工艺去除,尤其是含有具有极高酸性的杂质,严重影响电子级六氟丁二烯在干蚀刻对芯片的良品率。
因此,严格把控电子级六氟丁二烯产品中的酸性杂质的含量对于产品质量控制具有重要意义。但是,由于电子级六氟丁二烯产品中的酸性杂质具有不同的种类,且不同种类的酸性杂质之间也存在着关联性,难以区分。不仅如此,实际制成的电子级六氟丁二烯产品不同导致其中的杂质含量也均会发生不同的变化,这对于把控电子级六氟丁二烯产品中的酸性杂质含量增加了难度。
因此,期待一种优化的电子级六氟丁二烯的酸度测定系统。
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电子级六氟丁二烯的酸度测定系统及其方法,其通过采用基于深度学习的人工智能技术,对待测电子级六氟丁二烯样品的离子色谱图分析来提取氟离子、氯离子、溴离子的色谱特征,并将各个离子的色谱特征沿通道维度进行聚合后,利用注意力机制来进行特征分布校正以消除三者之间的相互影响带来的干扰,继而提高解码精度。这样,能够得到更为精准的所述待测样品中氟离子、氯离子、溴离子的浓度之和,以此来准确地对于所述待测电子级六氟丁二烯样品的酸性杂质含量进行测定,进而提高电子级六氟丁二烯在干蚀刻对芯片的良品率。
根据本申请的一个方面,提供了一种电子级六氟丁二烯的酸度测定系统,其包括:离子色谱图采集单元,用于获取待测电子级六氟丁二烯样品的离子色谱图;三流检测单元,用于将所述离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图;特征图聚合单元,用于将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图;融合单元,用于将所述多通道特征图通过并行权重分配模块以得到融合特征图;以及酸度测定结果生成单元,用于将所述融合特征图通过解码器以得到解码值,所述解码值为所述待测样品中氟离子、氯离子、溴离子的浓度之和。
在上述电子级六氟丁二烯的酸度测定系统中,所述三流检测单元,包括:第一分支检测子单元,用于使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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第一特征图,所述第一卷积神经网络的第一层的输入为所述离子色谱图;第二分支检测子单元,用于使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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,所述第二卷积神经网络的最后一层的输出为所述第二特征图,所述第二卷积神经网络的第一层的输入为所述离子色谱图;和,第三分支检测子单元,用于使用所述第三卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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,所述第三卷积神经网络的最后一层的输出为所述第三特征图,所述第三卷积神经网络的第一层的输入为所述离子色谱图。
在上述电子级六氟丁二烯的酸度测定系统中,所述第一卷积神经网络模型、所述第二卷积神经网络模型和所述第三卷积神经网络模型具有相同的网络结构。
在上述电子级六氟丁二烯的酸度测定系统中,所述融合单元,包括:空间注意力子单元,用于将所述多通道特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图;通道注意力子单元,用于将所述多通道特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图;特征融合子单元,用于计算空间注意力特征图和通道注意力特征图的按位置加权和以得到所述融合特征图。
在上述电子级六氟丁二烯的酸度测定系统中,所述空间注意力子单元,包括:空间感知二级子单元,用于使用所述空间注意力模块的卷积层对所述多通道特征图进行卷积编码以得到空间注意力图;概率化二级子单元,用于将所述空间注意力图输入所述空间注意力模块的Softmax激活函数以得到空间注意力得分图;以及,空间注意力施加二级子单元,用于计算所述空间注意力得分图和所述多通道特征图的按位置点乘以得到所述空间注意力特征图。
在上述电子级六氟丁二烯的酸度测定系统中,所述通道注意力子单元,包括:全局均值池化二级子单元,用于计算所述多通道特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;非线性激活二级子单元,用于将所述通道特征向量输入Softmax激活函数以得到通道注意力权重特征向量;以及,通道注意力施加二级子单元,用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述多通道特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图。
在上述电子级六氟丁二烯的酸度测定系统中,所述酸度测定结果生成单元,进一步用于:使用所述解码器以如下公式对所述融合特征图进行解码回归以获得解码值;其中,所述公式为:,其中/>表示所述融合特征图,/>是所述解码值,/>是权重矩阵,/>表示矩阵相乘。
在上述电子级六氟丁二烯的酸度测定系统中,还包括用于对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练的训练模块;其中,所述训练模块,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括待测电子级六氟丁二烯样品的训练离子色谱图,以及,所述待测样品中氟离子、氯离子、溴离子的浓度之和的真实值;训练三流检测单元,用于将所述训练离子色谱图通过所述包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到训练第一特征图、训练第二特征图和训练第三特征图;训练特征图聚合单元,用于将所述训练第一特征图、所述训练第二特征图和所述训练第三特征图沿着通道聚合为训练多通道特征图;训练融合单元,用于将所述训练多通道特征图通过所述并行权重分配模块以得到训练融合特征图;以及,解码损失单元,用于将所述训练融合特征图通过所述解码器以得到解码损失函数值;内在化学习损失单元,用于计算所述训练融合特征图展开后得到的第一特征向量和所述训练多通道特征图展开后得到的第二特征向量之间的序列对序列响应规则内在化学习损失函数值;以及,训练单元,用于以所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练。
在上述电子级六氟丁二烯的酸度测定系统中,所述内在化学习损失单元,进一步用于:以如下公式计算所述训练融合特征图展开后得到的第一特征向量和所述训练多通道特征图展开后得到的第二特征向量之间的所述序列对序列响应规则内在化学习损失函数值;
