CN117079756A - 一种银蚀刻液及其制备方法 - Google Patents
一种银蚀刻液及其制备方法 Download PDFInfo
- Publication number
- CN117079756A CN117079756A CN202311333747.4A CN202311333747A CN117079756A CN 117079756 A CN117079756 A CN 117079756A CN 202311333747 A CN202311333747 A CN 202311333747A CN 117079756 A CN117079756 A CN 117079756A
- Authority
- CN
- China
- Prior art keywords
- etching solution
- silver
- silver etching
- formula
- cnn model
- 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.)
- Granted
Links
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 title claims abstract description 96
- 229910052709 silver Inorganic materials 0.000 title claims abstract description 96
- 239000004332 silver Substances 0.000 title claims abstract description 96
- 238000005530 etching Methods 0.000 title claims abstract description 94
- 238000002360 preparation method Methods 0.000 title description 4
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000001556 precipitation Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- NLXLAEXVIDQMFP-UHFFFAOYSA-N Ammonia chloride Chemical compound [NH4+].[Cl-] NLXLAEXVIDQMFP-UHFFFAOYSA-N 0.000 claims abstract description 10
- XBDQKXXYIPTUBI-UHFFFAOYSA-N dimethylselenoniopropionate Natural products CCC(O)=O XBDQKXXYIPTUBI-UHFFFAOYSA-N 0.000 claims abstract description 10
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 claims abstract description 10
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 claims abstract description 8
- 239000000126 substance Substances 0.000 claims abstract description 8
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 claims abstract description 5
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims abstract description 5
- 235000019270 ammonium chloride Nutrition 0.000 claims abstract description 5
- GVGUFUZHNYFZLC-UHFFFAOYSA-N dodecyl benzenesulfonate;sodium Chemical compound [Na].CCCCCCCCCCCCOS(=O)(=O)C1=CC=CC=C1 GVGUFUZHNYFZLC-UHFFFAOYSA-N 0.000 claims abstract description 5
- 229910017604 nitric acid Inorganic materials 0.000 claims abstract description 5
- 235000010333 potassium nitrate Nutrition 0.000 claims abstract description 5
- 239000004323 potassium nitrate Substances 0.000 claims abstract description 5
- 235000019260 propionic acid Nutrition 0.000 claims abstract description 5
- IUVKMZGDUIUOCP-BTNSXGMBSA-N quinbolone Chemical compound O([C@H]1CC[C@H]2[C@H]3[C@@H]([C@]4(C=CC(=O)C=C4CC3)C)CC[C@@]21C)C1=CCCC1 IUVKMZGDUIUOCP-BTNSXGMBSA-N 0.000 claims abstract description 5
