本發明涉及光柵傳感器測量,尤其涉及一種光柵莫爾條紋智能細分方法。
背景技術:
1、光刻機利用光學照射和化學反應的原理,能夠制造出微米和納米尺度的精密器件。光刻機是微電子器件制造中不可或缺的關鍵設備,需要對其進行高精度的位置控制和運動跟蹤。光柵位移測量技術是一種通過監測光刻機工件臺的位置和位移,實現實時運動狀態監測和控制信號反饋,以確保對工件臺準確的位置控制和運動跟蹤的技術,此技術對于維持光刻機的制造精度和生產效率至關重要。
2、光柵莫爾條紋是由光通過光柵時產生的干涉現象所形成的,其形狀和間距與目標物體的位移密切相關,通過精確測量這些條紋的變化,可以實現對微米和納米級器件結構的精準定位和動態追蹤。
3、現有微位移測量領域中采用單通道模型,但單通道模型無法區分輸入輸出樣本差異性,光柵傳感器測量位移值的準確性較低。
技術實現思路
1、本發明的目的是提供一種光柵莫爾條紋細分方法,以解決現有技術中的光柵傳感器測量位移值的準確性較低的技術問題。
2、本發明提供了一種光柵莫爾條紋智能細分方法,包括如下步驟:采用分段函數構建數據集;建立基于lstm-tam的雙通道莫爾條紋智能細分模型,利用數據集對雙通道莫爾條紋智能細分模型進行訓練,得到訓練好的雙通道莫爾條紋智能細分模型;將雙通道莫爾條紋智能細分模型部署在fpga中。
3、進一步地,雙通道莫爾條紋智能細分模型構建在八細分模塊的基礎上,分別將分段函數與對應的位移值作為輸入和輸出;采用分段函數構建數據集的方法具體包括:(1)區間劃分:利用分段函數將一個周期內的數據均等地劃分為八個區間,根據輸入的不同得到對應的構造函數值,以提高線性度;(2)數據歸納:根據八個區間內顯示的分段函數值與位移值,將具有相同特征的數據歸納到一起,構建相應的數據集。
4、進一步地,雙通道莫爾條紋智能細分模型以[p,s]作為訓練樣本的輸入和輸出,其中,p為分段函數,公式如下:
5、
6、其中,θ為定尺光柵與動尺光柵之間的夾角,取值范圍為[0,90°),a為光柵條紋的強度或對比度,且a≥0。
7、s表示對應的位移值,公式如下:
8、
9、其中,ω為光柵傳感器的柵距,θ為定尺光柵與動尺光柵之間的夾角,取值范圍為[0,90°)。
10、位移值通過上述公式計算得到。
11、進一步地,建立基于lstm-tam的雙通道莫爾條紋智能細分模型,利用數據集對雙通道莫爾條紋智能細分模型進行訓練,得到訓練好的雙通道莫爾條紋智能細分模型的方法具體包括:(1)特殊關系捕捉:在算法建模階段,通過雙通道莫爾條紋智能細分模型捕捉不同區間內輸入與輸出數據之間的特殊關系;(2)參數調整:經過上位機的訓練和參數調整,獲取訓練效果最優的參數,并在上位機進行驗證;(3)參數保存:在上位機中訓練好細分模型,并保存其權重和閾值。
12、進一步地,在lstm模型之后采用tam模型得到lstm-tam模型;分別在兩個通道中引入了lstm-tam模型,得到基于lstm-tam的雙通道莫爾條紋智能細分模型;tam模型包含局部和全局注意力模塊,用于提升時間序列數據的預測能力;lstm模型從數據中提取特征,局部注意力模塊關注短時間范圍內的動態變化,全局注意力模塊關注整個時序的長期依賴;聚合提取到的特征,通過預測層生成最終結果;目標損失評估預測與真實標簽的差異,并指導模型優化,增強預測性能。
13、進一步地,通過verilog硬件描述語言將雙通道莫爾條紋智能細分模型部署在fpga中;fpga加速器的內容結構包括控制單元、存儲單元和細分模型加速單元;控制單元負責協調和管理內部操作,存儲單元用于數據和指令存儲,細分模型加速單元用于加速特定計算任務;控制單元用于管理整個硬件加速系統的運算過程、管理輸入輸出數據流、控制權重數據的讀寫以及計算過程的控制;存儲單元包括多個ram_unit模塊和多個altera_ram模塊;altera_ram模塊用于數據的存儲和讀取,每個模塊配置為16width和1024深度;ram_unit模塊通過組合多個altera_ram模塊,多個ram_unit模塊和多個altera_ram模塊通過并行連接的方式工作;細分模型加速單元包括矩陣-向量乘法模塊和element-wise模塊;矩陣-向量乘法模塊通過并行計算,將輸入數據與權重進行運算,輸出結果用于后續處理;element-wise模塊執行向量元素的乘法和加法操作,并應用激活函數;各模塊之間通過輸入輸出數據流和控制信號相連接,共同完成智能細分模型的計算任務。
14、進一步地,fpga采用定點量化方法對浮點數據進行低位寬的表示;fpga使用截尾操作限制數據位寬。
15、進一步地,光柵莫爾條紋智能細分方法使用fpga中的細分模型加速單元中的矩陣-向量乘法模塊和element-wise模塊執行并行計算和激活函數運算;控制單元管理數據流和計算狀態,確保計算任務的高效完成;方法最終得到運算后的預測位移值,實現對光柵莫爾條紋的一維數據的智能細分。
16、本申請解決了微位移測量領域中單通道模型無法區分輸入輸出樣本差異性的問題,提出了一種雙通道莫爾條紋智能細分模型。該模型通過融合lstm和注意力機制的方法,有效降低了測量誤差,并提高了測量結果的可靠性。然而,在實現高精度的同時,速度限制成為一個挑戰。因此,本申請將該模型部署在fpga中,并充分利用了fpga的可編程邏輯和并行計算能力,以實現高效的計算和輕量級應用。
17、本申請提供的光柵莫爾條紋細分方法能夠提高光柵傳感器測量位移值的準確性,同時還能夠實現高效的計算和輕量級應用。
18、本申請在上述各方面提供的實現方式的基礎上,還可以進行進一步組合以提供更多實現方式。
1.一種光柵莫爾條紋智能細分方法,其特征在于,包括如下步驟:
2.根據權利要求1所述的光柵莫爾條紋智能細分方法,其特征在于,
3.根據權利要求1所述的光柵莫爾條紋智能細分方法,其特征在于,
4.根據權利要求1所述的光柵莫爾條紋智能細分方法,其特征在于,所述建立基于lstm-tam的雙通道莫爾條紋智能細分模型,利用所述數據集對所述雙通道莫爾條紋智能細分模型進行訓練,得到訓練好的雙通道莫爾條紋智能細分模型的方法具體包括:
5.根據權利要求1所述的光柵莫爾條紋智能細分方法,其特征在于,
6.根據權利要求1所述的光柵莫爾條紋智能細分方法,其特征在于,
7.根據權利要求1所述的光柵莫爾條紋智能細分方法,其特征在于,
8.根據權利要求6所述的光柵莫爾條紋智能細分方法,其特征在于,