其中,所述公式为:
其中,是所述训练融合特征图展开后得到的第一特征向量,/>是所述训练多通道特征图展开后得到的第二特征向量,且/>和/>分别是所述解码器对于所述第一特征向量和所述第二特征向量的权重矩阵,/>表示/>激活函数,表示/>激活函数,/>表示矩阵相乘,/>表示两个向量之间的欧式距离。
根据本申请的另一方面,提供了一种电子级六氟丁二烯的酸度测定方法,其包括:获取待测电子级六氟丁二烯样品的离子色谱图;将所述离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图;将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图;将所述多通道特征图通过并行权重分配模块以得到融合特征图;以及将所述融合特征图通过解码器以得到解码值,所述解码值为所述待测样品中氟离子、氯离子、溴离子的浓度之和。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的电子级六氟丁二烯的酸度测定方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电子级六氟丁二烯的酸度测定方法。
与现有技术相比,本申请提供的一种电子级六氟丁二烯的酸度测定系统及其方法,其通过采用基于深度学习的人工智能技术,对待测电子级六氟丁二烯样品的离子色谱图分析来提取氟离子、氯离子、溴离子的色谱特征,并将各个离子的色谱特征沿通道维度进行聚合后,利用注意力机制来进行特征分布校正以消除三者之间的相互影响带来的干扰,继而提高解码精度。这样,能够得到更为精准的所述待测样品中氟离子、氯离子、溴离子的浓度之和,以此来准确地对于所述待测电子级六氟丁二烯样品的酸性杂质含量进行测定,进而提高电子级六氟丁二烯在干蚀刻对芯片的良品率。
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电子级六氟丁二烯的酸度测定系统的应用场景图。
图2为根据本申请实施例的电子级六氟丁二烯的酸度测定系统的框图。
图3为根据本申请实施例的电子级六氟丁二烯的酸度测定系统的框图。
图4为根据本申请实施例的电子级六氟丁二烯的酸度测定系统的系统架构图。
图5为根据本申请实施例的电子级六氟丁二烯的酸度测定系统中三流检测单元的框图。
图6为根据本申请实施例的电子级六氟丁二烯的酸度测定系统中融合单元的框图。
图7为根据本申请实施例的电子级六氟丁二烯的酸度测定系统中训练模块的系统架构图。
图8为根据本申请实施例的电子级六氟丁二烯的酸度测定方法的流程图。
图9为根据本申请实施例的电子设备的框图。
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:如上所述,电子气体中含氟电子气体主要用作清洗和蚀刻气,含氟电子气体主要品种有CH3F、C2F6、C3F8、C5F8、C4F6、CF4、c-C4F8等。目前广泛使用最多的CF4、C2F6、c-C4F8等全氟烷烃(PFCs)在《京都议定书》中被认定为温室气体,随着人们对环境要求的不断提高,传统含氟电子气体的使用将会受到极大的限制。因此新的环保型含氟电子气体电子级六氟丁二烯(C4F6)凭借其各方面的优异性能成为传统含氟电子气体的最佳替代品之一,具有极低的温室效应、绿色环保的高效干蚀刻气体。电子级六氟丁二烯在芯片制造过程中作为干蚀刻剂,能够蚀刻处的沟槽具有优异的深宽比和垂直的侧壁,因而在芯片的14nm、10nm、7nm等线宽工艺中作为高精度蚀刻剂,随着芯片工艺的发展,对电子级六氟丁二烯中杂质的要求会越来越严格,生产过程中部分杂质无法通过精馏工艺去除,尤其是含有具有极高酸性的杂质,严重影响电子级六氟丁二烯在干蚀刻对芯片的良品率。
因此,严格把控电子级六氟丁二烯产品中的酸性杂质的含量对于产品质量控制具有重要意义。但是,由于电子级六氟丁二烯产品中的酸性杂质具有不同的种类,且不同种类的酸性杂质之间也存在着关联性,难以区分。不仅如此,实际制成的电子级六氟丁二烯产品不同导致其中的杂质含量也均会发生不同的变化,这对于把控电子级六氟丁二烯产品中的酸性杂质含量增加了难度。因此,期待一种优化的电子级六氟丁二烯的酸度测定系统。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展为电子级六氟丁二烯的酸度测定提供了新的解决思路和方案。
相应地,考虑到电子级六氟丁二烯产品中的酸性物主要由氟离子、氯离子和溴离子组成,而其中主要的产物由氟离子构成。因此,若想对于电子级六氟丁二烯产品中的酸性杂质的含量进行测定,在本申请的技术方案中,通过采用基于深度学习的人工智能技术,选择以所述电子级六氟丁二烯气体杂质中的氟离子的浓度作为其有效酸度的分析依据,氟离子、氯离子、溴离子的浓度作为总酸度的分析依据,通过对于待测电子级六氟丁二烯样品的离子色谱图分析来提取各个离子的色谱特征,并将各个离子的色谱特征沿通道维度进行聚合后,利用注意力机制来进行特征分布校正以消除三者之间的相互影响带来的干扰,继而提高解码精度。这样,能够得到更为精准的所述待测样品中氟离子、氯离子、溴离子的浓度之和,以此来准确地对于所述待测电子级六氟丁二烯样品的酸性杂质含量进行测定,进而提高电子级六氟丁二烯在干蚀刻对芯片的良品率。
具体地,在本申请的技术方案中,首先,将待分析的电子级六氟丁二烯气体通入装有水的容器中形成样品吸收液,再取所述样品吸收液1mL,稀释至100mL以得到待测样品。进一步再将所述待测样品注入离子色谱仪以得到待测电子级六氟丁二烯样品的离子色谱图。
然后,将所述离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图。也就是,考虑到所述电子级六氟丁二烯中的各个离子种类不同导致每个离子在离子色谱图中的特征尺寸也不相同,因此,在本申请的技术方案中,使用具有不同尺寸参数卷积核的所述第一卷积神经网络模型、所述第二卷积神经网络模型和所述第三卷积神经网络模型来分别对于所述离子色谱图进行特征提取,以分别提取出在不同感受野下的所述各个离子的色谱特征。特别地,这里,所述第一卷积神经网络模型、所述第二卷积神经网络模型和所述第三卷积神经网络模型具有相同的网络结构,其区别仅在于卷积核的参数不同。
接着,将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图,以在通道维度上对于所述第一特征图、所述第二特征图和所述第三特征图进行特征聚合,从而得到所述待测电子级六氟丁二烯样品的酸性离子综合特征分布信息,以得到融合特征图。