- 229940080264 sodium dodecylbenzenesulfonate Drugs 0.000 claims abstract description 5
- 229910000147 aluminium phosphate Inorganic materials 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000011521 glass Substances 0.000 claims description 16
- 239000007788 liquid Substances 0.000 claims description 16
- 229910052751 metal Inorganic materials 0.000 claims description 16
- 239000002184 metal Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 235000015165 citric acid Nutrition 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003756 stirring Methods 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims 1
- 238000009472 formulation Methods 0.000 abstract description 7
- 239000000203 mixture Substances 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000001000 micrograph Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 24
- 238000012360 testing method Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012395 formulation development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23F—NON-MECHANICAL REMOVAL OF METALLIC MATERIAL FROM SURFACE; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL; MULTI-STEP PROCESSES FOR SURFACE TREATMENT OF METALLIC MATERIAL INVOLVING AT LEAST ONE PROCESS PROVIDED FOR IN CLASS C23 AND AT LEAST ONE PROCESS COVERED BY SUBCLASS C21D OR C22F OR CLASS C25
- C23F1/00—Etching metallic material by chemical means
- C23F1/10—Etching compositions
- C23F1/14—Aqueous compositions
- C23F1/16—Acidic compositions
- C23F1/30—Acidic compositions for etching other metallic material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Metallurgy (AREA)
- General Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Organic Chemistry (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Multimedia (AREA)
- ing And Chemical Polishing (AREA)
Abstract
本文提出了一种银蚀刻液及其制备方法通过CNN来发现优化的银蚀刻液配方的方法。首先,通过收集已有的银蚀刻液配方和对应的扫描电子显微镜图像,获取了各成分的化学名称和含量,进行CNN模型训练。训练完成后,该模型能够预测银析出量较少的银蚀刻液配方,该配方具体包括磷酸、柠檬酸、硝酸、硝酸钾、丙酸、EDTA、十二烷基苯磺酸纳和氯化铵等多种组分的优选比例,根据预测结果进行实验验证和优选,高效快速得到满足银析出量较少的银蚀刻液。
Description
技术领域
本发明涉及蚀刻液技术领域,特别是涉及到一种银蚀刻液及其制备方法。
背景技术
现有技术中的银蚀刻液配方开发主要依赖于传统的经验式试验法。研发人员根据以往经验和文献报道,设计不同成分的配方进行对比实验,通过反复调整各成分的用量比例,观察试验结果,收集试验数据,经过大量的试错实验,最终确定出能够满足技术指标要求的配方。这种方法存在以下缺陷:配方需要设计和实施大量的试验组合,费时费力,实验周期长,从配方设计、试剂配比、试验操作到产生结果需要很长的时间,要收集充分的数据找到最优配方,往往需要数周甚至数月,试验结果依赖技术人员的经验,重复性和一致性较差,难以确保搜索到全局最优配方,容易陷入局部优化,实验成本高昂,大量试验会消耗大量试剂和资源。
