本申请涉及一种材料光学常数的确定方法、材料数据库的扩展方法及装置。所述材料光学常数的确定方法，包括获取椭偏测试参数向量，利用机器学习模型得出与所述椭偏测试参数向量对应的材料光学常数。所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。所述材料光学常数的确定方法利用所述机器学习模型实现对椭偏测试参数向量的自动化拟合。所述材料光学常数的确定方法使用的机器学习模型计算出材料的光学常数，不再依赖实验人员的经验，降低了对操作人员的要求，并且计算材料的光学常数时加快了数据曲线的拟合速度、提高了运算效率。
1.一种材料光学常数的确定方法，其特征在于，包括：
获取材料的椭偏测试参数向量；
将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括所述椭偏测试参数向量和所述材料光学常数之间的映射关系；
所述机器学习模型的建立方法具体包括：基于所述椭偏测试参数向量和材料光学常数之间的映射关系构建初始模型的各神经网络层；构建样本数据，所述样本数据中包括以不同的线型得到的椭偏测试参数向量和材料光学常数向量；使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型。
2.如权利要求1所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述以不同的线型得到的椭偏测试参数向量输入至所述初始模型，得到当前输出数据；
计算所述当前输出数据与对应的所述材料光学常数向量的差值，若所述差值大于或者等于预设值，则根据所述差值调整所述初始模型的各神经网络层的网络参数；
迭代执行计算所述差值的步骤，直至所述差值小于所述预设值，则判定所述初始模型的各神经网络层收敛，得到所述机器学习模型。
3.如权利要求1中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述样本数据分为训练集、验证集和测试集；
将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；
获取所述验证数据的误差曲线的误差值不再降低时刻的优化模型作为第一优化模型；
将所述测试集中的输入参数分别输入所述第一优化模型，得出经所述第一优化模型运算得到的第一输出参数，判断所述第一输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第一优化模型为所述机器学习模型。
4.如权利要求1中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述样本数据分为训练集、验证集和测试集；
将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；
从全部模型中选取在验证集上表现最好的M个优化模型，并对所述M个优化模型的参数取平均值，得到第二优化模型；
将所述测试集中的输入参数分别输入所述第二优化模型，得出经所述第二优化模型运算得到的第二输出参数，判断所述第二输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第二优化模型为所述机器学习模型。
5.如权利要求1中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述样本数据分为训练集、验证集和测试集；
将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；
从全部模型中随机选取N个优化模型，并对所述N个优化模型的参数取平均值，得到第三优化模型；
将所述测试集中的输入参数分别输入所述第三优化模型，得出经所述第三优化模型运算得到的第三输出参数，判断所述第三输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第三优化模型为所述机器学习模型。
6.如权利要求3-5中任一项所述的材料光学常数的确定方法，其特征在于，所述训练集、所述验证集和所述测试集中的所述样本数据为同质数据。
7.如权利要求1所述的材料光学常数的确定方法，其特征在于，还包括：
对所述样本数据进行调整，以使得不同类型的所述输入参数处于同一组频率；
对所述样本数据中的所述输入参数进行归一化处理，以使得不同类型的所述输入参数在同一个量级。
8.如权利要求2中所述的材料光学常数的确定方法，其特征在于，还包括：
将已知的椭偏测试参数向量和经过所述机器学习模型运算得出的材料光学常数向量分别作为更新数据的输入参数和更新数据的输出参数；
将所述更新数据的输入参数输入至所述机器学习模型，以得出当前更新输出数据；
计算所述当前更新输出数据与所述更新数据的输出参数之间的差值，若所述差值大于或等于所述预设值，则根据所述差值调整所述机器学习模型的各神经网络层的网络参数；
迭代执行计算所述差值的步骤，直至所述差值小于所述预设值，则判定所述机器学习模型的各神经网络层收敛，完成对所述机器学习模型的更新。
9.如权利要求8所述的材料光学常数的确定方法，其特征在于，所述椭偏测试参数向量包括：椭偏测试参数向量(Δ，Ψ)，材料薄膜厚度，材料薄膜波长，材料薄膜入射角，基底折射率实部和基底折射率虚部中的任意一种或多种。
10.如权利要求1-5中任一项所述的材料光学常数的确定方法，其特征在于，所述机器学习模型包含卷积神经网络、全连接神经网络或循环神经网络中的一种或多种。