进一步地,将所述各个离子的色谱特征沿通道维度进行聚合后,通过并行权重分配模块来进行特征分布校正以消除三者之间的相互影响带来的干扰,以提高解码精度。应可以理解,在对于所述待测电子级六氟丁二烯样品的酸性杂质含量进行测定时,应聚焦于其各个酸性离子的色谱特征的空间位置上和通道维度上的隐藏特征信息而忽略掉与所述酸性离子的含量检测无关的无用干扰特征信息,并且,还应消除所述各个酸性离子特征分布之间的相互影响。因此,在本申请的技术方案中,针对于所述多通道特征图中边缘模糊导致目标检测精度低的问题,使用并行权重分配模块来进行所述多通道特征图中的特征增强。也就是,具体地,将所述多通道特征图通过并行权重分配模块以得到融合特征图,这样能够加强所述各个酸性离子特征分布的有效特征表示并抑制无用特征信息,进而来提高后续解码的精准度。特别地,这里,所述并行权重分配模块使用空间注意力模块和通道注意力模块对于所述多通道特征图进行特征加强,所述通道注意力所提取到的离子分布特征反映了特征通道间的相关性和重要性,所述空间注意力所提取到的离子分布特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征。
然后,再将所述融合特征图通过解码器中进行解码以得到用于表示所述待测样品中氟离子、氯离子、溴离子的浓度之和的解码值。这样,能够精准地对于所述待测电子级六氟丁二烯样品中的酸性杂质进行检测。
特别地,在本申请的技术方案中,所述并行权重分配模块得到的通道注意力图反映了特征通道间的相关性和重要性,空间注意力图/>则反映了空间维度特征差异的权重,因此通过/>和/>的点加后得到的所述融合特征图,例如记为/>能够更加获得更加强化的通道分布和空间分布。但是,与此同时,所述融合特征图可以相对于输入所述并行权重分配模块的多通道特征图,例如记为/>的响应特性可能会被弱化,也就是,所述融合特征图对于所述多通道特征图/>的内在特征分布的表达能力可能会被弱化。
这里,所述序列对序列响应规则内在化学习损失函数可以通过解码器对于不同序列的权重矩阵的压榨-激励式通道注意力机制,来获取序列之间的加强的区分性能力。这样,通过以此损失函数训练网络,就可以实现所述融合特征图和所述多通道特征图/>之间的具有更好区分性的因果关系特征(causality feature)的恢复,以对所述融合特征图和所述多通道特征图/>的逐点特征分布之间的原因-结果式响应规则进行内在化学习(internalizing learning),增强了所述融合特征图/>对于所述多通道特征图/>的内在特征分布的表达能力,进而提高解码回归的准确性。这样,能够精准地对于所述待测样品中氟离子、氯离子、溴离子的浓度进行检测,以此来得到更为精准的所述待测电子级六氟丁二烯样品的酸性杂质含量,进而提高电子级六氟丁二烯在干蚀刻对芯片的良品率。
基于此,本申请提出了一种电子级六氟丁二烯的酸度测定系统,其包括:离子色谱图采集单元,用于获取待测电子级六氟丁二烯样品的离子色谱图;三流检测单元,用于将所述离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图;特征图聚合单元,用于将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图;融合单元,用于将所述多通道特征图通过并行权重分配模块以得到融合特征图;以及,酸度测定结果生成单元,用于将所述融合特征图通过解码器以得到解码值,所述解码值为所述待测样品中氟离子、氯离子、溴离子的浓度之和。
图1为根据本申请实施例的电子级六氟丁二烯的酸度测定系统的应用场景图。如图1所示,在该应用场景中,通过离子色谱仪(例如,如图1中所示意的C)获取待测电子级六氟丁二烯样品的离子色谱图。接着,将上述图像输入至部署有用于电子级六氟丁二烯的酸度测定算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述电子级六氟丁二烯的酸度测定算法对上述输入的图像进行处理,以得到解码值,所述解码值为所述待测样品中氟离子、氯离子、溴离子的浓度之和。
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为根据本申请实施例的电子级六氟丁二烯的酸度测定系统的框图。如图2所示,根据本申请实施例的电子级六氟丁二烯的酸度测定系统300包括推断模块,其中,所述推断模块包括:离子色谱图采集单元310;三流检测单元320;特征图聚合单元330;融合单元340;以及,酸度测定结果生成单元350。
其中,所述离子色谱图采集单元310,用于获取待测电子级六氟丁二烯样品的离子色谱图;所述三流检测单元320,用于将所述离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图;所述特征图聚合单元330,用于将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图;所述融合单元340,用于将所述多通道特征图通过并行权重分配模块以得到融合特征图;以及,所述酸度测定结果生成单元350,用于将所述融合特征图通过解码器以得到解码值,所述解码值为所述待测样品中氟离子、氯离子、溴离子的浓度之和。
图4为根据本申请实施例的电子级六氟丁二烯的酸度测定系统的系统架构图。如图4所示,在所述电子级六氟丁二烯的酸度测定系统300的系统架构中,在推断过程中,首先通过所述离子色谱图采集单元310获取待测电子级六氟丁二烯样品的离子色谱图;所述三流检测单元320将所述离子色谱图采集单元310获取的离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图;接着,所述特征图聚合单元330将所述三流检测单元320得到的第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图;然后,所述融合单元340将所述特征图聚合单元330得到的多通道特征图通过并行权重分配模块以得到融合特征图;进而,所述酸度测定结果生成单元350将所述融合特征图通过解码器以得到解码值,所述解码值为所述待测样品中氟离子、氯离子、溴离子的浓度之和。
具体地,在所述电子级六氟丁二烯的酸度测定系统300的运行过程中,所述离子色谱图采集单元310,用于获取待测电子级六氟丁二烯样品的离子色谱图。考虑到电子级六氟丁二烯产品中的酸性物主要由氟离子、氯离子和溴离子组成,而其中主要的产物由氟离子构成。因此,若想对于电子级六氟丁二烯产品中的酸性杂质的含量进行测定,在本申请的技术方案中,通过采用基于深度学习的人工智能技术,选择以所述电子级六氟丁二烯气体杂质中的氟离子的浓度作为其有效酸度的分析依据,氟离子、氯离子、溴离子的浓度作为总酸度的分析依据,通过对于待测电子级六氟丁二烯样品的离子色谱图分析来提取各个离子的色谱特征,因此,在本申请的一个具体示例中,首先,将待分析的电子级六氟丁二烯气体通入装有水的容器中形成样品吸收液,再取所述样品吸收液1mL,稀释至100mL以得到待测样品。进一步再将所述待测样品注入离子色谱仪以得到待测电子级六氟丁二烯样品的离子色谱图。
