本發(fā)明涉及測(cè)量，特別是涉及一種虛擬測(cè)量方法、產(chǎn)品、設(shè)備及介質(zhì)。

背景技術(shù)：

1、近年來，化學(xué)機(jī)械拋光（chemical?mechanical?polishing，cmp）技術(shù)的發(fā)展與競(jìng)爭(zhēng)已成為科研界和產(chǎn)業(yè)界關(guān)注的焦點(diǎn)。作為許多精密制造工藝中的關(guān)鍵步驟，cmp技術(shù)在生產(chǎn)生活中應(yīng)用廣泛。在cmp工藝中，材料去除率（material?removal?rate，mrr）是衡量工藝質(zhì)量的重要指標(biāo)。mrr表示單位時(shí)間內(nèi)從材料表面去除的材料量，是評(píng)估拋光效果的關(guān)鍵參數(shù)。然而，實(shí)時(shí)準(zhǔn)確測(cè)量mrr具有挑戰(zhàn)性，因?yàn)橹苯訙y(cè)量可能會(huì)損壞材料表面。因此，采用虛擬測(cè)量（virtual?measurement，vm）技術(shù)來間接估算mrr是可行的。

2、在cmp技術(shù)的應(yīng)用領(lǐng)域中，存在vm方法利用機(jī)器學(xué)習(xí)和統(tǒng)計(jì)分析技術(shù)來建立mrr的預(yù)測(cè)模型。通過分析大量歷史數(shù)據(jù)來提取與mrr相關(guān)的特征，并使用回歸算法來預(yù)測(cè)mrr。然而，在基于特征提取和特征選擇的vm方法中，特征選擇和回歸預(yù)測(cè)兩個(gè)步驟采用不同算法，可能導(dǎo)致選取的特征與回歸模型不完全匹配，引入了不確定性。

3、鑒于上述問題，如何解決目前基于特征提取和特征選擇的vm方法中，特征選擇和回歸預(yù)測(cè)兩個(gè)步驟采用不同算法，導(dǎo)致選取的特征與回歸模型不完全匹配，引入了不確定性，是該領(lǐng)域技術(shù)人員亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種虛擬測(cè)量方法、產(chǎn)品、設(shè)備及介質(zhì)，以解決目前基于特征提取和特征選擇的vm方法中，特征選擇和回歸預(yù)測(cè)兩個(gè)步驟采用不同算法，導(dǎo)致選取的特征與回歸模型不完全匹配，引入了不確定性的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供一種虛擬測(cè)量方法，包括：

3、獲取影響目標(biāo)材料的拋光質(zhì)量的各目標(biāo)拋光工藝變量；

4、將各所述目標(biāo)拋光工藝變量輸入至虛擬測(cè)量模型中，以輸出所述目標(biāo)材料對(duì)應(yīng)的目標(biāo)材料去除率；

5、其中，所述虛擬測(cè)量模型的構(gòu)建過程包括：將各拋光工藝變量映射為映射特征；所述映射特征保留了對(duì)應(yīng)所述拋光工藝變量的數(shù)學(xué)含義；根據(jù)所述映射特征和可解釋點(diǎn)積注意力機(jī)制確定點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果；根據(jù)所述點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果構(gòu)建回歸采樣卷積交互模型。

6、一方面，將各所述拋光工藝變量映射為所述映射特征，包括：

7、將訓(xùn)練數(shù)據(jù)集中的各所述拋光工藝變量映射至特征空間；

8、確定所述特征空間中各所述拋光工藝變量對(duì)應(yīng)的位置，以生成所述映射特征。

9、另一方面，根據(jù)所述映射特征和可解釋點(diǎn)積注意力機(jī)制確定所述點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果，包括：

10、根據(jù)所述映射特征獲取可解釋點(diǎn)積注意力機(jī)制的查詢、鍵和值；其中，可解釋點(diǎn)積注意力機(jī)制的查詢、鍵和值保留有所述拋光工藝變量的數(shù)學(xué)含義；

11、根據(jù)可解釋點(diǎn)積注意力機(jī)制的查詢、鍵和值，獲取可解釋注意力權(quán)重分布矩陣和所述點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果。

12、另一方面，根據(jù)所述點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果構(gòu)建所述回歸采樣卷積交互模型，包括：

13、根據(jù)所述點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果構(gòu)建基于二叉樹結(jié)構(gòu)的所述回歸采樣卷積交互模型；其中，所述二叉樹結(jié)構(gòu)的各節(jié)點(diǎn)均包含完整的輸入特征；

