CN117436355B - 光学薄膜厚度模型的建立方法及相关设备 - Google Patents

Abstract

本申请涉及机器学习技术领域，公开了一种光学薄膜厚度模型的建立方法及相关设备。所述方法包括：对多个样品薄膜进行反射光偏振状态分析，得到偏振状态数据；对多个样品薄膜进行反射光谱扫描，得到反射光谱数据；对多个样品薄膜进行薄膜厚度测量，得到薄膜厚度标签数据；将偏振状态数据和反射光谱数据输入初始光学薄膜厚度模型进行薄膜厚度预测，得到薄膜厚度预测数据；对薄膜厚度预测数据和薄膜厚度标签数据进行误差计算，得到模型预测误差数据，并根据模型预测误差数据对初始光学薄膜厚度模型进行模型参数优化，得到目标光学薄膜厚度模型，本申请实现了光学薄膜厚度模型的自适应学习并提高了薄膜厚度检测的准确率。

Description

光学薄膜厚度模型的建立方法及相关设备

技术领域

本申请涉及机器学习领域，尤其涉及一种光学薄膜厚度模型的建立方法及相关设备。

背景技术

薄膜的厚度直接影响其光学性能，如反射率、透光率和吸收特性，进而决定了最终产品的性能和可靠性。

传统的薄膜厚度测量技术，如直接的机械测量或单一的光学方法，虽然在某些应用中有效，但难以满足日益增长的精确度和非破坏性测量的需求。因此，开发一种新的薄膜厚度测量和预测方法，以提高测量精度和效率，已成为这些行业的一个重要研究方向。

发明内容

本申请提供了一种光学薄膜厚度模型的建立方法及相关设备，用于实现了光学薄膜厚度模型的自适应学习并提高了薄膜厚度检测的准确率。

第一方面，本申请提供了一种光学薄膜厚度模型的建立方法，所述光学薄膜厚度模型的建立方法包括：对多个样品薄膜进行反射光偏振状态分析，得到每个样品薄膜的偏振状态数据；对所述多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的反射光谱数据；对所述多个样品薄膜进行薄膜厚度测量，得到每个样品薄膜的薄膜厚度标签数据；将所述偏振状态数据和所述反射光谱数据输入预置的初始光学薄膜厚度模型进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据；对所述薄膜厚度预测数据和所述薄膜厚度标签数据进行误差计算，得到模型预测误差数据，并根据所述模型预测误差数据对所述初始光学薄膜厚度模型进行模型参数优化，得到目标光学薄膜厚度模型。

结合第一方面，在本申请第一方面的第一种实现方式中，所述对多个样品薄膜进行反射光偏振状态分析，得到每个样品薄膜的偏振状态数据，包括：分别将多个样品薄膜放置于预置的椭偏仪，并分别对所述多个样品薄膜进行样品定位，得到每个样品薄膜的目标定位数据；根据所述目标定位数据，对所述椭偏仪进行参数标定，得到所述椭偏仪的入射角度和第一波长范围；根据所述入射角度和所述第一波长范围分别对所述多个样品薄膜进行反射光偏振状态检测，并通过所述椭偏仪采集每个样品薄膜的反射光偏振角数据和退偏相位数据；对所述反射光偏振角数据和所述退偏相位数据进行关联关系分析，得到偏振角相位关联关系；根据所述偏振角相位关联关系，对所述反射光偏振角数据和所述退偏相位数据进行数据格式转换和数据融合，得到每个样品薄膜的偏振状态数据。

结合第一方面，在本申请第一方面的第二种实现方式中，所述对所述多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的反射光谱数据，包括：获取所述多个样品薄膜的薄膜特性参数和材料类型，并通过预置的光谱仪对所述多个样品薄膜进行设备校准和波长范围选取，得到第二波长范围；根据所述第二波长范围，通过所述光谱仪对所述多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的初始强度数据；分别对所述初始强度数据进行数据转换，得到每个样品薄膜的初始光谱数据；分别对所述初始光谱数据进行归一化处理和信号校正，得到标准光谱数据；分别对所述标准光谱数据进行光谱特征峰识别，得到每个样品薄膜的光谱特征峰集合，并对所述光谱特征峰集合进行数据格式转换，得到每个样品薄膜的反射光谱数据。

结合第一方面，在本申请第一方面的第三种实现方式中，所述将所述偏振状态数据和所述反射光谱数据输入预置的初始光学薄膜厚度模型进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据，包括：构建初始光学薄膜厚度模型，所述初始光学薄膜厚度模型包括：第一预测网络、第二预测网络以及输出层，所述第一预测网络包括三层LSTM单元和多变量线性回归预测层，所述第二预测网络包括：双层GRU单元和单变量线性回归预测层；根据所述薄膜特性参数和所述材料类型，对所述初始光学薄膜厚度模型进行模型参数初始化分析，得到初始模型参数集合；根据所述初始模型参数集合对所述初始光学薄膜厚度模型进行模型初始化配置；通过所述初始光学薄膜厚度模型，分别对所述偏振状态数据和所述反射光谱数据进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据。

结合第一方面，在本申请第一方面的第四种实现方式中，所述通过所述初始光学薄膜厚度模型，分别对所述偏振状态数据和所述反射光谱数据进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据，包括：通过所述初始光学薄膜厚度模型中的第一预测网络接收所述偏振状态数据，并通过所述初始光学薄膜厚度模型中的第二预测网络接收所述反射光谱数据；通过所述第一预测网络中的三层LSTM单元对所述偏振状态数据进行偏振特征提取，得到偏振角及相位特征向量，并通过所述多变量线性回归预测层对所述偏振角及相位特征向量进行薄膜厚度预测，得到每个样品薄膜的第一厚度预测数据；通过所述第二预测网络中的双层GRU单元对所述反射光谱数据进行反射光谱特征提取，得到反射光谱特征向量，并通过所述单变量线性回归预测层对所述反射光谱特征向量进行薄膜厚度预测，得到每个样品薄膜的第二厚度预测数据；对所述初始模型参数集合进行权重数据提取，得到所述第一预测网络的第一权重数据以及所述第二预测网络的第二权重数据；根据所述第一权重数据对所述第一厚度预测数据进行加权运算，得到第一加权预测数据，并根据所述第二权重数据对所述第二厚度预测数据进行加权运算，得到第二加权预测数据；对所述第一加权预测数据和所述第二加权预测数据进行求和运算，得到每个样品薄膜的薄膜厚度预测数据。