具体地,在所述电子级六氟丁二烯的酸度测定系统300的运行过程中,所述三流检测单元320,用于将所述离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图。考虑到所述电子级六氟丁二烯中的各个离子种类不同导致每个离子在离子色谱图中的特征尺寸也不相同,因此,在本申请的技术方案中,使用具有不同尺寸参数卷积核的所述第一卷积神经网络模型、所述第二卷积神经网络模型和所述第三卷积神经网络模型来分别对于所述离子色谱图进行特征提取,以分别提取出在不同感受野下的所述各个离子的色谱特征。特别地,这里,所述第一卷积神经网络模型、所述第二卷积神经网络模型和所述第三卷积神经网络模型具有相同的网络结构,其区别仅在于卷积核的参数不同。
图5为根据本申请实施例的电子级六氟丁二烯的酸度测定系统中三流检测单元的框图。如图5所示,所述三流检测单元320,包括:第一分支检测子单元321,用于使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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第一特征图,所述第一卷积神经网络的第一层的输入为所述离子色谱图;第二分支检测子单元322,用于使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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,所述第二卷积神经网络的最后一层的输出为所述第二特征图,所述第二卷积神经网络的第一层的输入为所述离子色谱图;以及,第三分支检测子单元323,用于使用所述第三卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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,所述第三卷积神经网络的最后一层的输出为所述第三特征图,所述第三卷积神经网络的第一层的输入为所述离子色谱图。
具体地,在所述电子级六氟丁二烯的酸度测定系统300的运行过程中,所述特征图聚合单元330,用于将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图。应可以理解,将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图,以在通道维度上对于所述第一特征图、所述第二特征图和所述第三特征图进行特征聚合,从而得到所述待测电子级六氟丁二烯样品的酸性离子综合特征分布信息。
具体地,在所述电子级六氟丁二烯的酸度测定系统300的运行过程中,所述融合单元340,用于将所述多通道特征图通过并行权重分配模块以得到融合特征图。将所述各个离子的色谱特征沿通道维度进行聚合后,通过并行权重分配模块来进行特征分布校正以消除三者之间的相互影响带来的干扰,以提高解码精度。应可以理解,在对于所述待测电子级六氟丁二烯样品的酸性杂质含量进行测定时,应聚焦于其各个酸性离子的色谱特征的空间位置上和通道维度上的隐藏特征信息而忽略掉与所述酸性离子的含量检测无关的无用干扰特征信息,并且,还应消除所述各个酸性离子特征分布之间的相互影响。因此,在本申请的技术方案中,针对于所述多通道特征图中边缘模糊导致目标检测精度低的问题,使用并行权重分配模块来进行所述多通道特征图中的特征增强。也就是,具体地,将所述多通道特征图通过并行权重分配模块以得到融合特征图,这样能够加强所述各个酸性离子特征分布的有效特征表示并抑制无用特征信息,进而来提高后续解码的精准度。特别地,这里,所述并行权重分配模块使用空间注意力模块和通道注意力模块对于所述多通道特征图进行特征加强,所述通道注意力所提取到的离子分布特征反映了特征通道间的相关性和重要性,所述空间注意力所提取到的离子分布特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征。
图6为根据本申请实施例的电子级六氟丁二烯的酸度测定系统中融合单元的框图。如图6所示,所述融合单元340,包括:空间注意力子单元341,用于将所述多通道特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图;通道注意力子单元342,用于将所述多通道特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图;特征融合子单元343,用于计算空间注意力特征图和通道注意力特征图的按位置加权和以得到所述融合特征图。更具体地,所述空间注意力子单元,包括:空间感知二级子单元,用于使用所述空间注意力模块的卷积层对所述多通道特征图进行卷积编码以得到空间注意力图;概率化二级子单元,用于将所述空间注意力图输入所述空间注意力模块的Softmax激活函数以得到空间注意力得分图;以及,空间注意力施加二级子单元,用于计算所述空间注意力得分图和所述多通道特征图的按位置点乘以得到所述空间注意力特征图。所述通道注意力子单元,包括:全局均值池化二级子单元,用于计算所述多通道特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;非线性激活二级子单元,用于将所述通道特征向量输入Softmax激活函数以得到通道注意力权重特征向量;以及,通道注意力施加二级子单元,用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述多通道特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图。
具体地,在所述电子级六氟丁二烯的酸度测定系统300的运行过程中,所述酸度测定结果生成单元350,用于将所述融合特征图通过解码器以得到解码值,所述解码值为所述待测样品中氟离子、氯离子、溴离子的浓度之和。也就是,将所述融合特征图通过解码器中进行解码以得到用于表示所述待测样品中氟离子、氯离子、溴离子的浓度之和的解码值。这样,能够精准地对于所述待测电子级六氟丁二烯样品中的酸性杂质进行检测。在本申请的一个具体示例中,所述酸度测定结果生成单元,进一步用于:使用所述解码器以如下公式对所述融合特征图进行解码回归以获得解码值;其中,所述公式为:,其中表示所述融合特征图,/>是所述解码值,/>是权重矩阵,/>表示矩阵相乘。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练。也就是说,在本申请的电子级六氟丁二烯的酸度测定系统中,还包括训练模块,用于对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练。
图3为根据本申请实施例的电子级六氟丁二烯的酸度测定系统的框图。如图3所示,根据本申请实施例的电子级六氟丁二烯的酸度测定系统300,还包括训练模块400,所述训练模块包括:训练数据采集单元410;训练三流检测单元420;训练特征图聚合单元430;训练融合单元440;以及,解码损失单元450;内在化学习损失单元460;以及,训练单元470。