11.一种材料数据库的扩展方法，其特征在于，包括：
获取待测试材料的椭偏测试参数向量；
将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；
在已知材料数据库中查找所述待测试材料的光学常数；
若所述已知材料数据库中不存在所述待测试材料的光学常数，将测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的测试材料的光学常数扩展至所述已知材料数据库。
12.如权利要求11所述的材料数据库的扩展方法，其特征在于，还包括：
验证所述椭偏测试参数向量对应的测试材料的光学常数是否属于未知新材料；
若所述椭偏测试参数向量对应的测试材料的光学常数属于未知新材料，则将未知新材料的名称扩展至所述已知材料数据库。
13.如权利要求12所述的材料数据库的扩展方法，其特征在于，还包括：
若所述椭偏测试参数向量对应的测试材料的光学常数不属于任何一种未知新材料，则进一步更新所述机器学习模型。
14.一种基于权利要求1所述的材料光学常数的确定方法的材料光学常数确定装置，其特征在于，包括：
椭偏测试参数向量获取模块，用于获取待测试材料的多种椭偏测试参数；以及
材料光学常数确定模块，用于将所述椭偏测试参数向量输入至所述机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。
15.一种基于权利要求11所述的材料数据库的扩展方法的材料数据库的扩展装置，其特征在于，包括：
椭偏测试参数向量获取模块，用于获取待测试材料的多种椭偏测试参数；
材料光学常数确定模块，用于将所述椭偏测试参数向量输入至所述机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；
查找模块，用于在已知材料数据库中查找所述待测试材料的光学常数；以及
扩展模块，用于若所述已知材料数据库中不存在所述待测试材料的光学常数，将测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的测试材料的光学常数扩展至所述已知材料数据库。
16.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的材料光学常数的确定方法中的步骤，或者11至13任一项所述的材料数据库的扩展方法中的步骤。
17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的材料光学常数的确定方法中的步骤，或者11至13任一项所述的材料数据库的扩展方法中的步骤。
18.一种椭圆偏振仪(300)，其特征在于，包括：
光源(310)，用于产生检测光线；
光线选择装置(320)，用于调整所述检测光线的波长和偏振角度；
光线偏振补偿装置(330)，将所述光源(310)产生的检测光线修改为任何其他偏振状态，以形成检测光线，并将所述检测光线照射到待测样品(400)的表面，所述待测样品(400)包括基底(410)和所述基底(410)表面的材料薄膜(420)；
光线偏振分析装置(340)，用于获取所述检测光线经所述待测样品(400)反射或者折射后的探测光线，并得出测量结果；所述测量结果包括所述待测样品(400)的椭偏测试参数向量(Δ，Ψ)，所述材料薄膜(420)的厚度，所述材料薄膜(420)波长，所述材料薄膜(420)入射角，所述基底(410)的折射率实部和所述基底(410)的折射率虚部中的任意一种或多种；以及
材料光学常数确定装置(100)，用于根据所述测量结果，以及所述检测光线的波长，所述检测光线的入射角，所述基底(410)的折射率实部，所述基底(410)的折射率虚部，采用权利要求1-10中的任一项所述的材料光学常数的确定方法确定所述材料薄膜(420)的光学常数，所述光学常数包括所述材料薄膜(420)的折射率实部与折射率虚部中的任意一种或两种。
技术领域
[0001]本申请涉及材料科学技术领域，特别是涉及一种材料光学常数的确定方法、材料数据库的扩展方法及装置。
背景技术
[0002]椭圆偏振仪(简称椭偏仪)是利用光波在材料表面反射特性的偏振依赖性，实现对物质的光学常数(比如折射率、介电常数等)及薄膜厚度进行测量的仪器。入射光在材料表面反射时，反射光的振幅以及相位用反射率进行计算。不同偏振态的入射光在材料表面反射时，会表现出不同的反射率。该反射率差异的大小，同材料的光学常数及厚度有关。通过测量不同波长下不同偏振态入射光的反射率差异特性曲线，并对该曲线进行数值拟合，可以获得物质的光学常数(比如折射率、介电常数等)以及薄膜厚度。快速准确的实现所测曲线的拟合是椭偏仪使用的重要环节，也是获得物质光学常数信息的关键。
[0003]传统的方案中，实验人员高度依靠于自身经验，不断地尝试调节各拟合参数，来实现对所测曲线的拟合，以此获得材料的光学常数或薄膜厚度。该方法要求实验人员具有极其丰富的经验，并且数据曲线拟合速度慢、效率低。
发明内容
[0004]基于此，有必要针对传统方法中对实验人员经验丰富度的极高要求，以及拟合速度慢、效率低的问题，提供一种全新的可自动，且快速确定材料光学常数的方法及装置，以及材料数据库的扩展方法及装置。
[0005]一种材料光学常数的确定方法，包括：
[0006]获取椭偏测试参数向量；
[0007]将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。
[0008]一种材料数据库扩展方法，包括：
[0009]获取待测试材料的椭偏测试参数向量；