结合第一方面，在本申请第一方面的第五种实现方式中，所述对所述薄膜厚度预测数据和所述薄膜厚度标签数据进行误差计算，得到模型预测误差数据，并根据所述模型预测误差数据对所述初始光学薄膜厚度模型进行模型参数优化，得到目标光学薄膜厚度模型，包括：通过预置的MSE误差函数，对所述薄膜厚度预测数据和所述薄膜厚度标签数据进行误差计算，得到模型预测误差数据；根据所述模型预测误差数据，对所述初始模型参数集合进行模型参数范围标定，得到多个模型参数范围；基于所述多个模型参数范围，对所述初始光学薄膜厚度模型进行随机参数生成，得到第一模型参数集合；通过预置的遗传算法，对所述第一模型参数集合进行模型参数优化，得到最优模型参数集合；通过所述模型参数集合，对所述初始光学薄膜厚度模型进行模型参数更新，得到目标光学薄膜厚度模型。

结合第一方面，在本申请第一方面的第六种实现方式中，所述通过预置的遗传算法，对所述第一模型参数集合进行模型参数优化，得到最优模型参数集合，包括：通过预置的遗传算法，对所述第一模型参数集合进行参数群体初始化，得到初始模型参数群体，所述初始模型参数群体包括多个第二模型参数集合；获取所述初始光学薄膜厚度模型的模型评价指标，并根据所述模型评价指标定义目标适应度函数，通过所述目标适应度函数分别计算每个第二模型参数集合的适应度数据；根据所述适应度数据，对所述多个第二模型参数集合进行群体分割，得到多个目标模型参数群体；对所述多个目标模型参数群体进行遗传和变异，得到多个候选模型参数集合，并对所述多个候选模型参数集合进行最优化分析，得到最优模型参数集合。

第二方面，本申请提供了一种光学薄膜厚度模型的建立装置，所述光学薄膜厚度模型的建立装置包括：

分析模块，用于对多个样品薄膜进行反射光偏振状态分析，得到每个样品薄膜的偏振状态数据；

扫描模块，用于对所述多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的反射光谱数据；

测量模块，用于对所述多个样品薄膜进行薄膜厚度测量，得到每个样品薄膜的薄膜厚度标签数据；

预测模块，用于将所述偏振状态数据和所述反射光谱数据输入预置的初始光学薄膜厚度模型进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据；

优化模块，用于对所述薄膜厚度预测数据和所述薄膜厚度标签数据进行误差计算，得到模型预测误差数据，并根据所述模型预测误差数据对所述初始光学薄膜厚度模型进行模型参数优化，得到目标光学薄膜厚度模型。

本申请第三方面提供了一种光学薄膜厚度模型的建立设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述光学薄膜厚度模型的建立设备执行上述的光学薄膜厚度模型的建立方法。

本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的光学薄膜厚度模型的建立方法。

本申请提供的技术方案中，通过同时利用偏振状态数据和反射光谱数据，能够更全面地理解和预测薄膜的光学特性，从而提高厚度预测的准确性。通过计算预测数据和实际厚度数据的误差，可以精确评估模型的性能，确保结果的可靠性。从数据采集到分析的整个过程可以自动化进行，提高处理效率，减少人为错误。偏振数据和光谱数据的融合使得模型能够综合不同来源的信息，提升数据利用率。模型考虑了薄膜的特性参数和材料类型，使其具有良好的适应性和灵活性。利用深度学习技术，LSTM和GRU网络，可以更有效地处理复杂的数据模式和关系。这些技术能够捕捉到数据中的非线性关系，从而提高预测准确性。通过对实验数据进行详细分析并结合机器学习模型，提供了一种数据驱动的决策过程。通过采用MSE误差函数和遗传算法，能够对模型进行持续优化和自适应调整。这意味着模型可以随着更多数据的积累而逐渐改进，从而在长期应用中保持高效和准确。通过预测模型提供的准确厚度估计，可以减少对实验测量的依赖，从而节省时间和成本，进而提高了薄膜厚度的检测准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。

图1为本申请实施例中光学薄膜厚度模型的建立方法的一个实施例示意图；

图2为本申请实施例中光学薄膜厚度模型的建立装置的一个实施例示意图。

具体实施方式

本申请实施例提供了一种光学薄膜厚度模型的建立方法及相关设备。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中光学薄膜厚度模型的建立方法的一个实施例包括：

步骤S101、对多个样品薄膜进行反射光偏振状态分析，得到每个样品薄膜的偏振状态数据；

可以理解的是，本申请的执行主体可以为光学薄膜厚度模型的建立装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，将多个不同的样品薄膜放置于预置的椭偏仪上。椭偏仪是一种能够精确测量薄膜光学特性的仪器，它通过分析反射或透射光的偏振状态来提供薄膜的光学参数。薄膜的位置直接影响到光束的入射角度和反射光的特性，每个样品薄膜的目标定位数据不仅为后续的分析提供了基础，而且保证了测量的重复性和准确性。根据这些目标定位数据，对椭偏仪进行参数标定，确保椭偏仪在测量过程中的准确性和一致性。参数标定主要包括设置椭偏仪的入射角度和调整波长范围，这些参数的设定必须基于样品薄膜的光学特性和测量要求。入射角度的设定影响光束与薄膜的相互作用，而波长范围的选择则影响到偏振状态数据的分辨率和覆盖范围。基于这些设定的入射角度和波长范围，对每个样品薄膜进行反射光偏振状态的检测。在这一阶段，椭偏仪测量每个样品薄膜的反射光，并记录下偏振角数据和退偏相位数据。这些数据反映了薄膜对入射光偏振状态的影响，是确定薄膜厚度和其他光学特性的关键指标。偏振角数据表示了反射光的偏振方向变化，而退偏相位数据则提供了关于光波相位变化的信息。此后，对反射光的偏振角数据和退偏相位数据进行关联关系分析。目的是理解偏振角和相位之间的相互依赖关系，从而更准确地解释反射光的偏振状态。通过分析这些数据之间的关联，可以深入了解薄膜的光学特性，如折射率和吸收系数，这些都是影响薄膜厚度测量的关键因素。根据偏振角相位关联关系，对偏振角数据和退偏相位数据进行数据格式转换和数据融合。数据格式的转换是为了使数据适合于进一步的处理和分析，而数据融合则是为了综合不同类型的数据，从而获得一个全面的偏振状态描述。这一步骤不仅提高了数据的可用性，而且有助于提取更加准确和全面的信息，为建立精确的光学薄膜厚度模型提供了重要的数据支持。