其中,所述训练数据采集单元410,用于获取训练数据,所述训练数据包括待测电子级六氟丁二烯样品的训练离子色谱图,以及,所述待测样品中氟离子、氯离子、溴离子的浓度之和的真实值;所述训练三流检测单元420,用于将所述训练离子色谱图通过所述包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到训练第一特征图、训练第二特征图和训练第三特征图;所述训练特征图聚合单元430,用于将所述训练第一特征图、所述训练第二特征图和所述训练第三特征图沿着通道聚合为训练多通道特征图;所述训练融合单元440,用于将所述训练多通道特征图通过所述并行权重分配模块以得到训练融合特征图;以及,所述解码损失单元450,用于将所述训练融合特征图通过所述解码器以得到解码损失函数值;所述内在化学习损失单元460,用于计算所述训练融合特征图展开后得到的第一特征向量和所述训练多通道特征图展开后得到的第二特征向量之间的序列对序列响应规则内在化学习损失函数值;以及,所述训练单元470,用于以所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练。
图7为根据本申请实施例的电子级六氟丁二烯的酸度测定系统中训练模块的系统架构图。如图7所示,在所述电子级六氟丁二烯的酸度测定系统300的系统架构中,在训练过程中,首先通过所述训练数据采集单元410获取训练数据,所述训练数据包括待测电子级六氟丁二烯样品的训练离子色谱图,以及,所述待测样品中氟离子、氯离子、溴离子的浓度之和的真实值;所述训练三流检测单元420将所述训练数据采集单元410获取的训练离子色谱图通过所述包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到训练第一特征图、训练第二特征图和训练第三特征图;接着,所述训练特征图聚合单元430将所述训练三流检测单元420得到的训练第一特征图、所述训练第二特征图和所述训练第三特征图沿着通道聚合为训练多通道特征图;所述训练融合单元440将所述训练特征图聚合单元430得到的训练多通道特征图通过所述并行权重分配模块以得到训练融合特征图;然后,所述解码损失单元450将所述训练融合单元440得到的训练融合特征图通过所述解码器以得到解码损失函数值;所述内在化学习损失单元460计算所述训练融合特征图展开后得到的第一特征向量和所述训练多通道特征图展开后得到的第二特征向量之间的序列对序列响应规则内在化学习损失函数值;进而,所述训练单元470以所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练。
特别地,在本申请的技术方案中,所述并行权重分配模块得到的通道注意力图反映了特征通道间的相关性和重要性,空间注意力图/>则反映了空间维度特征差异的权重,因此通过/>和/>的点加后得到的所述融合特征图,例如记为/>能够更加获得更加强化的通道分布和空间分布。但是,与此同时,所述融合特征图可以相对于输入所述并行权重分配模块的多通道特征图,例如记为/>的响应特性可能会被弱化,也就是,所述融合特征图对于所述多通道特征图/>的内在特征分布的表达能力可能会被弱化。
其中,是所述训练融合特征图展开后得到的第一特征向量,/>是所述训练多通道特征图展开后得到的第二特征向量,且/>和/>分别是所述解码器对于所述第一特征向量和所述第二特征向量的权重矩阵,/>表示/>激活函数,表示/>激活函数,/>表示矩阵相乘,/>表示两个向量之间的欧式距离。这里,所述序列对序列响应规则内在化学习损失函数可以通过解码器对于不同序列的权重矩阵的压榨-激励式通道注意力机制,来获取序列之间的加强的区分性能力。这样,通过以此损失函数训练网络,就可以实现所述融合特征图/>和所述多通道特征图/>之间的具有更好区分性的因果关系特征(causality feature)的恢复,以对所述融合特征图/>和所述多通道特征图/>的逐点特征分布之间的原因-结果式响应规则进行内在化学习(internalizing learning),增强了所述融合特征图/>对于所述多通道特征图/>的内在特征分布的表达能力,进而提高解码回归的准确性。这样,能够精准地对于所述待测样品中氟离子、氯离子、溴离子的浓度进行检测,以此来得到更为精准的所述待测电子级六氟丁二烯样品的酸性杂质含量,进而提高电子级六氟丁二烯在干蚀刻对芯片的良品率。
综上,根据本申请实施例的电子级六氟丁二烯的酸度测定系统300被阐明,其通过采用基于深度学习的人工智能技术,对待测电子级六氟丁二烯样品的离子色谱图分析来提取氟离子、氯离子、溴离子的色谱特征,并将各个离子的色谱特征沿通道维度进行聚合后,利用注意力机制来进行特征分布校正以消除三者之间的相互影响带来的干扰,继而提高解码精度。这样,能够得到更为精准的所述待测样品中氟离子、氯离子、溴离子的浓度之和,以此来准确地对于所述待测电子级六氟丁二烯样品的酸性杂质含量进行测定,进而提高电子级六氟丁二烯在干蚀刻对芯片的良品率。
如上所述,根据本申请实施例的电子级六氟丁二烯的酸度测定系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的电子级六氟丁二烯的酸度测定系统300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,该电子级六氟丁二烯的酸度测定系统300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,该电子级六氟丁二烯的酸度测定系统300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,该电子级六氟丁二烯的酸度测定系统300与该终端设备也可以是分立的设备,并且该电子级六氟丁二烯的酸度测定系统300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8为根据本申请实施例的电子级六氟丁二烯的酸度测定方法的流程图。如图8所示,根据本申请实施例的电子级六氟丁二烯的酸度测定方法,包括步骤:S110,获取待测电子级六氟丁二烯样品的离子色谱图;S120,将所述离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图;S130,将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图;S140,将所述多通道特征图通过并行权重分配模块以得到融合特征图;以及,S150,将所述融合特征图通过解码器以得到解码值,所述解码值为所述待测样品中氟离子、氯离子、溴离子的浓度之和。