[0010]将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试向量对应的材料光学常数；
[0011]在已知材料数据库中查找所述待测试材料的光学常数；
[0012]若所述已知材料数据库中不存在所述待测试材料的光学常数，将测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的测试材料的光学常数扩展至所述已知材料数据库。
[0013]在一个实施例中，还包括：
[0014]验证所述椭偏测试参数向量对应的测试材料的光学常数是否属于未知新材料；
[0015]若所述椭偏测试参数向量对应的测试材料的光学常数属于未知新材料，则将未知新材料的名称扩展至所述已知材料数据库。
[0016]在一个实施例中，还包括：
[0017]若所述椭偏测试参数向量对应的测试材料的光学常数不属于任何一种未知新材料，则进一步更新所述机器学习模型。
[0018]一种材料光学常数确定装置，包括：
[0019]椭偏测试参数向量获取模块，用于获取待测试材料的椭偏测试参数向量与椭偏测试参数向量；以及
[0020]材料光学常数确定模块，用于将所述椭偏测试参数向量输入至所述机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。
[0021]一种材料数据库扩展装置，包括：
[0022]椭偏测试参数向量获取模块，用于获取待测试材料的椭偏测试参数向量与椭偏测试参数向量；
[0023]材料光学常数确定模块，用于将所述椭偏测试参数向量输入至所述机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；
[0024]查找模块，用于在已知材料数据库中查找所述待测试材料的光学常数；以及
[0025]扩展模块，用于若所述已知材料数据库中不存在所述待测试材料的光学常数，将测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的测试材料的光学常数扩展至所述已知材料数据库。
[0026]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0027]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
[0028]在一个实施例中，还提供一种椭圆偏振仪，包括：
[0029]光源，用于产生检测光线；
[0030]光线选择装置，用于调整所述检测光线的波长和偏振角度；
[0031]光线偏振补偿装置，将所述光源产生的检测光线修改为任何其他偏振状态，以形成检测光线，并将所述检测光线照射到待测样品的表面，所述待测样品包括基底和所述基底表面的材料薄膜；
[0032]光线探测器，用于获取所述检测光线经所述待测样品反射或者折射后的探测光线，并得出测量结果；所述测量结果包括所述待测样品的椭偏测试参数向量(Δ，Ψ)，所述材料薄膜的厚度，所述材料薄膜波长，所述材料薄膜入射角，所述基底的折射率实部和所述基底的折射率虚部中的任意一种或多种；以及
[0033]材料光学常数确定装置，用于根据所述测量结果，以及所述检测光线的波长，所述检测光线的入射角，所述基底的折射率实部，所述基底的折射率虚部，采用上述任一项所述的材料光学常数的确定方法确定所述材料薄膜的光学常数，所述光学常数包括所述材料薄膜的折射率实部与折射率虚部中的任意一种或两种。
[0034]本申请中提供一种材料光学常数的确定方法、材料数据库扩展方法及装置。所述材料光学常数的确定方法，包括获取椭偏测试参数向量，利用机器学习模型得出与所述椭偏测试参数向量对应的材料光学常数。所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。所述材料光学常数的确定方法利用所述机器学习模型实现对椭偏测试结果的自动化拟合。所述材料光学常数的确定方法使用的机器学习模型计算出材料的光学常数，不再依赖实验人员的经验，降低了对操作人员的要求，并且计算材料的光学常数时加快了数据曲线的拟合速度、提高了运算效率。
附图说明
[0035]图1为本申请一个实施例中提供的椭偏仪工作原理示意图；
[0036]图2为本申请一个实施例中提供的椭偏测试参数确定的理论模型；
[0037]图3为本申请一个实施例中提供的材料光学常数的确定方法流程图；
[0038]图4为本申请一个实施例中提供的获取机器学习模型的流程图；
[0039]图5为本申请一个实施例中提供的获取机器学习模型的流程图；
[0040]图6为本申请一个实施例中提供的获取机器学习模型的流程图；
[0041]图7为本申请一个实施例中提供的获取机器学习模型的流程图；
[0042]图8为本申请一个实施例中提供的获取机器学习模型的流程图；
[0043]图9为本申请一个实施例中提供的材料光学常数的确定方法以及机器学习模型更新的步骤流程图；
[0044]图10为本申请一个实施例中提供的材料数据库的扩展方法流程图；
[0045]图11为本申请一个实施例中提供的材料光学常数确定装置示意图；
[0046]图12为本申请一个实施例中提供的材料数据库扩展装置示意图；
[0047]图13为本申请一个实施例中提供的获取机器学习模型的过程中的误差测试的数据图；
[0048]图14为本申请一个实施例中以硅为待测样品，提供的采用传统的测试方法和本申请提供的材料光学常数的确定方法得出的对比图；
[0049]图15为本申请一个实施例中以仅是二氧化钛为待测样品，提供的采用传统的测试方法和本申请提供的材料光学常数的确定方法得出的对比图；