我们注意到,近年来,依靠大数据和计算力的深度学习技术展现出了在复杂问题建模和预测方面的强大能力,其基本思想是通过构建多层的神经网络结构,层次化地进行特征学习,实现了输入数据的高级抽象和表示转换,其在各个领域已经取得了令人瞩目的成就。尽管如此,但在蚀刻液技术领域,我们还没有发现根据深度学习技术来进行配方发现的方法。因此,我们尝试将深度学习的技术和蚀刻液配方发现进行融合,并据此得到了专利号为202310186640.5一种银蚀刻液,所得到的银蚀刻液性质优良,蚀刻速率均匀,银析出量较少,并且在深度学习技术的辅助下,配方的开发周期极大缩短,在已有成果的基础上,我们在短时间还得到了性质较为相似的不同配方。
此外,由于深度学习技术的特点,当数据量越多的时候,其配方发现的效果会越好,也就是说基于深度学习技术的蚀刻液配方发现方法可以对蚀刻液配方进行持续优化,这是传统的蚀刻液制备方法所不具备的特有优势。我们的研究使用了不同的基础模型来进行配方的开发,在本发明中我们使用的基础模型是CNN。
发明内容
本发明提出一种银蚀刻液,其特征在于,所述银蚀刻液配方由银蚀刻液CNN发现,具体包括如下步骤:
S1银蚀刻液训练数据收集及处理,具体包括如下步骤:
S1.1获取已有的多种银蚀刻液配方以及每种配方对应的银蚀刻液对玻璃金属蚀刻后平面用扫描电子显微镜示意图;
S1.2获取所述配方中不同成分的化学名称及其组分含量,使用词嵌入工具获取所述化学名称对应的第一嵌入向量V1以及所述组分含量对应的的第二嵌入向量V2;
S1.3获取所述银蚀刻液对玻璃金属蚀刻后平面用扫描电子显微镜示意图,利用图嵌入工具获取所述银蚀刻液对玻璃金属蚀刻后平面用扫描电子显微镜示意图对应的第三嵌入向量V3;
S2训练所述银蚀刻液CNN模型,其具体包括如下步骤:
S2.1初始化所述银蚀刻液配方CNN权重系数矩阵和偏置系数矩阵;
S2.2将所述第三嵌入向量V3作为所述银蚀刻液CNN模型的解释向量,将所述第一嵌入向量V1和所述第二嵌入向量V2的拼接向量[V1,V2]作为所述银蚀刻液CNN模型的响应向量,将所述解释向量和所述响应向量输入到所述银蚀刻液CNN模型中,利用交叉熵损失函数训练所述银蚀刻液CNN模型得到更新后的权重系数矩阵和更新后的偏置系数矩阵;
S2.3利用更新后的权重系数矩阵和更新后的偏置系数矩阵得到训练好的银蚀刻液CNN模型;
S3利用训练好的银蚀刻液银蚀刻液CNN模型预测得到银析出量较少的银蚀刻液配方,具体包括如下步骤:
S3.1获取银析出量较少的玻璃金属蚀刻后平面用扫描电子显微镜示意图;
S3.2将所述银析出量较少的玻璃金属蚀刻后平面用扫描电子显微镜示意图输入所述训练好的银蚀刻液CNN模型中得到其对应的银蚀刻液配方;
S4根据在S3中预测得到的银蚀刻液配方,进行实验优选得到优选的成分及其配比。
本发明具有如下有益效果如下:通过集成先进的深度学习和图嵌入技术,能够有效地预测银蚀刻液的优化配方,从而显著提高蚀刻的效率和质量。通过将化学配方和蚀刻效果的SEM图像转化为高维嵌入向量,该方法能够捕捉到配方与蚀刻效果间复杂的非线性关系。这不仅减少了试验次数,降低了材料和时间成本,还提高了配方优化的准确性。
附图说明
图1为本发明提供的银蚀刻液配方发现的步骤示意图;
图2为银析出量较少的玻璃金属蚀刻后平面用扫描电镜示意图。
具体实施方式
下面结合实施例对本发明进行进一步说明,本发明提出一种银蚀刻液,所述银蚀刻液配方由银蚀刻液CNN发现,如图1所述,其具体包括如下步骤:
S1银蚀刻液训练数据收集及处理,具体包括如下步骤:
S1.1获取已有的多种银蚀刻液配方以及每种配方对应的银蚀刻液对玻璃金属蚀刻后平面用扫描电子显微镜示意图;
S1.2获取所述配方中不同成分的化学名称及其组分含量,使用词嵌入工具获取所述化学名称对应的第一嵌入向量V1以及所述组分含量对应的的第二嵌入向量V2;
S1.3获取所述银蚀刻液对玻璃金属蚀刻后平面用扫描电子显微镜示意图,利用图嵌入工具获取所述银蚀刻液对玻璃金属蚀刻后平面用扫描电子显微镜示意图对应的第三嵌入向量V3;
其中一种具体的实现方式如下:
S2训练所述银蚀刻液CNN模型;
所述S2具体包括如下步骤:
S2.1初始化所述银蚀刻液配方CNN权重系数矩阵和偏置系数矩阵;
S2.2将所述第三嵌入向量V3作为所述银蚀刻液CNN模型的解释向量,将所述第一嵌入向量V1和所述第二嵌入向量V2的拼接向量[V1,V2]作为所述银蚀刻液CNN模型的响应向量,将所述解释向量和所述响应向量输入到所述银蚀刻液CNN模型中,利用交叉熵损失函数训练所述银蚀刻液CNN模型得到更新后的权重系数矩阵和更新后的偏置系数矩阵;
S2.3利用更新后的权重系数矩阵和更新后的偏置系数矩阵得到训练好的银蚀刻液CNN模型;
S3利用训练好的银蚀刻液银蚀刻液CNN模型预测得到银析出量较少的银蚀刻液配方;
具体为:
S3.1获取银析出量较少的玻璃金属蚀刻后平面用扫描电子显微镜示意图;
S3.2将如图2所示的银析出量较少的玻璃金属蚀刻后平面用扫描电子显微镜示意图输入所述训练好的银蚀刻液CNN模型中得到其对应的银蚀刻液配方,所述银蚀刻液CNN模型输出了其对应的银蚀刻液一种配方如下:磷酸:30-45%,柠檬酸:5-15%,硝酸 :5-20%,硝酸钾:5-10%,丙酸:3-8%,EDTA:0.1-1%,十二烷基苯磺酸纳:0.05-0.5%,氯化铵:0.5%-2%,余量为纯水。
实现如下:
S4根据在S3中预测得到的银蚀刻液配方,进行实验优选得到优选的成分配比。
步骤S4中,优选包括如表1所示的三个实施例配方:
表1 银蚀刻液的配方表
在300转/分钟、50℃的条件下,对于制得的如实施例1所示的银蚀刻液,可以得到如下表2所示的蚀刻后角度和CD loss:
表2 不同蚀刻时间的角度和CD loss
实验表明,利用CNN确可开发出满足工程要求的蚀刻液。
本发明的另一目的在于利用本领域中惯用的蚀刻液制备方法,包括以下步骤:在净化空间内,依次加入纯水、氯化铵、柠檬酸、硝酸钾、EDTA、十二烷基苯磺酸纳、磷酸、硝酸、丙酸,搅拌,过滤,分装,最终制得成品。