步骤S102、对多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的反射光谱数据；

具体的，获取样品薄膜的特性参数和材料类型，不同的薄膜材料和其特性，如厚度、折射率、吸收系数等，会影响其反射光谱的特征。了解这些特性参数有助于后续步骤中的设备校准和波长范围选择。接下来，进行预置光谱仪的设备校准和波长范围的选取，设备校准是确保光谱仪能够准确测量的基础，而合适的波长范围选择则是为了确保可以捕捉到薄膜的光谱特性。不同材料类型和薄膜特性要求不同的波长范围，以确保能够有效地检测到薄膜的光学响应。例如，一些薄膜在可见光范围内展现出独特的光学特性，而其他薄膜则在紫外或红外光谱范围内表现出显著的特征。根据这个设定的第二波长范围，通过光谱仪对每个样品薄膜进行反射光谱扫描，以得到它们的初始强度数据。这个过程中，光谱仪通过测量在特定波长下薄膜反射的光强度来获取数据。这些初始强度数据是未经处理的原始数据，它们直接反映了薄膜在不同波长下的反射特性。获取这些数据是为了后续分析和处理的基础，它们包含了薄膜的原始光谱信息。这些初始强度数据需要经过数据转换过程，这是为了将原始的强度数据转换为更适合分析的光谱数据格式。数据转换的目的是为了提高数据的可用性和便于处理，例如将数据转换为能够反映出吸收或反射强度的格式。这种转换通常涉及到一系列计算和处理步骤，如将光强度数据转换为反射率或透射率数据等。对这些初始光谱数据进行归一化处理和信号校正，以得到标准化的光谱数据。归一化处理是为了消除不同样品之间由于测量条件或样品大小不一致等因素导致的数据偏差，确保数据具有可比性。信号校正则是为了消除仪器自身的噪声和误差，提高数据的准确性和可靠性。这些处理过程确保得到的光谱数据是可信的，可以用于后续的分析和模型建立。对这些标准化的光谱数据进行光谱特征峰的识别，以得到每个样品薄膜的光谱特征峰集合。识别光谱特征峰是为了找出反映薄膜光学特性的关键数据点，这些特征峰是后续分析的重点。光谱特征峰的识别通常涉及到复杂的数据分析技术，如峰值检测、曲线拟合等，以确保可以准确地识别出光谱中的关键特征。识别出的光谱特征峰集合随后需要经过数据格式转换，将这些特征峰数据转换成一种适合于进一步分析和模型建立的格式。这种转换涉及到从复杂的光谱数据中提取特征值，或者将这些特征值转换为某种标准格式。

步骤S103、对多个样品薄膜进行薄膜厚度测量，得到每个样品薄膜的薄膜厚度标签数据；

具体的，构建初始光学薄膜厚度模型，该模型是通过整合偏振状态数据和反射光谱数据来预测薄膜厚度的复杂系统。这个模型包括三个主要组成部分：第一预测网络、第二预测网络和输出层。第一预测网络采用了三层长短期记忆（LSTM）单元和多变量线性回归预测层的结构，使其能够有效处理时间序列数据中的复杂模式，适用于分析偏振状态数据。这些LSTM单元通过捕捉数据中的时间依赖性，能够从偏振状态数据中提取出关键特征，而多变量线性回归层则利用这些特征来预测薄膜的厚度。第二预测网络则由双层门控循环单元（GRU）和单变量线性回归预测层组成，专门用于处理反射光谱数据。GRU单元在处理此类数据时优于传统的循环神经网络，因为它们在捕捉长期依赖性方面更为高效。这些单元将反射光谱数据转换为可用的特征，随后单变量线性回归层基于这些特征预测薄膜的厚度。然后，根据薄膜的特性参数和材料类型对模型进行参数初始化，确保模型参数能够适应不同薄膜的特性，为准确的预测打下基础。初始化后的模型参数集合用于对模型进行配置，使其能够正确处理输入数据并进行有效的预测。将偏振状态数据和反射光谱数据输入到配置好的模型中，进行薄膜厚度的预测。模型通过综合这两种数据类型，生成每个样品薄膜的薄膜厚度预测数据。这一过程包括数据处理、特征提取和厚度预测，最终产生的预测数据反映了每个样品薄膜的厚度特征，为光学薄膜的研究和应用提供了必要的信息。通过这种方法，结合LSTM和GRU网络的优势，可以有效地预测光学薄膜的厚度。

步骤S104、将偏振状态数据和反射光谱数据输入预置的初始光学薄膜厚度模型进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据；

具体的，通过初始光学薄膜厚度模型接收输入的偏振状态数据和反射光谱数据。这两种数据分别通过模型中的第一和第二预测网络进行处理。第一预测网络专门处理偏振状态数据，而第二预测网络则处理反射光谱数据。这种数据分离确保每种数据都能被其对应的专门网络有效处理。在第一预测网络中，三层长短期记忆（LSTM）单元对偏振状态数据进行分析，提取出偏振特征，包括偏振角和相位特征。这些特征以向量形式表示，从而能够被多变量线性回归预测层进一步处理。多变量线性回归层利用这些偏振特征向量来预测薄膜的厚度，生成每个样品薄膜的第一厚度预测数据。同时，第二预测网络中的双层门控循环单元（GRU）负责处理反射光谱数据。这些单元专注于提取反射光谱的关键特征，将其转换为反射光谱特征向量。这些特征向量随后由单变量线性回归预测层处理，以生成每个样品薄膜的第二厚度预测数据。接下来，模型从初始模型参数集合中提取权重数据，这些权重数据分别对应于第一和第二预测网络。权重数据的提取是为了对两种预测数据进行加权运算，这一步骤是根据每种网络对厚度预测的贡献程度来决定的。第一权重数据用于对第一厚度预测数据进行加权，得到第一加权预测数据；同样，第二权重数据用于对第二厚度预测数据进行加权，得到第二加权预测数据。将第一加权预测数据和第二加权预测数据进行求和运算，以得到每个样品薄膜的最终薄膜厚度预测数据。这个求和运算综合了两种数据类型的预测结果，使得最终的厚度预测既考虑了偏振状态的影响，也考虑了反射光谱的特性。通过这种方法，能够更准确地预测薄膜的厚度，因为它综合了两种不同但互补的数据来源，提供了一个全面的薄膜厚度评估。

步骤S105、对薄膜厚度预测数据和薄膜厚度标签数据进行误差计算，得到模型预测误差数据，并根据模型预测误差数据对初始光学薄膜厚度模型进行模型参数优化，得到目标光学薄膜厚度模型。