[0050]图16为本申请一个实施例中以金为待测样品，提供的采用传统的测试方法和本申请提供的材料光学常数的确定方法得出的对比图；
[0051]图17为本申请一个实施例中提供的椭圆偏振仪的结构示意图。
[0052]附图标号说明：
[0053]材料光学常数确定装置100
[0054]椭偏测试参数向量获取模块10
[0055]材料光学常数确定模块20
[0056]材料数据库扩展装置200
[0057]查找模块30
[0058]扩展模块40
[0059]椭圆偏振仪300
[0060]光源310
[0061]光线选择装置320
[0062]单色仪321
[0063]准直器322
[0064]偏振器323
[0065]光线偏振补偿装置330
[0066]光线偏振分析装置340
[0067]光线偏振检测器341
[0068]光线强度探测器342
[0069]待测样品400
[0070]基底410
[0071]材料薄膜420
具体实施方式
[0072]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请材料光学常数的确定方法、材料数据库的扩展方法及装置进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0073]椭圆偏振仪简称椭偏仪(后文中均以椭偏仪来表示椭圆偏振仪)，是一种用于探测薄膜厚度、光学常数的光学测量仪器。由于测量精度高、适用于超薄薄膜、与样品无接触、对样品无破坏等特点，使得椭偏仪成为一种极具吸引力的测量仪器。如图1所示，椭偏仪的一般配置包括：光源、起偏片P、补偿片C、检偏片A和探测器(单点或面阵探测器，简称D)。
[0074]椭偏仪在使用过程中，连续谱白光光源通过光栅选频后输出单色光。经过起偏片P、补偿片C后，以椭圆偏振光照射在样品上。样品对s偏振和p偏振反射率rp和rs的差异改变了反射光的偏振态。反射光经过检偏片A后，由探测器D测量其强度。
[0075]请参阅图2，图2示意了椭偏仪在测试过程中光线在样品中走向的示意图。图2中可以看出样品包括基底层和薄膜层。光源发出的光经过起偏片P和补偿片C之后由空气和薄膜层的界面入射至薄膜层。其中，入射光的振幅为E0，入射光与界面法线的夹角为φ1，薄膜层的厚度为d。
[0076]复折射率定义其中i＝1，2，3分别代表空气、薄膜和基底。为空气的复折射率，为薄膜的复折射率，为基底的复折射率，n和κ分别为复折射率的实部和虚部。薄膜对p偏振光与s偏振光的反射率分别rp和rs。φ1为入射角，φ2为光在空气与薄膜层界面的折射角，φ3光在薄膜-基底层界面的折射角。
[0077]其中，与为p偏振光与s偏振光在空气与薄膜层界面的反射系数，并满足以下公式：
[0078]
[0079]
[0080]与为p偏振光与s偏振光在薄膜层与基底层界面的反射系数，并满足以下公式：
[0081]
[0082]
[0083]椭偏测试参数(Δ,Ψ)满足：
[0084]
[0085]以上是对材料光学常数同椭偏测试参数间关系的理论运算。
[0086]下面介绍椭偏仪的测量方法和传统数据拟合方法。
[0087]一、采用椭偏仪对不同样品的具体测量方式(这里利用起偏片、检偏片、补偿片等只是获得椭偏测试参数向量(Δ，Ψ)的一种方式，还有很多其他的方式，比如使用弹光调制器也可以获得椭偏测试参数向量(Δ，Ψ))包括：
[0088](1)分别获得起偏片角度θP和检偏片角度θA：
[0089]固定补偿片C和检偏片A，旋转起偏片P，找到探测器记录光强最小时起偏片角度θP；固定起偏片P和补偿片C，旋转检偏片A，找到探测器记录光强最小时检偏片角度θA。
[0090](2)参数转换：
[0091]椭偏测试参数向量(Δ，Ψ)与上述起偏片角度θP和检偏片角度θA，以及补偿片固定的角度θC满足以下函数关系：(Δ，Ψ)＝f(θP，θA，θC)。由椭偏仪的控制程序直接读取得到起偏片角度θP和检偏片角度θA的数值，由函数关系：(Δ，Ψ)＝f(θP，θA，θC)得出椭偏测试参数向量(Δ，Ψ)的数值。
[0092]二、采用椭偏仪测量的椭偏测试参数向量进行数据拟合，得出样品对应的光学常数：
[0093](1)建立模型：
[0094]在椭偏仪的拟合程序中，建立空气-薄膜层-基底层的模型。空气-薄膜层-基底层的模型与样品的构型一致。
[0095](2)拟合前的基础参数确定：
[0096]分别指定薄膜层和基底层的材料，设置薄膜层厚度的初始值和范围。基底层材料可以设定为已知(比如SiO2)，可直接从材料库中导入其折射率文件。薄膜层材料未知，需要进行折射率拟合，因而其折射率曲线设置为多个色散线型的叠加。
[0097](3)基于空气-薄膜层-基底层的模型和拟合前的基础参数，手动设置线型和相关参数：
[0098]对薄膜层的材料导入合适的色散线型，并手动设置每个色散线型的相关参数，使该模型下拟合的Δ，Ψ结果与所测的椭偏测试参数向量(Δ，Ψ)结果尽可能相近。
[0099](4)自动精确拟合：
[0100]步骤(3)可能执行多次，每次步骤(3)执行完毕均可执行自动精确拟合的步骤。步骤(4)的设置是由于步骤(3)中手动改变参数无法进一步使拟合结果Δ，Ψ接近测量结果。本步骤中，使用程序自动精确拟合的功能，可以由程序通过算法进行精确拟合或者称为趋近拟合。
[0101]本申请提供一种材料光学常数的确定方法及装置、材料数据库的扩展方法及装置。其中材料光学常数的确定方法和装置，可以与现有的椭偏仪结合到一起使用。也可以生产制备全新的椭偏仪，实现本申请中的材料光学常数的确定方法。