14、確定所述回歸采樣卷積交互模型輸出的單一值，以完成所述虛擬測(cè)量模型的構(gòu)建。

15、另一方面，確定所述特征空間中各所述拋光工藝變量對(duì)應(yīng)的位置，以生成所述映射特征，包括：

16、基于各所述拋光工藝變量提取初級(jí)特征及其對(duì)應(yīng)的特征維度；

17、根據(jù)各所述初級(jí)特征及其對(duì)應(yīng)的所述特征維度，獲取各所述初級(jí)特征在對(duì)應(yīng)所述特征維度上的位置；

18、將各所述初級(jí)特征與其在對(duì)應(yīng)所述特征維度上的位置進(jìn)行加和，以得到各所述拋光工藝變量的所述映射特征。

19、另一方面，根據(jù)所述映射特征獲取可解釋點(diǎn)積注意力機(jī)制的查詢、鍵和值，包括：

20、設(shè)置三個(gè)一維卷積濾波器；所述一維卷積濾波器的核寬度和步長均為1；

21、將所述映射特征分別輸入至三個(gè)一維卷積濾波器中，以分別得到可解釋點(diǎn)積注意力機(jī)制的查詢、鍵和值。

22、另一方面，根據(jù)可解釋點(diǎn)積注意力機(jī)制的查詢、鍵和值，獲取可解釋注意力權(quán)重分布矩陣和所述點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果，包括：

23、確定可解釋點(diǎn)積注意力機(jī)制的查詢和鍵二者的乘積，以得到所述可解釋注意力權(quán)重分布矩陣；

24、確定所述可解釋注意力權(quán)重分布矩陣與可解釋點(diǎn)積注意力機(jī)制的值二者的乘積，以得到所述點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果。

25、另一方面，根據(jù)所述點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果構(gòu)建基于二叉樹結(jié)構(gòu)的所述回歸采樣卷積交互模型，包括：

26、對(duì)所述點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果進(jìn)行復(fù)制，以得到作為首層二叉樹節(jié)點(diǎn)輸入的第一副本和第二副本；

27、根據(jù)第一副本和第二副本確定當(dāng)前層二叉樹節(jié)點(diǎn)的加權(quán)特征輸出結(jié)果；

28、對(duì)所述加權(quán)特征輸出結(jié)果進(jìn)行復(fù)制，以得到作為下一層二叉樹節(jié)點(diǎn)輸入第一副本和第二副本；

29、返回至根據(jù)第一副本和第二副本確定當(dāng)前層二叉樹節(jié)點(diǎn)的加權(quán)特征輸出結(jié)果的步驟，直至二叉樹結(jié)構(gòu)達(dá)到預(yù)設(shè)層數(shù)得到所述回歸采樣卷積交互模型。

30、另一方面，根據(jù)第一副本和第二副本確定當(dāng)前層二叉樹節(jié)點(diǎn)的加權(quán)特征輸出結(jié)果，包括：

31、對(duì)第一副本和第二副本分別進(jìn)行卷積操作，以生成第一副本對(duì)應(yīng)的卷積結(jié)果和第二副本對(duì)應(yīng)的卷積結(jié)果；

32、對(duì)第一副本對(duì)應(yīng)的卷積結(jié)果和第二副本對(duì)應(yīng)的卷積結(jié)果分別進(jìn)行指數(shù)運(yùn)算，以生成第一副本對(duì)應(yīng)的指數(shù)結(jié)果和第二副本對(duì)應(yīng)的指數(shù)結(jié)果；

33、根據(jù)第一副本及其對(duì)應(yīng)的指數(shù)結(jié)果，和第二副本及其對(duì)應(yīng)的指數(shù)結(jié)果，生成當(dāng)前層二叉樹節(jié)點(diǎn)的所述加權(quán)特征輸出結(jié)果。

34、另一方面，對(duì)第一副本和第二副本分別進(jìn)行卷積操作，以生成第一副本對(duì)應(yīng)的卷積結(jié)果和第二副本對(duì)應(yīng)的卷積結(jié)果，包括：

35、通過第一一維卷積模塊對(duì)第一副本進(jìn)行一維卷積操作得到第一卷積結(jié)果；

36、通過第二一維卷積模塊對(duì)第二副本進(jìn)行一維卷積操作得到第二卷積結(jié)果；

37、對(duì)應(yīng)地，對(duì)第一副本對(duì)應(yīng)的卷積結(jié)果和第二副本對(duì)應(yīng)的卷積結(jié)果分別進(jìn)行指數(shù)運(yùn)算，以生成第一副本對(duì)應(yīng)的指數(shù)結(jié)果和第二副本對(duì)應(yīng)的指數(shù)結(jié)果，包括：