在一个示例中,在上述电子级六氟丁二烯的酸度测定方法中,所述步骤S120,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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第一特征图,所述第一卷积神经网络的第一层的输入为所述离子色谱图;使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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,所述第二卷积神经网络的最后一层的输出为所述第二特征图,所述第二卷积神经网络的第一层的输入为所述离子色谱图;以及,使用所述第三卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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,所述第三卷积神经网络的最后一层的输出为所述第三特征图,所述第三卷积神经网络的第一层的输入为所述离子色谱图。其中,所述第一卷积神经网络模型、所述第二卷积神经网络模型和所述第三卷积神经网络模型具有相同的网络结构。
在一个示例中,在上述电子级六氟丁二烯的酸度测定方法中,所述步骤S140,包括:将所述多通道特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图;将所述多通道特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图;以及,计算空间注意力特征图和通道注意力特征图的按位置加权和以得到所述融合特征图。其中,所述将所述多通道特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图,包括:使用所述空间注意力模块的卷积层对所述多通道特征图进行卷积编码以得到空间注意力图;将所述空间注意力图输入所述空间注意力模块的Softmax激活函数以得到空间注意力得分图;以及,计算所述空间注意力得分图和所述多通道特征图的按位置点乘以得到所述空间注意力特征图。所述将所述多通道特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图,包括:计算所述多通道特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;将所述通道特征向量输入Softmax激活函数以得到通道注意力权重特征向量;以及,以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述多通道特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图。
在一个示例中,在上述电子级六氟丁二烯的酸度测定方法中,所述步骤S150,包括:使用所述解码器以如下公式对所述融合特征图进行解码回归以获得解码值;其中,所述公式为:,其中/>表示所述融合特征图,/>是所述解码值,/>是权重矩阵,/>表示矩阵相乘。
综上,根据本申请实施例的电子级六氟丁二烯的酸度测定方法被阐明,其通过采用基于深度学习的人工智能技术,对待测电子级六氟丁二烯样品的离子色谱图分析来提取氟离子、氯离子、溴离子的色谱特征,并将各个离子的色谱特征沿通道维度进行聚合后,利用注意力机制来进行特征分布校正以消除三者之间的相互影响带来的干扰,继而提高解码精度。这样,能够得到更为精准的所述待测样品中氟离子、氯离子、溴离子的浓度之和,以此来准确地对于所述待测电子级六氟丁二烯样品的酸性杂质含量进行测定,进而提高电子级六氟丁二烯在干蚀刻对芯片的良品率。
示例性电子设备:下面,参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的电子级六氟丁二烯的酸度测定系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如多通道特征图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图9中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的电子级六氟丁二烯的酸度测定方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的电子级六氟丁二烯的酸度测定方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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)
1.一种电子级六氟丁二烯的酸度测定系统,其特征在于,包括:
离子色谱图采集单元,用于获取待测电子级六氟丁二烯样品的离子色谱图;
三流检测单元,用于将所述离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图;
特征图聚合单元,用于将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图;
融合单元,用于将所述多通道特征图通过并行权重分配模块以得到融合特征图;以及
酸度测定结果生成单元,用于将所述融合特征图通过解码器以得到解码值,所述解码值为所述待测电子级六氟丁二烯样品中氟离子、氯离子、溴离子的浓度之和;
所述电子级六氟丁二烯的酸度测定系统还包括用于对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练的训练模块;
其中,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括待测电子级六氟丁二烯样品的训练离子色谱图,以及,所述待测电子级六氟丁二烯样品中氟离子、氯离子、溴离子的浓度之和的真实值;
训练三流检测单元,用于将所述训练离子色谱图通过所述包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到训练第一特征图、训练第二特征图和训练第三特征图;
训练特征图聚合单元,用于将所述训练第一特征图、所述训练第二特征图和所述训练第三特征图沿着通道聚合为训练多通道特征图;
训练融合单元,用于将所述训练多通道特征图通过所述并行权重分配模块以得到训练融合特征图;以及
解码损失单元,用于将所述训练融合特征图通过所述解码器以得到解码损失函数值;
内在化学习损失单元,用于计算所述训练融合特征图展开后得到的第一特征向量和所述训练多通道特征图展开后得到的第二特征向量之间的序列对序列响应规则内在化学习损失函数值;以及
训练单元,用于以所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练;
其中,所述内在化学习损失单元,用于:以如下公式计算所述训练融合特征图展开后得到的第一特征向量和所述训练多通道特征图展开后得到的第二特征向量之间的所述序列对序列响应规则内在化学习损失函数值;