具体的，使用预置的均方误差（MSE）误差函数对薄膜厚度预测数据和薄膜厚度标签数据进行误差计算。MSE误差函数通过计算预测值和实际值之间的平方差来评估模型的预测精度。通过这种计算，可以得到模型预测误差数据，这些数据反映了模型在当前参数设置下的预测性能。根据这些模型预测误差数据，对初始模型参数集合进行范围标定。分析模型预测误差数据，以确定哪些参数导致较大的预测误差，并据此标定模型参数的调整范围。标定模型参数范围的目的是为了缩小参数搜索空间，从而在后续的优化步骤中更加高效。通过确定多个模型参数范围，可以为参数优化提供一个明确的方向和侧重点。接下来，基于这些模型参数范围，对初始光学薄膜厚度模型进行随机参数生成，从而得到第一模型参数集合。在指定的参数范围内随机生成一系列新的模型参数，目的是为了探索更多的参数组合，从而找到提高模型预测准确性的参数设置。然后，通过预置的遗传算法对第一模型参数集合进行模型参数优化。遗传算法是一种基于自然选择和遗传学原理的优化方法，它通过模拟生物进化过程中的选择、交叉和变异操作来优化问题的解决方案。在这个过程中，遗传算法评估不同参数集合的性能，保留表现最好的参数组合，并通过交叉和变异产生新的参数组合，不断迭代直到找到最优的模型参数集合。遗传算法的应用能够有效地优化模型参数，提高模型的预测准确性。通过最优模型参数集合对初始光学薄膜厚度模型进行模型参数更新，得到目标光学薄膜厚度模型。将通过遗传算法优化后的参数应用于模型，从而得到一个更新后的、性能更优的光学薄膜厚度模型。参数更新后的模型预计会有更低的预测误差，从而能更准确地预测薄膜的厚度。

使用预置的遗传算法对第一模型参数集合进行参数群体初始化，以得到初始模型参数群体。这个群体包含了多个第二模型参数集合，每个参数集合代表了模型的一个潜在解决方案。初始化过程中，这些参数集合被随机生成，确保了参数空间的广泛探索。初始模型参数群体的创建是优化过程的起点，为遗传算法提供了一个多样化的参数基础，从而增加了找到最优解的性。获取初始光学薄膜厚度模型的模型评价指标，并基于这些指标定义目标适应度函数。这个适应度函数用于计算每个第二模型参数集合的适应度数据，适应度数据反映了每个参数集合在当前模型评价指标下的表现。通过适应度函数的计算，可以明确哪些参数集合更接近理想的模型性能，哪些则相对较差。根据适应度数据，对多个第二模型参数集合进行群体分割，以得到多个目标模型参数群体。这个过程基于适应度数据对参数集合进行评估和分类，将表现较好的参数集合归入特定的群体。群体分割是遗传算法中的一个重要步骤，它有助于集中资源和注意力在更有潜力的参数集合上，从而提高优化的效率和效果。对这些目标模型参数群体进行遗传和变异操作，生成多个候选模型参数集合。遗传操作包括交叉和复制，它使得参数集合能够相互学习和继承有利特征，而变异操作则引入新的特征，增加参数多样性。这两种操作共同作用，推动参数群体向更优解进化。对这些候选模型参数集合进行最优化分析，从中筛选出性能最优的模型参数集合。最优化分析涉及到比较各候选集合的适应度，确保最终选择的是表现最佳的参数组合。

本申请实施例中，通过同时利用偏振状态数据和反射光谱数据，能够更全面地理解和预测薄膜的光学特性，从而提高厚度预测的准确性。通过计算预测数据和实际厚度数据的误差，可以精确评估模型的性能，确保结果的可靠性。从数据采集到分析的整个过程可以自动化进行，提高处理效率，减少人为错误。偏振数据和光谱数据的融合使得模型能够综合不同来源的信息，提升数据利用率。模型考虑了薄膜的特性参数和材料类型，使其具有良好的适应性和灵活性。利用深度学习技术，LSTM和GRU网络，可以更有效地处理复杂的数据模式和关系。这些技术能够捕捉到数据中的非线性关系，从而提高预测准确性。通过对实验数据进行详细分析并结合机器学习模型，提供了一种数据驱动的决策过程。通过采用MSE误差函数和遗传算法，能够对模型进行持续优化和自适应调整。这意味着模型可以随着更多数据的积累而逐渐改进，从而在长期应用中保持高效和准确。通过预测模型提供的准确厚度估计，可以减少对实验测量的依赖，从而节省时间和成本，进而提高了薄膜厚度的检测准确率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）分别将多个样品薄膜放置于预置的椭偏仪，并分别对多个样品薄膜进行样品定位，得到每个样品薄膜的目标定位数据；

（2）根据目标定位数据，对椭偏仪进行参数标定，得到椭偏仪的入射角度和第一波长范围；

（3）根据入射角度和第一波长范围分别对多个样品薄膜进行反射光偏振状态检测，并通过椭偏仪采集每个样品薄膜的反射光偏振角数据和退偏相位数据；

（4）对反射光偏振角数据和退偏相位数据进行关联关系分析，得到偏振角相位关联关系；

（5）根据偏振角相位关联关系，对反射光偏振角数据和退偏相位数据进行数据格式转换和数据融合，得到每个样品薄膜的偏振状态数据。

具体的，分别将多个样品薄膜放置于预置的椭偏仪。椭偏仪是一种高度精确的光学测量仪器，用于分析薄膜等材料的光学性质，如反射率、折射率和吸收系数。然后，分别对多个样品薄膜进行样品定位，得到每个样品薄膜的目标定位数据。定位过程包括确保薄膜平稳地放置在椭偏仪的测量平台上，并且其位置与仪器的光路系统正确对齐。接下来，根据这些目标定位数据，对椭偏仪进行参数标定，这包括设定椭偏仪的入射角度和第一波长范围。入射角度的设定需要考虑薄膜的光学特性，如薄膜的厚度和折射率，因为这些特性会影响光线在薄膜内部的传播和反射。第一波长范围的选择则基于薄膜对不同波长光的反应，这个范围应该足够广，以覆盖薄膜对光的主要反射和吸收特性。基于设定的入射角度和第一波长范围，对每个样品薄膜进行反射光偏振状态检测。椭偏仪通过分析从薄膜表面反射回来的光的偏振状态，提供关于薄膜光学性质的信息。这个过程中，椭偏仪采集了每个样品薄膜的反射光偏振角数据和退偏相位数据。偏振角数据提供了关于光波偏振状态变化的信息，而退偏相位数据则关联到光波相位变化的细节。这些数据共同构成了对薄膜光学特性的全面描述。然后，对这些收集到的反射光偏振角数据和退偏相位数据进行关联关系分析。这一步骤旨在理解偏振角和相位之间的相互依赖关系，以更准确地解释反射光的偏振状态。例如，某个特定的偏振角与特定的退偏相位值相关联，这种关联揭示了薄膜的特定光学特性，如特定波长下的吸收或反射特性。通过分析这些数据之间的关联，可以深入了解薄膜的物理结构和光学行为。根据偏振角相位关联关系，对收集到的反射光偏振角数据和退偏相位数据进行数据格式转换和数据融合，从而得到每个样品薄膜的偏振状态数据。数据格式的转换和融合是为了使数据能够被进一步的分析工具或模型更有效地处理。例如，可以将偏振角数据和退偏相位数据结合成一个复合数据集，这个数据集既包含了角度信息，也包含了相位信息，为全面理解薄膜的光学特性提供了更加丰富的信息。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）获取多个样品薄膜的薄膜特性参数和材料类型，并通过预置的光谱仪对多个样品薄膜进行设备校准和波长范围选取，得到第二波长范围；