38、對(duì)所述第一卷積結(jié)果應(yīng)用自然指數(shù)函數(shù)得到第一指數(shù)結(jié)果；

39、對(duì)所述第二卷積結(jié)果應(yīng)用自然指數(shù)函數(shù)得到第二指數(shù)結(jié)果。

40、另一方面，根據(jù)第一副本及其對(duì)應(yīng)的指數(shù)結(jié)果，和第二副本及其對(duì)應(yīng)的指數(shù)結(jié)果，生成當(dāng)前層二叉樹節(jié)點(diǎn)的所述加權(quán)特征輸出結(jié)果，包括：

41、對(duì)第一副本和所述第二指數(shù)結(jié)果進(jìn)行哈達(dá)瑪積運(yùn)算，以得到第一過程量；

42、對(duì)第二副本和所述第一指數(shù)結(jié)果進(jìn)行哈達(dá)瑪積運(yùn)算，以得到第二過程量；

43、通過第四一維卷積模塊對(duì)所述第二過程量進(jìn)行一維卷積操作得到第四卷積結(jié)果，并將所述第一過程量與所述第四卷積結(jié)果加和，以得到第一加權(quán)特征輸出結(jié)果；

44、通過第三一維卷積模塊對(duì)所述第一過程量進(jìn)行一維卷積操作得到第三卷積結(jié)果，并將所述第二過程量與所述第三卷積結(jié)果作差，以得到第二加權(quán)特征輸出結(jié)果。

45、另一方面，所述第一一維卷積模塊、所述第二一維卷積模塊、所述第三一維卷積模塊和所述第四一維卷積模塊的結(jié)構(gòu)均相同，依次由雙曲正切激活函數(shù)、一維卷積層、隨機(jī)損失層、泄漏線性整流激活函數(shù)和一維卷積層構(gòu)成。

46、另一方面，確定所述回歸采樣卷積交互模型輸出的單一值，以完成所述虛擬測(cè)量模型的構(gòu)建，包括：

47、將所述回歸采樣卷積交互模型對(duì)應(yīng)的多個(gè)特征矩陣進(jìn)行拼接，以得到拼接矩陣；其中，所述回歸采樣卷積交互模型對(duì)應(yīng)的各特征矩陣的大小與所述映射特征的大小相等；

48、將所述拼接矩陣進(jìn)行全連接層堆疊后求取矩陣平均值，以得到所述單一值，完成所述虛擬測(cè)量模型的構(gòu)建。

49、另一方面，所述虛擬測(cè)量模型的訓(xùn)練過程包括：

50、獲取由多個(gè)拋光工藝變量及其對(duì)應(yīng)的材料去除率構(gòu)成的訓(xùn)練數(shù)據(jù)集；

51、根據(jù)所述訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)對(duì)所述虛擬測(cè)量模型進(jìn)行訓(xùn)練，直至所述虛擬測(cè)量模型收斂，以得到所述虛擬測(cè)量模型。

52、另一方面，在根據(jù)所述訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)對(duì)所述虛擬測(cè)量模型進(jìn)行訓(xùn)練，直至所述虛擬測(cè)量模型收斂之后，還包括：

53、獲取由多個(gè)拋光工藝變量及其對(duì)應(yīng)的材料去除率構(gòu)成的測(cè)試數(shù)據(jù)集；

54、獲取當(dāng)前的所述虛擬測(cè)量模型對(duì)應(yīng)的可解釋注意力權(quán)重分布矩陣；

55、根據(jù)所述測(cè)試數(shù)據(jù)集中的數(shù)據(jù)對(duì)當(dāng)前的所述虛擬測(cè)量模型進(jìn)行測(cè)試，以獲取虛擬測(cè)量精度；

56、判斷所述虛擬測(cè)量精度是否達(dá)到預(yù)設(shè)精度值；

57、若否，則根據(jù)所述可解釋注意力權(quán)重分布矩陣在所述訓(xùn)練數(shù)據(jù)集中篩選數(shù)據(jù)以得到新的所述訓(xùn)練數(shù)據(jù)集，并返回至根據(jù)所述訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)對(duì)所述虛擬測(cè)量模型進(jìn)行訓(xùn)練的步驟；

58、若是，將當(dāng)前的所述虛擬測(cè)量模型作為最終的所述虛擬測(cè)量模型。

59、另一方面，在將各所述目標(biāo)拋光工藝變量輸入至所述虛擬測(cè)量模型中，以輸出所述目標(biāo)材料對(duì)應(yīng)的目標(biāo)材料去除率之后，還包括：

60、將所述目標(biāo)拋光工藝變量與對(duì)應(yīng)的所述目標(biāo)材料去除率存儲(chǔ)至訓(xùn)練數(shù)據(jù)集中，以更新所述訓(xùn)練數(shù)據(jù)集；

61、基于更新后的所述訓(xùn)練數(shù)據(jù)集對(duì)所述虛擬測(cè)量模型進(jìn)行再次訓(xùn)練。

62、為解決上述技術(shù)問題，本發(fā)明還提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序或指令，該計(jì)算機(jī)程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述虛擬測(cè)量方法的步驟。