[0102]请参阅图3，本申请提供一种材料光学常数的确定方法，包括：
[0103]S10，获取椭偏测试参数向量。本步骤中所述及椭偏测试参数向量可以包括椭偏测试参数Δ，Ψ、不同基底材料的折射率、不同薄膜层材料的折射率、不同薄膜层材料的波长、不同薄膜层材料的厚度以及不同薄膜层材料的入射角中的一种或者多种的组合。
[0104]S20，将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数。所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。
[0105]本步骤中，所述材料光学常数可以包括材料的折射率或者是材料的介电常数。具体的椭偏测试参数向量和材料光学常数之间的映射关系可以结合不同的基础物理的理论给出。比如，可以依据单层膜干涉理论、材料薄膜的光学反射/透射理论确定椭偏测试参数向量和材料光学常数之间的映射关系。
[0106]本实施例中，将机器学习模型应用到材料光学常数的确定过程中。通过所述机器学习模型实现了对简单线型材料、多线型复杂材料、各向异性材料光学常数的快速、准确的确定。通过所述机器学习模型确定材料光学常数，可以不再过度依赖实验人员的经验来调整数值拟合的参数，不断的高速自动修正以实现测量数据曲线的拟合，最终获得材料的光学常数。具体可以参阅图14-图16，图中以已知材料进行验证性测试。
[0107]图14中示出了以硅(Si)为待测样品时，采用传统的测试方法和本申请提供的材料光学常数的确定方法得出的对比图。图14可以看出，采用本申请提供的材料光学常数确定方法得出的半导体硅的折射率n和κ曲线、(Δ，Ψ)的曲线与采用传统拟合方法得出半导体硅的折射率n和κ曲线、(Δ，Ψ)的曲线基本重合。图14中在500nm到600nm的短波波段附近，采用本申请提供的材料光学常数确定方法得出的半导体硅的测试数据比采用传统拟合方法得出半导体硅的测试数据更贴合于实际测量的数据。图14中n&κ的曲线图可以看出数据κ曲线在500nm到600nm之间出现了明显的区别。并且在Δ&Ψ曲线图中可的采用本申请提供的材料光学常数的确定方法得出的半导体硅的Δ数据更贴近真实的实验测量值(见图14中的子图)。因此，采用本申请提供的材料光学常数的确定方法比采用传统拟合方法得出的数据更精确。图15中示出了以二氧化钛(TiO2)为待测样品时，采用传统的测试方法和本申请提供的材料光学常数的确定方法得出的对比图。图16中示出了以金为待测样品时，采用传统的测试方法和本申请提供的材料光学常数的确定方法得出的对比图。图14，图15和图16可以证明本申请提供的材料光学常数的确定方法可以精确地计算出材料的折射率。除上述附图中给出的硅、二氧化钛和金的实施例外，所述材料光学常数的确定方法还可以应用到更多的材料，利用所述机器学习模型实现对椭偏测试结果的自动化拟合。并且，采用本申请提供的材料光学常数确定方法得出的材料光学常数具有同传统方法相同甚至更高的精度。
[0108]请参阅图4，在一个实施例中，所述机器学习模型的建立方法具体包括：
[0109]S210，基于所述椭偏测试参数向量和材料光学常数之间的映射关系构建初始模型的各神经网络层。本步骤中，所述初始模型可以包括输入层、卷积层和输出层。其中卷积层可以包括卷积层、池化层或者全连接层中的一种或者多种构筑。
[0110]S220，构建样本数据，所述样本数据中包括椭偏测试参数向量和材料光学常数向量。
[0111]本步骤中，所述样本数据中包括的所述椭偏测试参数向量为所述机器学习模型的输入参数。在一个实施例中，所述输入参数包括椭偏测试参数向量(Δ，ψ)、材料薄膜厚度d、入射角Φ、波长λ、基底复折射率及薄膜复折射率等。本步骤中，所述样本数据中包括的所述材料光学常数向量为所述机器学习模型的输出参数。在一个实施例中，所述输出参数可以包括材料的折射率或者介电常数(ε)，比如输出参数可以是(n、κ)组成的向量、(εr、εi)组成的向量。构建样本数据的过程中包括对数据的处理过程，比如需要把样本数据设置在同一个或者是相近的波长范围内。所述样本数据中包括的数据类型要全面、包括的数量要足够大。比如，所述样本数据包括以不同的线型得到的椭偏测试参数向量和材料光学常数向量。所述线型包括(但不限于)佛洛希线型、高斯线型、柯西线型、洛伦兹线型、德鲁德线型、斯涅耳线型、法诺线型中的至少一种。
[0112]S230，使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型。本步骤中，训练所述初始模型的各神经网络层的过程可以理解为执行计算及程序的过程。
[0113]本实施例中，提供一种建立所述机器学习模型的方法，具体包括构建初始模型的各神经网络层，构建样本数据，以及训练所述初始模型的各神经网络层，以使得所述初始模型能够承载所述机器学习模型需要实现的基本功能。
[0114]请参阅图5，在一个实施例中，所述S230，使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
[0115]S231，将所述椭偏测试参数向量输入至所述初始模型，得到当前输出数据。本步骤中，得到的所述当前输出数据是在训练所述初始模型的一个过程量。
[0116]S232，计算所述当前输出数据与对应的所述材料光学常数向量的差值，若所述差值大于或者等于预设值，则根据所述差值调整所述初始模型的各神经网络层的网络参数。本步骤中，所述当前输出数据和所述材料光学常数向量的差值能够在一定程度上体现所述初始模型待调整的程度。