（2）根据第二波长范围，通过光谱仪对多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的初始强度数据；

（3）分别对初始强度数据进行数据转换，得到每个样品薄膜的初始光谱数据；

（4）分别对初始光谱数据进行归一化处理和信号校正，得到标准光谱数据；

（5）分别对标准光谱数据进行光谱特征峰识别，得到每个样品薄膜的光谱特征峰集合，并对光谱特征峰集合进行数据格式转换，得到每个样品薄膜的反射光谱数据。

具体的，获取多个样品薄膜的特性参数和材料类型，因为不同的薄膜材料和特性会影响其对光的反射和吸收特性。例如，一种特定的半导体薄膜会对特定波长范围内的光具有高吸收率，而一种金属薄膜则在不同的波长范围内表现出不同的反射特性。接下来，通过预置的光谱仪对这些薄膜样品进行设备校准和波长范围的选取。设备校准确保光谱仪能够准确地测量光谱数据，而合适的波长范围选择则基于薄膜的光学特性。例如，如果薄膜主要吸收可见光范围内的光，那么光谱仪的波长范围应该设置为可见光区域，以确保能够捕捉到薄膜的光学响应。这种校准和选择过程是为了确保后续步骤中能够获取准确和有用的光谱数据。基于所选的第二波长范围，使用光谱仪对每个样品薄膜进行反射光谱扫描。这个步骤中，光谱仪测量了每个样品薄膜在特定波长下的反射光强度，从而得到每个样品薄膜的初始强度数据。这些数据是未经处理的原始数据，直接反映了薄膜在不同波长下的反射特性。例如，一个光谱峰表示薄膜在特定波长下的高反射率，这对于理解薄膜的光学特性至关重要。接下来，分别对初始强度数据进行数据转换，将初始强度数据转换为更有利于分析的光谱数据格式。例如，可以将强度数据转换为反射率数据，这样做使得数据更加直观和容易理解。转换后的数据能够更清楚地展示薄膜在不同波长下的光学行为，为后续分析提供了更丰富的信息。对这些转换后的初始光谱数据进行归一化处理和信号校正。归一化处理是为了消除不同样品间由于测量条件或样品大小不一致导致的数据变异，以确保不同样品之间的数据具有可比性。信号校正则是为了消除仪器噪声和测量误差的影响，提高数据的准确性和可靠性。例如，如果一个薄膜样品在测量过程中发生了轻微位移，这会导致测量数据的偏差；通过归一化和信号校正，可以减少这种偏差的影响。对这些标准化的光谱数据进行光谱特征峰的识别。通过数据分析技术，如峰值检测和曲线拟合，识别出反映薄膜光学特性的关键光谱特征峰。这些特征峰是后续分析的重点，它们包含了薄膜的重要光学信息。例如，一个尖锐的光谱峰表示薄膜在某个特定波长下具有显著的吸收或反射特性。识别出的光谱特征峰集合随后需要经过数据格式转换，这是为了将这些特征值转换为适合于进一步分析和模型建立的标准格式。通过这种转换，得到的每个样品薄膜的反射光谱数据不仅反映了薄膜的光学特性，还为进一步的分析和应用提供了重要的数据基础。

在一具体实施例中，执行步骤将偏振状态数据和反射光谱数据输入预置的初始光学薄膜厚度模型进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据的过程可以具体包括如下步骤：

（1）构建初始光学薄膜厚度模型，初始光学薄膜厚度模型包括：第一预测网络、第二预测网络以及输出层，第一预测网络包括三层LSTM单元和多变量线性回归预测层，第二预测网络包括：双层GRU单元和单变量线性回归预测层；

（2）根据薄膜特性参数和材料类型，对初始光学薄膜厚度模型进行模型参数初始化分析，得到初始模型参数集合；

（3）根据初始模型参数集合对初始光学薄膜厚度模型进行模型初始化配置；

（4）通过初始光学薄膜厚度模型，分别对偏振状态数据和反射光谱数据进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据。

具体的，构建一个初始光学薄膜厚度模型，该模型由两个预测网络和一个输出层组成。第一预测网络包含三层长短期记忆（LSTM）单元和多变量线性回归预测层，而第二预测网络由双层门控循环单元（GRU）和单变量线性回归预测层构成。第一预测网络中的LSTM单元适用于处理偏振状态数据。偏振状态数据往往包含时间序列信息，LSTM单元因其能够处理长期依赖关系而被广泛应用于此类数据。例如，偏振状态数据表明薄膜在不同光照条件下的行为。多变量线性回归预测层基于LSTM处理的数据，对薄膜厚度进行预测。第二预测网络中的GRU单元则用于处理反射光谱数据。这些数据通常包含了薄膜对不同波长光的反射强度信息，反映了薄膜的光学特性。GRU单元在处理此类数据时效率更高，适用于从复杂的光谱数据中提取关键特征。单变量线性回归层利用这些特征进行薄膜厚度的预测。然后，根据薄膜的特性参数和材料类型对模型进行参数初始化分析。不同类型的薄膜需要不同的模型参数来准确预测其厚度。例如，对于多层半导体材料，模型需要调整以识别和解释这些材料特有的光学特性，如在特定波长下的吸收峰。相反，对于反射性薄膜，模型需要调整以更好地处理这些材料的高反射特性。因此，参数初始化分析包括调整LSTM和GRU单元的权重，以及线性回归层的系数，以确保模型能够适应不同类型薄膜的特性。接下来，对初始光学薄膜厚度模型进行模型初始化配置。应用从参数初始化分析中获得的参数设置，确保模型各部分协调工作，以实现最佳的预测性能。例如，对于多层半导体材料的厚度预测，模型需要更多地依赖于偏振状态数据，因此LSTM单元的权重会被调高。相比之下，对于反射性薄膜，模型会更多地依赖于光谱数据，因此GRU单元的权重会相应增加。通过配置好的初始光学薄膜厚度模型，分别对偏振状态数据和反射光谱数据进行处理和分析，以预测每个样品薄膜的厚度。这一预测过程涉及到两种数据类型的综合分析和特征提取。例如，偏振状态数据揭示了薄膜在不同光照条件下的行为变化，而反射光谱数据则提供了关于薄膜在特定波长下的反射特性的信息。模型通过整合这些数据，生成了每个样品薄膜的薄膜厚度预测数据。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）通过初始光学薄膜厚度模型中的第一预测网络接收偏振状态数据，并通过初始光学薄膜厚度模型中的第二预测网络接收反射光谱数据；