本发明的显著特点在于利用CNN来自动优化银蚀刻液的配方,通过将已有配方和扫描电子显微镜图像转化为嵌入向量,该模型能准确地预测出银析出量较少的高效银蚀刻液配方。这一方法不仅结合了化学工程与深度学习技术,还通过实验验证和优选,确保了预测配方的实用性和效率。这为银蚀刻液的配方制定提供了一种高度自动化和精确的新途径。
Claims (5)
1.一种银蚀刻液,其特征在于,所述银蚀刻液配方通过CNN获得,其具体步骤为:
S1银蚀刻液训练数据收集及处理;
S2训练所述银蚀刻液CNN模型;
S3利用训练好的银蚀刻液银蚀刻液CNN模型预测得到银析出量较少的银蚀刻液配方,所述配方包括按质量百分比计的以下组分,磷酸:30-45%,柠檬酸:5-15%,硝酸 :5-20%,硝酸钾:5-10%,丙酸:3-8%,EDTA:0.1-1%,十二烷基苯磺酸纳:0.05-0.5%,氯化铵:0.5%-2%,余量为纯水;
S4根据在S3中预测得到的银蚀刻液配方,进行实验优选得到优选的成分配比。
2.根据权利要求1所述的银蚀刻液,其特征在于,所述步骤S1具体为:
S1.1获取已有的多种银蚀刻液配方以及每种配方对应的银蚀刻液对玻璃金属蚀刻后平面用扫描电子显微镜示意图;
S1.2获取所述配方中不同成分的化学名称及其组分含量,使用词嵌入工具获取所述化学名称对应的第一嵌入向量V1以及所述组分含量对应的的第二嵌入向量V2;
S1.3获取所述银蚀刻液对玻璃金属蚀刻后平面用扫描电子显微镜示意图,利用图嵌入工具获取所述银蚀刻液对玻璃金属蚀刻后平面用扫描电子显微镜示意图对应的第三嵌入向量V3。
3.根据权利要求1所述的银蚀刻液,其特征在于,所述步骤S2具体为:
S2.1初始化所述银蚀刻液配方CNN权重系数矩阵和偏置系数矩阵;
S2.2将所述第三嵌入向量V3作为所述银蚀刻液CNN模型的解释向量,将所述第一嵌入向量V1和所述第二嵌入向量V2的拼接向量[V1,V2]作为所述银蚀刻液CNN模型的响应向量,将所述解释向量和所述响应向量输入到所述银蚀刻液CNN模型中,利用交叉熵损失函数训练所述银蚀刻液CNN模型得到更新后的权重系数矩阵和更新后的偏置系数矩阵;
S2.3利用更新后的权重系数矩阵和更新后的偏置系数矩阵得到训练好的银蚀刻液CNN模型。
4.根据权利要求1所述的银蚀刻液,其特征在于,所述步骤S3具体为:
S3.1获取银析出量较少的玻璃金属蚀刻后平面用扫描电子显微镜示意图;
S3.2将所述银析出量较少的玻璃金属蚀刻后平面用扫描电子显微镜示意图输入所述训练好的银蚀刻液CNN模型中得到其对应的银蚀刻液配方。
5.一种银蚀刻液制备方法,用以制备如权利要求1~4任一项所述的银蚀刻液,其特征在于,其制备包括以下步骤:在净化空间内,依次加入纯水、氯化铵,柠檬酸、硝酸钾、EDTA、十二烷基苯磺酸纳、磷酸、硝酸、丙酸,搅拌,过滤,分装,得到成品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333747.4A CN117079756B (zh) | 2023-10-16 | 2023-10-16 | 一种银蚀刻液及其制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333747.4A CN117079756B (zh) | 2023-10-16 | 2023-10-16 | 一种银蚀刻液及其制备方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117079756A true CN117079756A (zh) | 2023-11-17 |
CN117079756B CN117079756B (zh) | 2024-01-26 |
Family
ID=88713809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311333747.4A Active CN117079756B (zh) | 2023-10-16 | 2023-10-16 | 一种银蚀刻液及其制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079756B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854615A (zh) * | 2024-03-07 | 2024-04-09 | 苏州博洋化学股份有限公司 | 一种显示面板用铜蚀刻液配方及其研制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884081A (zh) * | 2021-03-31 | 2021-06-01 | 福州大学 | 一种多品种小批量生产的工件质量在线智能预测方法 |
CN114429135A (zh) * | 2021-12-16 | 2022-05-03 | 哈尔滨理工大学 | 一种基于对抗训练和多注意力的CNN-BiLSTM方面情感分析方法 |
CN115240046A (zh) * | 2022-07-29 | 2022-10-25 | 福建天甫电子材料有限公司 | 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 |
CN115659174A (zh) * | 2022-10-13 | 2023-01-31 | 中国科学院空间应用工程与技术中心 | 基于图正则化CNN-BiLSTM的多传感器故障诊断方法、介质及设备 |
CN116321702A (zh) * | 2023-03-30 | 2023-06-23 | 广州方邦电子股份有限公司 | 金属箔、线路板、覆铜层叠板、半导体、负极材料和电池 |