[0117]S233，迭代执行计算所述差值的步骤，直至所述差值小于预设值，则判定所述初始机器学习模型的各神经网络层收敛，得到所述机器学习模型。本步骤中，所述预设值可以是自行设定的一个值，比如所述预设值可以是10-6或者是10-8。
[0118]本实施例中，使用所述样本数据训练初始模型的各神经网络层，得到所述机器学习模型。可以理解，根据测试准确度的要求，可以设置多种不同类型的所述机器学习模型。每一种类型的所述机器学习模型采用的所述样本数据相同。这样在训练出的所述机器学习模型的准确率更高。也可以只设置一种类型的所述机器学习模型，在训练这一种类型的所述机器学习模型时，采用不同类型的所述样本数据，以使得训练得出的所述机器学习模型能够满足不同种类的数据的使用。本实施例中，提供的方法可以根据所述初始模型得到一种或者多种的所述机器学习模型，具体的可以根据实际需求进行选择。
[0119]请参阅图6，在一个实施例中，所述S230，使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
[0120]S234，将所述样本数据分为训练集、验证集和测试集。本步骤中，训练集、验证集和测试集是三个互相不包含的数据集合。比如，可以设置包括6000个数据的训练集、包括2000个数据的验证集以及包括2000个数据的测试集。这里所述样本数据中数据集也可以按照其他的比例进行分配。训练集和验证集放到所述初始模型中是同步进行的，可实现边训练边验证的效果。
[0121]S235，将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线。本步骤中，可以通过计算机时刻记录优化模型，同时可以通过计算机生成误差曲线。请参阅图13，在图13中训练集误差曲线上任意的取一个点，其横坐标代表迭代计算的时间或者次数，纵坐标代表在采用横坐标下对应的所述初始模型得到的运算结果与实际材料光学常数的误差。在图13中验证集误差曲线上任意的取一个点，其横坐标代表迭代计算的时间或者次数，纵坐标代表在采用横坐标下对应的所述初始模型得到的运算结果与实际材料光学常数的误差。
[0122]S236，获取所述验证数据的误差曲线的误差值不再降低时刻的优化模型作为第一优化模型。本步骤中，获取所述第一优化模型的具体方法可以有多种，比如标记查找法。所述标记查找法，即在生成训练数据的误差曲线和验证数据的误差曲线中查找所述验证数据的误差曲线的误差值不再降低时刻的优化模型作为所述第一优化模型。
[0123]S237，将所述测试集中的输入参数分别输入所述第一优化模型，得出经所述第一优化模型运算得到的第一输出参数。判断所述第一输出参数与所述测试集中的输出参数的误差。若所述误差在预设范围内，则所述第一优化模型为所述机器学习模型。
[0124]本实施例中，可以理解为在训练集上训练机器学习系统并在验证集上监控其性能，当机器学习系统在验证集上的性能不再提高的时候停止训练。并选择在验证集上性能最好的机器学习模型作为此轮胜出的训练模型。此过程重复若干次后，选择在验证集上性能最好的模型作为最终的机器学习系统并在测试集上测试其性能。
[0125]请参阅图7，在一个实施例中，所述S230，使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
[0126]S234，将所述样本数据分为训练集、验证集和测试集。
[0127]S235，将所述训练集和所述验证集分别输入所述初始模型。对所述初始模型进行优化处理。并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线。
[0128]S238，从全部模型中选取在验证集上表现最好的M个优化模型，并对所述M个优化模型的参数取平均值，得到第二优化模型。
[0129]本步骤中，从所述训练集中形成的模型中，选取表现最好的M个优化模型或者选取前M个表现较好的优化模型。获取M个优化模型中多种参数，并对所述多种参数中的每一种参数取平均值，得到多种平均参数。以多种平均参数作为第二优化模型的多种参数。
[0130]S239，将所述测试集中的输入参数分别输入所述第二优化模型，得出经所述第二优化模型运算得到的第二输出参数。判断所述第二输出参数与所述测试集中的输出参数的误差。若所述误差在预设范围内，则所述第二优化模型为所述机器学习模型。
[0131]本实施例中，与上一实施例中的区别在于选取的优化模型为第二优化模型。本实施例与上一实施例属于并列的技术方案，实际应用中具体采用哪一种技术方案可以根据实际的需求进行选择。
[0132]请参阅图8，在一个实施例中，所述S230，使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
[0133]S234，将所述样本数据分为训练集、验证集和测试集。
[0134]S235，将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线。
[0135]S240，从全部模型中随机选取N个优化模型，并对所述N个优化模型的参数取平均值，得到第三优化模型。本步骤中，可以采取机器学习模型集成技术来实现。例如，其他具体方法可以是：存储N个优化模型，并将所述样本数据的输入参数分别输入N个优化模型得到N个输出参数，将N个输出参数取平均值作为集成模型的所述输出参数。
[0136]S241，将所述测试集中的输入参数分别输入所述第三优化模型，得出经所述第三优化模型运算得到的第三输出参数，判断所述第三输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第三优化模型为所述机器学习模型。