（2）通过第一预测网络中的三层LSTM单元对偏振状态数据进行偏振特征提取，得到偏振角及相位特征向量，并通过多变量线性回归预测层对偏振角及相位特征向量进行薄膜厚度预测，得到每个样品薄膜的第一厚度预测数据；

（3）通过第二预测网络中的双层GRU单元对反射光谱数据进行反射光谱特征提取，得到反射光谱特征向量，并通过单变量线性回归预测层对反射光谱特征向量进行薄膜厚度预测，得到每个样品薄膜的第二厚度预测数据；

（4）对初始模型参数集合进行权重数据提取，得到第一预测网络的第一权重数据以及第二预测网络的第二权重数据；

（5）根据第一权重数据对第一厚度预测数据进行加权运算，得到第一加权预测数据，并根据第二权重数据对第二厚度预测数据进行加权运算，得到第二加权预测数据；

（6）对第一加权预测数据和第二加权预测数据进行求和运算，得到每个样品薄膜的薄膜厚度预测数据。

具体的，通过初始光学薄膜厚度模型中的第一预测网络接收偏振状态数据，并通过初始光学薄膜厚度模型中的第二预测网络接收反射光谱数据。初始模型的第一预测网络接收偏振状态数据。这些数据通常包含关于薄膜对光波偏振状态的响应信息，例如，偏振光通过特定薄膜时会发生偏振角度和相位的变化。这些变化反映了薄膜的光学特性，如折射率和厚度。第一预测网络利用其内部的三层LSTM单元对偏振状态数据进行深入分析。LSTM单元适合于处理时间序列数据，它们能够从偏振状态数据中提取出关键的时序特征。例如，如果服务器在测量一系列不同厚度的半导体薄膜，LSTM单元可以识别出偏振状态随薄膜厚度变化的模式。然后，通过多变量线性回归预测层，这些提取出的偏振角度和相位特征被转换为薄膜的厚度预测，形成每个样品薄膜的第一厚度预测数据。第二预测网络接收反射光谱数据。这些数据提供了关于薄膜如何影响不同波长光的反射信息，是理解薄膜光学特性的关键。在第二预测网络中，双层GRU单元对这些反射光谱数据进行分析，提取出反射光谱的关键特征。例如，对于某种特殊的反射性涂层薄膜，GRU单元会识别出在特定波长范围内的反射峰，这些峰值反映了薄膜的光学性质。单变量线性回归预测层将这些特征转换为薄膜厚度的预测值，得到每个样品薄膜的第二厚度预测数据。然后，从初始模型参数集合中提取权重数据。这些权重数据反映了第一和第二预测网络在薄膜厚度预测中的相对重要性。例如，如果第一预测网络对厚度预测更为关键，则第一权重数据将相应较大。根据这些权重数据对第一和第二厚度预测数据进行加权运算。每个预测数据都会根据其相应的权重进行调整，以反映不同预测网络的重要性。通过这种加权运算，服务器得到第一和第二加权预测数据。将这两组加权预测数据进行求和运算，以得到每个样品薄膜的最终薄膜厚度预测数据。这个求和过程实际上是综合了偏振状态数据和反射光谱数据的预测结果，提供了一个全面的薄膜厚度评估。例如，如果一个薄膜样品的偏振状态预测和反射光谱预测都指向相似的厚度值，则这种一致性会在最终的求和运算中得到体现，从而增强预测结果的可信度。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）通过预置的MSE误差函数，对薄膜厚度预测数据和薄膜厚度标签数据进行误差计算，得到模型预测误差数据；

（2）根据模型预测误差数据，对初始模型参数集合进行模型参数范围标定，得到多个模型参数范围；

（3）基于多个模型参数范围，对初始光学薄膜厚度模型进行随机参数生成，得到第一模型参数集合；

（4）通过预置的遗传算法，对第一模型参数集合进行模型参数优化，得到最优模型参数集合；

（5）通过模型参数集合，对初始光学薄膜厚度模型进行模型参数更新，得到目标光学薄膜厚度模型。

具体的，使用预置的均方误差（MSE）误差函数对薄膜厚度预测数据和薄膜厚度标签数据进行误差计算。MSE误差函数是一种常用的性能评价指标，用于衡量预测值与实际值之间的差异。服务器计算每个样品薄膜的预测厚度与其实际厚度之间的平方差，然后计算这些差异的平均值。根据模型预测误差数据，对初始模型参数集合进行模型参数范围标定。分析模型的哪些参数对预测误差产生了较大的影响，并据此确定这些参数的最佳调整范围。这些范围定义了参数优化的搜索空间，从而指导接下来的参数调整。例如，如果发现模型在某个特定波长范围内的预测性能较差，需要调整与该波长范围相关的参数。接下来，基于这些确定的模型参数范围，对初始光学薄膜厚度模型进行随机参数生成，以形成第一模型参数集合。在每个参数的确定范围内随机生成参数值，以探索不同的参数组合。这种随机生成的方法有助于避免局部最优解，从而提高找到全局最优解的性。通过预置的遗传算法对第一模型参数集合进行模型参数优化，以寻找最优模型参数集合。遗传算法是一种基于自然选择和遗传学原理的优化算法，它模拟了生物进化的过程。在这个过程中，各种参数组合（类似于“种群”）被评估（“适应度”），优秀的参数组合被保留并繁殖，而较差的参数组合则被淘汰。通过交叉和变异等操作，算法在多代中不断优化参数组合。例如，遗传算法会选择那些使预测误差最小化的参数组合，并在后续的迭代中对这些组合进行改进。通过这些优化后的模型参数集合，对初始光学薄膜厚度模型进行参数更新，得到目标光学薄膜厚度模型。将遗传算法确定的最优参数应用于模型，从而提高模型的预测准确性。例如，更新后的参数会改善模型在特定波长范围内的预测能力，从而提供更准确的厚度预测。