-
2023
- 2023-10-16 CN CN202311333747.4A patent/CN117079756B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884081A (zh) * | 2021-03-31 | 2021-06-01 | 福州大学 | 一种多品种小批量生产的工件质量在线智能预测方法 |
CN114429135A (zh) * | 2021-12-16 | 2022-05-03 | 哈尔滨理工大学 | 一种基于对抗训练和多注意力的CNN-BiLSTM方面情感分析方法 |
CN115240046A (zh) * | 2022-07-29 | 2022-10-25 | 福建天甫电子材料有限公司 | 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 |
CN115659174A (zh) * | 2022-10-13 | 2023-01-31 | 中国科学院空间应用工程与技术中心 | 基于图正则化CNN-BiLSTM的多传感器故障诊断方法、介质及设备 |
CN116321702A (zh) * | 2023-03-30 | 2023-06-23 | 广州方邦电子股份有限公司 | 金属箔、线路板、覆铜层叠板、半导体、负极材料和电池 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854615A (zh) * | 2024-03-07 | 2024-04-09 | 苏州博洋化学股份有限公司 | 一种显示面板用铜蚀刻液配方及其研制方法 |
CN117854615B (zh) * | 2024-03-07 | 2024-05-03 | 苏州博洋化学股份有限公司 | 一种显示面板用铜蚀刻液配方及其研制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117079756B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117079756B (zh) | 一种银蚀刻液及其制备方法 | |
CN110222828B (zh) | 一种基于混合深度神经网络的非定常流场预测方法 | |
CN111783209B (zh) | 一种学习函数与kriging模型结合的自适应结构可靠性分析方法 | |
Hoang et al. | Practical analysis on architecture of EfficientNet | |
CN106600700B (zh) | 一种三维模型数据处理系统 | |
CN109214642B (zh) | 一种建筑施工工序约束的自动抽取和分类方法及系统 | |
CN109299786A (zh) | 一种构建混合型位错原子结构的方法 | |
Zhang et al. | Fixed-smoothing asymptotics for time series | |
CN112926256A (zh) | 基于深度强化学习的土壤重金属含量预测方法及系统 | |
CN115391874A (zh) | 基于gan的框架-支撑建筑结构设计方法、系统及计算机 | |
Czajkowski et al. | Prediction of the market of end-of-life photovoltaic panels in the context of common EU management system | |
CN117131792B (zh) | 一种钛蚀刻液及其制备方法 | |
Li et al. | Perspective on machine learning in energy material discovery | |
CN108808657A (zh) | 一种电力负荷短期预测方法 | |
CN116776928A (zh) | 一种用于时空数据建模的多头注意力时空图卷积模型 | |
CN114863094A (zh) | 基于双支路网络的工业图像感兴趣区域分割算法 | |
CN114757131A (zh) | 适用于cfd不确定度量化的代理模型的优化方法及相关设备 | |
CN113221993A (zh) | 基于元学习和跨阶段沙漏的大视场小样本目标检测方法 | |
CN114896436B (zh) | 一种基于表征互信息的网络结构搜索方法 | |
Harshavardhan et al. | Web Application for Identifying Emerging Trends and Technologies using Scopus and OpenAI APIs | |
Miner et al. | Method of sound synthesis | |
Murphy et al. | CAD of microwave chemistry reactors with energy efficiency optimized for multiple reactants | |
Li et al. | Modeling and optimization of chemical reaction based on XGBoost-PSO | |
CN118171589A (zh) | 流体力学流场建模组合式多任务智能大模型预训练方法 | |
CN117150667A (zh) | 一种中空各向同性点阵结构优化设计方法 |
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 |