其中,所述公式为:
2.根据权利要求1所述的电子级六氟丁二烯的酸度测定系统,其特征在于,所述三流检测单元,包括:
第一分支检测子单元,用于使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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第一特征图,所述第一卷积神经网络的第一层的输入为所述离子色谱图;
第二分支检测子单元,用于使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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,所述第二卷积神经网络的最后一层的输出为所述第二特征图,所述第二卷积神经网络的第一层的输入为所述离子色谱图;和
第三分支检测子单元,用于使用所述第三卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的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,所述第三卷积神经网络的最后一层的输出为所述第三特征图,所述第三卷积神经网络的第一层的输入为所述离子色谱图。
3.根据权利要求2所述的电子级六氟丁二烯的酸度测定系统,其特征在于,所述第一卷积神经网络模型、所述第二卷积神经网络模型和所述第三卷积神经网络模型具有相同的网络结构。
4.根据权利要求3所述的电子级六氟丁二烯的酸度测定系统,其特征在于,所述融合单元,包括:
空间注意力子单元,用于将所述多通道特征图通过所述并行权重分配模块的空间注意力模块以得到空间注意力特征图;
通道注意力子单元,用于将所述多通道特征图通过所述并行权重分配模块的通道注意力模块以得到通道注意力特征图;
特征融合子单元,用于计算空间注意力特征图和通道注意力特征图的按位置加权和以得到所述融合特征图。
5.根据权利要求4所述的电子级六氟丁二烯的酸度测定系统,其特征在于,所述空间注意力子单元,包括:
空间感知二级子单元,用于使用所述空间注意力模块的卷积层对所述多通道特征图进行卷积编码以得到空间注意力图;
概率化二级子单元,用于将所述空间注意力图输入所述空间注意力模块的Softmax激活函数以得到空间注意力得分图;以及
空间注意力施加二级子单元,用于计算所述空间注意力得分图和所述多通道特征图的按位置点乘以得到所述空间注意力特征图。
6.根据权利要求5所述的电子级六氟丁二烯的酸度测定系统,其特征在于,所述通道注意力子单元,包括:
全局均值池化二级子单元,用于计算所述多通道特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;
非线性激活二级子单元,用于将所述通道特征向量输入Softmax激活函数以得到通道注意力权重特征向量;以及
通道注意力施加二级子单元,用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述多通道特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图。
8.一种电子级六氟丁二烯的酸度测定方法,其特征在于,包括:
获取待测电子级六氟丁二烯样品的离子色谱图;
将所述离子色谱图通过包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到第一特征图、第二特征图和第三特征图;
将所述第一特征图、所述第二特征图和所述第三特征图沿着通道聚合为多通道特征图;
将所述多通道特征图通过并行权重分配模块以得到融合特征图;以及
将所述融合特征图通过解码器以得到解码值,所述解码值为所述待测电子级六氟丁二烯样品中氟离子、氯离子、溴离子的浓度之和;
所述电子级六氟丁二烯的酸度测定方法还包括用于对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练的训练阶段;
其中,所述训练阶段,包括:
获取训练数据,所述训练数据包括待测电子级六氟丁二烯样品的训练离子色谱图,以及,所述待测电子级六氟丁二烯样品中氟离子、氯离子、溴离子的浓度之和的真实值;
将所述训练离子色谱图通过所述包含并行的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型的三流网络模型以得到训练第一特征图、训练第二特征图和训练第三特征图;
将所述训练第一特征图、所述训练第二特征图和所述训练第三特征图沿着通道聚合为训练多通道特征图;
将所述训练多通道特征图通过所述并行权重分配模块以得到训练融合特征图;以及
将所述训练融合特征图通过所述解码器以得到解码损失函数值;
计算所述训练融合特征图展开后得到的第一特征向量和所述训练多通道特征图展开后得到的第二特征向量之间的序列对序列响应规则内在化学习损失函数值;以及
以所述解码损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值对所述三流网络模型、所述并行权重分配模块和所述解码器进行训练;
其中,计算所述训练融合特征图展开后得到的第一特征向量和所述训练多通道特征图展开后得到的第二特征向量之间的序列对序列响应规则内在化学习损失函数值,包括:以如下公式计算所述训练融合特征图展开后得到的第一特征向量和所述训练多通道特征图展开后得到的第二特征向量之间的所述序列对序列响应规则内在化学习损失函数值;
其中,所述公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211472939.9A CN115754108B (zh) | 2022-11-23 | 2022-11-23 | 一种电子级六氟丁二烯的酸度测定系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211472939.9A CN115754108B (zh) | 2022-11-23 | 2022-11-23 | 一种电子级六氟丁二烯的酸度测定系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115754108A CN115754108A (zh) | 2023-03-07 |
CN115754108B true CN115754108B (zh) | 2023-06-09 |
Family