在一具体实施例中，执行步骤通过预置的遗传算法，对第一模型参数集合进行模型参数优化，得到最优模型参数集合的过程可以具体包括如下步骤：

（1）通过预置的遗传算法，对第一模型参数集合进行参数群体初始化，得到初始模型参数群体，初始模型参数群体包括多个第二模型参数集合；

（2）获取初始光学薄膜厚度模型的模型评价指标，并根据模型评价指标定义目标适应度函数，通过目标适应度函数分别计算每个第二模型参数集合的适应度数据；

（3）根据适应度数据，对多个第二模型参数集合进行群体分割，得到多个目标模型参数群体；

（4）对多个目标模型参数群体进行遗传和变异，得到多个候选模型参数集合，并对多个候选模型参数集合进行最优化分析，得到最优模型参数集合。

具体的，通过预置的遗传算法，对第一模型参数集合进行参数群体初始化，得到初始模型参数群体，初始模型参数群体包括多个第二模型参数集合，每个集合代表了一个潜在的解决方案。例如，初始模型参数群体包括不同的网络结构、学习率、正则化参数等。这些参数集合的多样性确保了解决方案空间得到充分探索，从而增加了找到高效解决方案的性。接下来，获取初始光学薄膜厚度模型的模型评价指标，以此为基础定义目标适应度函数。适应度函数是评估每个参数集合性能的关键，它决定了哪些参数集合更适合解决特定问题。例如，如果评价指标是预测准确率和计算效率，那么适应度函数会综合这两方面，以评估每个参数集合的整体性能。之后，根据计算出的适应度数据，对多个第二模型参数集合进行群体分割，形成多个目标模型参数群体。这个过程类似于自然选择，其中表现较好的参数集合被保留和分组，而表现较差的则被淘汰。对这些目标模型参数群体进行遗传和变异操作。遗传操作包括交叉和复制，它们模拟生物进化中的繁殖过程，将优秀的特征从一代传递到下一代。变异操作则引入新的特征，以增加群体的多样性和创新性。例如，交叉操作会结合两个参数集合的特点，形成一个新的、更有效的参数组合，而变异会随机改变某些参数，以探索之前未考虑的解决方案。对这些经过遗传和变异操作生成的候选模型参数集合进行最优化分析。这个过程包括评估每个候选集合的性能，选择表现最好的集合作为最优模型参数集合。

上面对本申请实施例中光学薄膜厚度模型的建立方法进行了描述，下面对本申请实施例中光学薄膜厚度模型的建立装置进行描述，请参阅图2，本申请实施例中光学薄膜厚度模型的建立装置一个实施例包括：

分析模块201，用于对多个样品薄膜进行反射光偏振状态分析，得到每个样品薄膜的偏振状态数据；

扫描模块202，用于对所述多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的反射光谱数据；

测量模块203，用于对所述多个样品薄膜进行薄膜厚度测量，得到每个样品薄膜的薄膜厚度标签数据；

预测模块204，用于将所述偏振状态数据和所述反射光谱数据输入预置的初始光学薄膜厚度模型进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据；

优化模块205，用于对所述薄膜厚度预测数据和所述薄膜厚度标签数据进行误差计算，得到模型预测误差数据，并根据所述模型预测误差数据对所述初始光学薄膜厚度模型进行模型参数优化，得到目标光学薄膜厚度模型。

通过上述各个组成部分的协同合作，通过同时利用偏振状态数据和反射光谱数据，能够更全面地理解和预测薄膜的光学特性，从而提高厚度预测的准确性。通过计算预测数据和实际厚度数据的误差，可以精确评估模型的性能，确保结果的可靠性。从数据采集到分析的整个过程可以自动化进行，提高处理效率，减少人为错误。偏振数据和光谱数据的融合使得模型能够综合不同来源的信息，提升数据利用率。模型考虑了薄膜的特性参数和材料类型，使其具有良好的适应性和灵活性。利用深度学习技术，LSTM和GRU网络，可以更有效地处理复杂的数据模式和关系。这些技术能够捕捉到数据中的非线性关系，从而提高预测准确性。通过对实验数据进行详细分析并结合机器学习模型，提供了一种数据驱动的决策过程。通过采用MSE误差函数和遗传算法，能够对模型进行持续优化和自适应调整。这意味着模型可以随着更多数据的积累而逐渐改进，从而在长期应用中保持高效和准确。通过预测模型提供的准确厚度估计，可以减少对实验测量的依赖，从而节省时间和成本，进而提高了薄膜厚度的检测准确率。

本申请还提供一种光学薄膜厚度模型的建立设备，所述光学薄膜厚度模型的建立设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述光学薄膜厚度模型的建立方法的步骤。

本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述光学薄膜厚度模型的建立方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种光学薄膜厚度模型的建立方法，其特征在于，所述光学薄膜厚度模型的建立方法包括：

对多个样品薄膜进行反射光偏振状态分析，得到每个样品薄膜的偏振状态数据；

对所述多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的反射光谱数据；具体包括：获取所述多个样品薄膜的薄膜特性参数和材料类型，并通过预置的光谱仪对所述多个样品薄膜进行设备校准和波长范围选取，得到第二波长范围；根据所述第二波长范围，通过所述光谱仪对所述多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的初始强度数据；分别对所述初始强度数据进行数据转换，得到每个样品薄膜的初始光谱数据；分别对所述初始光谱数据进行归一化处理和信号校正，得到标准光谱数据；分别对所述标准光谱数据进行光谱特征峰识别，得到每个样品薄膜的光谱特征峰集合，并对所述光谱特征峰集合进行数据格式转换，得到每个样品薄膜的反射光谱数据；

对所述多个样品薄膜进行薄膜厚度测量，得到每个样品薄膜的薄膜厚度标签数据；

将所述偏振状态数据和所述反射光谱数据输入预置的初始光学薄膜厚度模型进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据；具体包括：构建初始光学薄膜厚度模型，所述初始光学薄膜厚度模型包括：第一预测网络、第二预测网络以及输出层，所述第一预测网络包括三层LSTM单元和多变量线性回归预测层，所述第二预测网络包括：双层GRU单元和单变量线性回归预测层；根据所述薄膜特性参数和所述材料类型，对所述初始光学薄膜厚度模型进行模型参数初始化分析，得到初始模型参数集合；根据所述初始模型参数集合对所述初始光学薄膜厚度模型进行模型初始化配置；通过所述初始光学薄膜厚度模型，分别对所述偏振状态数据和所述反射光谱数据进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据；

对所述薄膜厚度预测数据和所述薄膜厚度标签数据进行误差计算，得到模型预测误差数据，并根据所述模型预测误差数据对所述初始光学薄膜厚度模型进行模型参数优化，得到目标光学薄膜厚度模型。