[0137]本实施例中，与上两个实施例中的区别在于选取的优化模型为第三优化模型。本实施例与上两个实施例属于并列的技术方案，实际应用中具体采用哪一种技术方案可以根据实际的需求进行选择。
[0138]在一个实施例中，所述训练集、所述验证集和所述测试集中的所述样本数据为同质数据。本实施例中，也可以表达为所述训练集、所述验证集和所述测试集中的所述样本数据覆盖的所有线型下椭偏仪拟合得到的数据。所述训练集、所述验证集和所述测试集中的所述样本数据覆盖通过所有方式测试得到的Δ，Ψ，薄膜厚度d，波长λ，入射角φ1，基底折射率实部n3，基底折射率虚部κ3中的任意一种或多种。
[0139]在一个实施例中，所述误差的所述预设范围在10-5至10-9。进一步地，所述误差的所述预设范围可以为10-5至10-7，比如，所述误差为10-6。
[0140]在一个实施例中，所述材料光学常数的确定方法还包括：
[0141]对所述样本数据进行调整，以使得不同类型的所述输入参数处于同一组频率。本步骤中的调整可以涉及到将同一类型的所述椭偏测试参数向量调整在适合所述机器学习模型训练的形式。比如在一个实施例中，将入射角的角度值调整为弧度值。
[0142]对所述样本数据中的所述输入参数进行归一化处理，以使得不同类型的所述输入参数在同一个量级。比如可以对同一类的所述输入参数统一除以1000。
[0143]本实施例中，对输入数据进行调整和归一化处理，可以使得所述机器学习模型的各个神经网络层之间的训练过程更加稳定并且容易实现，所述机器学习模型的训练结果更准确。
[0144]请参阅图9，在一个实施例中，所述材料光学常数的确定方法还包括：更新所述机器学习模型的步骤。
[0145]S30，将已知的椭偏测试参数向量和经过所述机器学习模型运算得出的材料光学常数向量分别作为更新数据的输入参数和更新数据的输出参数。
[0146]本步骤中，所述机器学习模型已经形成，再将待测试的椭偏测试参数向量和经过运算得出的材料光学常数向量输入至所述机器学习模型中，进一步训练和更新所述机器学习模型。
[0147]S40，将所述更新数据的输入参数输入至所述机器学习模型，以得出当前更新输出数据。本步骤中，得到的所述当前更新输出数据是在训练所述初始模型的一个过程量。
[0148]S50，计算所述当前更新输出数据与所述更新数据的输出参数之间的差值，若所述差值大于或等于所述预设值，则根据所述差值调整所述机器学习模型的各神经网络层的网络参数。本步骤中，所述当前更新输出数据和所述更新数据的输出参数之间的差值能够在一定程度上体现所述机器学习模型待调整的程度。
[0149]S60，迭代执行计算所述差值的步骤，直至所述差值小于预设值，则判定所述机器学习模型的各神经网络层收敛，完成对所述机器学习模型的更新。本步骤中，所述预设值可以是自行设定的一个值，比如所述预设值可以是10-6或者是10-8。
[0150]本实施例中，使用将待测试的椭偏测试参数向量和经过所述机器学习模型运算得出的材料光学常数分别作为更新数据的输入参数和更新数据的输出参数，更新所述机器学习模型。本实施例中，提供的方法可以实现所述机器学习的自学习功能。具体的所述机器学习模型的更新间隔时间可以根据实际需求进行设定。
[0151]在一个实施例中，所述机器学习模型包含卷积神经网络、全连接神经网络或循环神经网络中的一种或多种。本实施例中，指出所述机器学习模型可以包括任何一种神经网络，或者是任何多种神经网络之间的组合。在构架所述机器学习模型时，采用何种神经网络。
[0152]请参阅图10，本申请还提供一种材料数据库扩展方法，包括：
[0153]S100，获取待测试材料的椭偏测试参数向量。本步骤中所述椭偏测试参数向量可以包括椭偏测试参数向量、波长、不同基底材料、不同薄膜层材料、不同薄膜层厚度以及不同入射角中的一种或者多种的组合。
[0154]S200，将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的待测试材料的光学常数。本步骤中，所述材料光学常数可以包括材料的折射率或者是材料的介电常数。具体的椭偏测试参数向量和材料光学常数之间的映射关系可以结合不同的基础物理的理论给出。比如，可以依据单层膜干涉理论、材料薄膜的光学反射/透射理论确定椭偏测试参数向量和材料光学常数之间的映射关系。
[0155]S300，在已知材料数据库中查找所述待测试材料的光学常数。本步骤中所述已知材料数据库可以包括材料的椭偏测试参数向量、材料的光学常数(包括折射率/介电常数)以及材料名称。
[0156]S400，若所述已知材料数据库中不存在所述待测试材料的光学常数，将待测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的待测试材料的光学常数扩展至所述已知材料数据库。本步骤中，还可以包括经科研工作者或者其他的权威工具对所述待测试材料的光学常数的检测认定通过之后，再将待测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的待测试材料的光学常数扩展至所述已知材料数据库。
[0157]本实施例中提供一种材料数据库扩展方法。所述材料数据库的扩展方法包括通过将测试材料的椭偏测试参数向量输入至机器学习模型，进行计算得出与所述椭偏测试参数向量对应的待测试材料的光学常数。在已知材料数据库中对比和查找所述待测试材料的光学常数。若所述已知材料数据库中不存在所述待测试材料的光学常数，则将测试材料的光学常数扩展至所述已知材料数据库。所述材料数据库的扩展方法可以准确的将测试材料的相关数据扩展至已知材料数据库。