63、為解決上述技術(shù)問題，本發(fā)明還提供一種虛擬測(cè)量設(shè)備，包括：

64、存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；

65、處理器，用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的虛擬測(cè)量方法的步驟。

66、為解決上述技術(shù)問題，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的虛擬測(cè)量方法的步驟。

67、本發(fā)明所提供的虛擬測(cè)量方法，獲取影響目標(biāo)材料的拋光質(zhì)量的各目標(biāo)拋光工藝變量；將各目標(biāo)拋光工藝變量輸入至虛擬測(cè)量模型中，以輸出目標(biāo)材料對(duì)應(yīng)的目標(biāo)材料去除率；其中，虛擬測(cè)量模型的構(gòu)建過程包括：將各拋光工藝變量映射為映射特征；映射特征保留了對(duì)應(yīng)拋光工藝變量的數(shù)學(xué)含義；根據(jù)映射特征和可解釋點(diǎn)積注意力機(jī)制確定點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果；根據(jù)點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果構(gòu)建回歸采樣卷積交互模型。

68、本發(fā)明的有益效果在于，提供了一種用于材料去除率預(yù)測(cè)的虛擬測(cè)量模型，具體根據(jù)多個(gè)拋光工藝變量及其對(duì)應(yīng)的材料去除率，依次通過特征映射、基于可解釋點(diǎn)積注意力機(jī)制的特征輸出和基于回歸采樣卷積交互機(jī)制的數(shù)值預(yù)測(cè)構(gòu)建訓(xùn)練得到；在構(gòu)建虛擬測(cè)量模型的過程中，將拋光工藝變量的數(shù)學(xué)含義保留至映射特征中，同時(shí)將可解釋點(diǎn)積注意力機(jī)制輸出的特征作為回歸采樣卷積交互機(jī)制的輸入，從而既保留了所有輸入特征的數(shù)學(xué)意義，又將特征選擇和回歸預(yù)測(cè)結(jié)合，僅使用虛擬測(cè)量模型這一個(gè)模型即可完成特征篩選和數(shù)值預(yù)測(cè)兩個(gè)步驟，解決了目前特征選擇算法與回歸數(shù)值預(yù)測(cè)算法潛在的不匹配問題，可以在回歸預(yù)測(cè)虛擬測(cè)量目標(biāo)值的同時(shí)，發(fā)揮模型可解釋的優(yōu)勢(shì)，量化衡量輸入數(shù)據(jù)的相對(duì)重要程度，極大提高了模型的可信度，便于工業(yè)生產(chǎn)中對(duì)模型進(jìn)行實(shí)時(shí)有效的監(jiān)督。

69、另一方面，本發(fā)明具體通過將訓(xùn)練數(shù)據(jù)集中的各拋光工藝變量映射為映射特征；根據(jù)映射特征獲取可解釋點(diǎn)積注意力機(jī)制的查詢、鍵和值；根據(jù)可解釋點(diǎn)積注意力機(jī)制的查詢、鍵和值，獲取可解釋注意力權(quán)重分布矩陣和點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果；根據(jù)點(diǎn)積注意力結(jié)構(gòu)輸出結(jié)果構(gòu)建基于二叉樹結(jié)構(gòu)的回歸采樣卷積交互模型；確定回歸采樣卷積交互模型輸出的單一值，以此實(shí)現(xiàn)了虛擬測(cè)量模型的構(gòu)建。獲取由多個(gè)拋光工藝變量及其對(duì)應(yīng)的材料去除率構(gòu)成的訓(xùn)練數(shù)據(jù)集；根據(jù)訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)對(duì)虛擬測(cè)量模型進(jìn)行訓(xùn)練，直至虛擬測(cè)量模型收斂，實(shí)現(xiàn)了虛擬測(cè)量模型的訓(xùn)練。若虛擬測(cè)量精度未達(dá)到預(yù)設(shè)精度值，則根據(jù)可解釋注意力權(quán)重分布矩陣在訓(xùn)練數(shù)據(jù)集中篩選數(shù)據(jù)以得到新的訓(xùn)練數(shù)據(jù)集，并返回至根據(jù)訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)對(duì)虛擬測(cè)量模型進(jìn)行訓(xùn)練的步驟，從而通過數(shù)據(jù)篩選的方式找出更相關(guān)的新的訓(xùn)練數(shù)據(jù)，并基于新的訓(xùn)練數(shù)據(jù)再次對(duì)模型進(jìn)行訓(xùn)練，提高模型準(zhǔn)確性。

70、此外，本發(fā)明還提供了一種計(jì)算機(jī)程序產(chǎn)品、虛擬測(cè)量設(shè)備及介質(zhì)，效果同上。