2.根据权利要求1所述的光学薄膜厚度模型的建立方法，其特征在于，所述对多个样品薄膜进行反射光偏振状态分析，得到每个样品薄膜的偏振状态数据，包括：

分别将多个样品薄膜放置于预置的椭偏仪，并分别对所述多个样品薄膜进行样品定位，得到每个样品薄膜的目标定位数据；

根据所述目标定位数据，对所述椭偏仪进行参数标定，得到所述椭偏仪的入射角度和第一波长范围；

根据所述入射角度和所述第一波长范围分别对所述多个样品薄膜进行反射光偏振状态检测，并通过所述椭偏仪采集每个样品薄膜的反射光偏振角数据和退偏相位数据；

对所述反射光偏振角数据和所述退偏相位数据进行关联关系分析，得到偏振角相位关联关系；

根据所述偏振角相位关联关系，对所述反射光偏振角数据和所述退偏相位数据进行数据格式转换和数据融合，得到每个样品薄膜的偏振状态数据。

3.根据权利要求1所述的光学薄膜厚度模型的建立方法，其特征在于，所述通过所述初始光学薄膜厚度模型，分别对所述偏振状态数据和所述反射光谱数据进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据，包括：

通过所述初始光学薄膜厚度模型中的第一预测网络接收所述偏振状态数据，并通过所述初始光学薄膜厚度模型中的第二预测网络接收所述反射光谱数据；

通过所述第一预测网络中的三层LSTM单元对所述偏振状态数据进行偏振特征提取，得到偏振角及相位特征向量，并通过所述多变量线性回归预测层对所述偏振角及相位特征向量进行薄膜厚度预测，得到每个样品薄膜的第一厚度预测数据；

通过所述第二预测网络中的双层GRU单元对所述反射光谱数据进行反射光谱特征提取，得到反射光谱特征向量，并通过所述单变量线性回归预测层对所述反射光谱特征向量进行薄膜厚度预测，得到每个样品薄膜的第二厚度预测数据；

对所述初始模型参数集合进行权重数据提取，得到所述第一预测网络的第一权重数据以及所述第二预测网络的第二权重数据；

根据所述第一权重数据对所述第一厚度预测数据进行加权运算，得到第一加权预测数据，并根据所述第二权重数据对所述第二厚度预测数据进行加权运算，得到第二加权预测数据；

对所述第一加权预测数据和所述第二加权预测数据进行求和运算，得到每个样品薄膜的薄膜厚度预测数据。

4.根据权利要求1所述的光学薄膜厚度模型的建立方法，其特征在于，所述对所述薄膜厚度预测数据和所述薄膜厚度标签数据进行误差计算，得到模型预测误差数据，并根据所述模型预测误差数据对所述初始光学薄膜厚度模型进行模型参数优化，得到目标光学薄膜厚度模型，包括：

通过预置的MSE误差函数，对所述薄膜厚度预测数据和所述薄膜厚度标签数据进行误差计算，得到模型预测误差数据；

根据所述模型预测误差数据，对所述初始模型参数集合进行模型参数范围标定，得到多个模型参数范围；

基于所述多个模型参数范围，对所述初始光学薄膜厚度模型进行随机参数生成，得到第一模型参数集合；

通过预置的遗传算法，对所述第一模型参数集合进行模型参数优化，得到最优模型参数集合；

通过所述模型参数集合，对所述初始光学薄膜厚度模型进行模型参数更新，得到目标光学薄膜厚度模型。

5.根据权利要求4所述的光学薄膜厚度模型的建立方法，其特征在于，所述通过预置的遗传算法，对所述第一模型参数集合进行模型参数优化，得到最优模型参数集合，包括：

通过预置的遗传算法，对所述第一模型参数集合进行参数群体初始化，得到初始模型参数群体，所述初始模型参数群体包括多个第二模型参数集合；

获取所述初始光学薄膜厚度模型的模型评价指标，并根据所述模型评价指标定义目标适应度函数，通过所述目标适应度函数分别计算每个第二模型参数集合的适应度数据；

根据所述适应度数据，对所述多个第二模型参数集合进行群体分割，得到多个目标模型参数群体；

对所述多个目标模型参数群体进行遗传和变异，得到多个候选模型参数集合，并对所述多个候选模型参数集合进行最优化分析，得到最优模型参数集合。

6.一种光学薄膜厚度模型的建立装置，其特征在于，所述光学薄膜厚度模型的建立装置包括：

分析模块，用于对多个样品薄膜进行反射光偏振状态分析，得到每个样品薄膜的偏振状态数据；

扫描模块，用于对所述多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的反射光谱数据；具体包括：获取所述多个样品薄膜的薄膜特性参数和材料类型，并通过预置的光谱仪对所述多个样品薄膜进行设备校准和波长范围选取，得到第二波长范围；根据所述第二波长范围，通过所述光谱仪对所述多个样品薄膜进行反射光谱扫描，得到每个样品薄膜的初始强度数据；分别对所述初始强度数据进行数据转换，得到每个样品薄膜的初始光谱数据；分别对所述初始光谱数据进行归一化处理和信号校正，得到标准光谱数据；分别对所述标准光谱数据进行光谱特征峰识别，得到每个样品薄膜的光谱特征峰集合，并对所述光谱特征峰集合进行数据格式转换，得到每个样品薄膜的反射光谱数据；

测量模块，用于对所述多个样品薄膜进行薄膜厚度测量，得到每个样品薄膜的薄膜厚度标签数据；

预测模块，用于将所述偏振状态数据和所述反射光谱数据输入预置的初始光学薄膜厚度模型进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据；具体包括：构建初始光学薄膜厚度模型，所述初始光学薄膜厚度模型包括：第一预测网络、第二预测网络以及输出层，所述第一预测网络包括三层LSTM单元和多变量线性回归预测层，所述第二预测网络包括：双层GRU单元和单变量线性回归预测层；根据所述薄膜特性参数和所述材料类型，对所述初始光学薄膜厚度模型进行模型参数初始化分析，得到初始模型参数集合；根据所述初始模型参数集合对所述初始光学薄膜厚度模型进行模型初始化配置；通过所述初始光学薄膜厚度模型，分别对所述偏振状态数据和所述反射光谱数据进行薄膜厚度预测，得到每个样品薄膜的薄膜厚度预测数据；

优化模块，用于对所述薄膜厚度预测数据和所述薄膜厚度标签数据进行误差计算，得到模型预测误差数据，并根据所述模型预测误差数据对所述初始光学薄膜厚度模型进行模型参数优化，得到目标光学薄膜厚度模型。

7.一种光学薄膜厚度模型的建立设备，其特征在于，所述光学薄膜厚度模型的建立设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述光学薄膜厚度模型的建立设备执行如权利要求1-5中任一项所述的光学薄膜厚度模型的建立方法。

8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的光学薄膜厚度模型的建立方法。