ID=85335898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211472939.9A Active CN115754108B (zh) | 2022-11-23 | 2022-11-23 | 一种电子级六氟丁二烯的酸度测定系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115754108B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106457B (zh) * | 2023-04-13 | 2023-06-27 | 天津海河标测技术检测有限公司 | 空气采样检测一体化装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532409B (zh) * | 2019-07-30 | 2022-09-27 | 西北工业大学 | 基于异构双线性注意力网络的图像检索方法 |
CN110807465B (zh) * | 2019-11-05 | 2020-06-30 | 北京邮电大学 | 一种基于通道损失函数的细粒度图像识别方法 |
CN111222580A (zh) * | 2020-01-13 | 2020-06-02 | 西南科技大学 | 一种高精度的裂缝检测方法 |
CN111415342B (zh) * | 2020-03-18 | 2023-12-26 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
CN111444924B (zh) * | 2020-04-20 | 2023-05-30 | 中国科学院声学研究所南海研究站 | 一种病虫害检测及灾害等级分析方法及系统 |
CN112001843B (zh) * | 2020-07-28 | 2022-09-06 | 南京理工大学 | 一种基于深度学习的红外图像超分辨率重建方法 |
CN112287965A (zh) * | 2020-09-21 | 2021-01-29 | 卓尔智联(武汉)研究院有限公司 | 图像质量检测模型训练方法、装置和计算机设备 |
EP4248446A1 (en) * | 2020-11-23 | 2023-09-27 | NE47 Bio, Inc. | Protein database search using learned representations |
US20220222914A1 (en) * | 2021-01-14 | 2022-07-14 | Tata Consultancy Services Limited | System and method for attention-based surface crack segmentation |
CN112862066A (zh) * | 2021-01-14 | 2021-05-28 | 成都市维旺铭网络科技有限公司 | 用于监控油漆的搅拌混合均匀性的神经网络的训练方法 |
CN113902625A (zh) * | 2021-08-19 | 2022-01-07 | 深圳市朗驰欣创科技股份有限公司 | 一种基于深度学习的红外图像增强方法 |
CN113984949B (zh) * | 2021-11-05 | 2024-03-22 | 金宏气体股份有限公司 | 一种六氟-1,3-丁二烯气体的酸度分析方法 |
CN114663821B (zh) * | 2022-05-18 | 2022-08-30 | 武汉大学 | 基于视频高光谱成像技术的产品质量实时无损检测方法 |
CN114926693A (zh) * | 2022-06-01 | 2022-08-19 | 北京航空航天大学杭州创新研究院 | 基于加权距离的sar图像小样本识别方法及装置 |
CN115356434B (zh) * | 2022-07-14 | 2023-06-02 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
-
2022
- 2022-11-23 CN CN202211472939.9A patent/CN115754108B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115754108A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942072B (zh) | 基于质量评估的质量分、检测模型训练、检测方法及装置 | |
US11302039B2 (en) | Waveform analyzer | |
CN115754108B (zh) | 一种电子级六氟丁二烯的酸度测定系统及其方法 | |
CN111400547A (zh) | 一种人机协作的视频异常检测方法 | |
CN115754107B (zh) | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 | |
CN108921424B (zh) | 一种电力数据异常检测方法、装置、设备及可读存储介质 | |
CN114359526B (zh) | 基于语义gan的跨域图像风格迁移方法 | |
CN115656086B (zh) | 一种电子级氟化氢的产品纯度测定系统及其方法 | |
CN113963304B (zh) | 基于时序-空间图的跨模态视频时序动作定位方法及系统 | |
CN111724443B (zh) | 基于生成式对抗网络的统一场景视觉定位方法 | |
CN115564766A (zh) | 水轮机蜗壳座环的制备方法及其系统 | |
WO2024103613A1 (zh) | 一种电子级六氟丁二烯的质检系统及其方法 | |
CN112733853A (zh) | 基于前景背景的分离与关联的矿物分离效果的检测方法 | |
CN115902004B (zh) | 一种脱气氢电导率的测量装置及测量方法 | |
CN116189807A (zh) | 硝酸盐制备过程的氮含量智能监测系统 | |
CN116311322A (zh) | 一种文档版面要素检测方法、装置、存储介质及设备 | |
CN116416534A (zh) | 一种面向保护目标的无人机备降区域识别方法 | |
CN111325198A (zh) | 视频对象特征提取方法和装置、视频对象匹配方法和装置 | |
CN115631502A (zh) | 文字识别方法、装置、模型训练方法、电子设备及介质 | |
CN116106457B (zh) | 空气采样检测一体化装置 | |
CN112766365A (zh) | 用于智能光影弯折检测的神经网络的训练方法 | |
CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
CN110956130A (zh) | 一种四级人脸检测和关键点回归的方法及系统 | |
CN111160353A (zh) | 车牌识别方法、装置及设备 | |
CN115950993B (zh) | 氟氮混合气中氟含量的测试方法 |
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 |