一种基于多物理场仿真与机器学习的等离子体腔室硬件逆向优化方法

著录项目

摘要

本发明公开了一种基于多物理场仿真与机器学习的等离子体腔室硬件逆向优化方法，包括：从等离子体反应腔室中提取硬件参数，在多物理场仿真生成的数据集上训练可微的人工神经网络代理模型，使其学习硬件参数到工艺响应指标的正向映射；训练完成后固定网络权重，以目标工艺指标为约束构建损失函数，利用神经网络的反向传播机制对硬件参数计算解析梯度并迭代更新，直至损失函数收敛，输出满足目标性能的最优硬件参数配置。本发明将神经网络的反向传播能力应用于硬件几何参数的逆向推断，无需重新训练或调用仿真，实现了从正向预测到逆向寻优的统一框架，显著提高了等离子体腔室硬件设计的效率与精度。

附图

附图 1