Zur Verbesserung der Stabilität von Filmdickenmessungen für spektrale Daten mit niedrigem Signal-Rausch-Verhältnis wird eine Messmethode auf der Basis eines neuronalen Netzwerks mit Selbst-Aufmerksamkeit (SANN) vorgeschlagen. Da traditionelle Fourier-Transformationsmethoden das Hauptgeräuschkomponente überdecken können, wenn das Signal-Rausch-Verhältnis niedrig ist, ist es schwierig, Informationen zur Dicke präzise zu extrahieren. Daher wurde ein Modell eines neuronalen Netzwerks mit Selbst-Aufmerksamkeit aufgebaut, das die spektralen Daten als Eingabe und die Filmdicke als Ausgabe verwendet und dabei einen adaptiven Aufmerksamkeitsmechanismus einsetzt, um dynamische Gewichte verschiedenen spektralen Punkten zuzuweisen, um die Analysefähigkeit von spektralen Daten mit niedrigem Signal-Rausch-Verhältnis zu verbessern. Experimentelle Daten wurden mit einem Messsystem für Filmdicken durch optische Interferometrie gesammelt und mit einer Strategie zur dynamischen Wellenlängenverschiebung und zur Normalisierung der Lichtintensität zur Erweiterung des Trainingssatzes und zur Verbesserung der Modellgeneralisierung verwendet. Dieses System optimierte die Anzahl der Schichten des Selbst-Aufmerksamkeitscodierers und die Anzahl der versteckten Knoten, und schließlich wurde ein Modell mit 8 Schichten Codierer und 128 versteckten Knoten pro Schicht ausgewählt. Zur Validierung wurde ein Siliziumwafer verwendet und ein Datensatz mit abweichenden Werten im Spektrum getestet. Die Ergebnisse zeigen, dass dieses Modell einen maximalen relativen Messfehler der Dicke im Testset mit niedrigem Signal-Rausch-Verhältnis von 3,62% erreicht, was beweist, dass diese Methode die Auswirkungen von Rauschen effektiv unterdrücken kann, verbreitete Abweichungen von abweichenden Werten in Fourier-Transformationsmethoden vermeidet und die Messstabilität signifikant verbessert. Diese Methode kann auf eine breitere Anwendung in der Dickenmessung von Filmen erweitert werden.

Interferometrische Messung; Siliziumdicke; Spektrale Interferometrie; Neuronale Netzwerke mit Selbst-Aufmerksamkeit; Rauschunterdrückungsfähigkeit; Messstabilität