[0158]在一个实施例中，所述材料数据库扩展方法，还包括：
[0159]S500，验证所述椭偏测试参数向量对应的待测试材料的光学常数是否属于未知新材料。本步骤中的验证方式不唯一，可以通过科研工作者进行合理的推断、也可以通过测试仪器进行检测或者可以通过监测本系统中多次训练和多次测试的结果是否一致，来验证所述椭偏测试参数向量对应的待测试材料的光学常数是否属于未知新材料。
[0160]S600，若所述椭偏测试参数向量对应的待测试材料的光学常数属于未知新材料，则将未知新材料的名称扩展至所述已知材料数据库。本步骤中，在验证所述椭偏测试参数向量对应的待测试材料的光学常数属于未知新材料之后，提供一种新材料的扩展及分类方式。
[0161]本实施例中，设计验证所述椭偏测试参数向量对应的待测试材料的光学常数属于未知新材料的步骤和对所述新材料进行分类的步骤，使得所述材料数据库扩展方法更加科学严谨。
[0162]在一个实施例中，所述材料数据库扩展方法，还包括：
[0163]S700，若所述椭偏测试参数向量对应的待测试材料的光学常数不属于任何一种未知新材料，则进一步更新所述机器学习模型。
[0164]本实施例中，若所述椭偏测试参数向量对应的待测试材料的光学常数不属于任何一种未知新材料，则需要判断是否所述椭偏测试参数向量对应的待测试材料的光学常数运算错误，如错误则需要更新所述机器学习模型。更新所述机器学习模型的具体步骤可以参考S30-S60来执行。如正确，将测试材料的相关数据扩展至已知材料数据库。
[0165]应该理解的是，虽然图3-10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3-10中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0166]请参阅图11，本申请提供一种材料光学常数确定装置100，包括：椭偏测试参数向量获取模块10和材料光学常数确定模块20。
[0167]所述椭偏测试参数向量获取模块10用于获取待测试材料的椭偏测试参数向量。所述材料光学常数确定模块20用于将所述椭偏测试参数向量输入至所述机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数。所述机器学习模型包括椭偏测试实验条件以及所得测试参数向量和材料光学常数之间的映射关系。
[0168]本实施例中，提供的所述材料光学常数确定装置100可以将机器学习模型应用到材料光学常数的确定过程中。通过所述材料光学常数确定装置100实现了对简单线型材料、多线型复杂材料、各向异性材料光学常数的快速、准确的确定。通过所述材料光学常数确定装置100确定材料光学常数，可以不再依靠实验人员的经验来调整数值拟合的参数，不断的尝试实现测量数据曲线的拟合，最终获得材料的光学常数。
[0169]请参阅图12，本申请提供一种材料数据库扩展装置200包括：椭偏测试参数向量获取模块10、材料光学常数确定模块20、查找模块30和扩展模块40。
[0170]所述椭偏测试参数向量获取模块10用于获取待测试材料的椭偏测试参数向量。
[0171]所述材料光学常数确定模块20用于将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的待测试材料的光学常数。本步骤中，所述机器学习模型可以属于所述材料光学常数确定模块20的一部分。
[0172]所述查找模块30用于在已知材料数据库中查找所述待测试材料的光学常数。
[0173]所述扩展模块40用于若所述已知材料数据库中不存在所述待测试材料的光学常数，将测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的待测试材料的光学常数扩展至所述已知材料数据库。
[0174]本实施例中，所述材料数据库扩展装置200可以准确的将待测试材料的相关数据扩展至已知材料数据库。具体的，所述椭偏测试参数向量获取模块10获取待测试材料的椭偏测试参数向量。通过所述材料光学常数确定模块20将待测试材料的椭偏测试参数向量输入至机器学习模型，进行计算得出与所述椭偏测试参数向量对应的待测试材料的光学常数。所述查找模块30用于在已知材料数据库中对比和查找所述待测试材料的光学常数。若所述已知材料数据库中不存在所述待测试材料的光学常数，则通过所述扩展模块40将待测试材料的光学常数扩展至所述已知材料数据库。
[0175]请参阅图17，本申请一个实施例中提供的椭圆偏振仪300的结构示意图。图17中可以看出，所述椭圆偏振仪300包括光源310、光线选择装置320、光线偏振补偿装置330、光线偏振分析装置340和材料光学常数确定装置100。
[0176]所述光源310用于产生检测光线。所述光源310可以根据实验需求选择任意波长段的光源进行照射。
[0177]所述光线选择装置320用于选择及调整所述检测光线的波长和偏振角度。如图17所示，所述光线选择装置320进一步包括在一条光路上设置的单色仪321、准直器322和偏振器323。所述单色仪321为从宽波段的辐射束中分离出一系列狭窄波段的电磁辐射。所述单色仪321可以设置为棱镜单色仪或者光栅单色仪。所述准直器322是将通过前置的所述单色仪321的光线变成平行光，所述准直器322使光最大效率的耦合进入所述偏振器323及后续光学元件。所述偏振器323是使光线沿特定方向进行偏振的光学元件或仪器。
[0178]所述光线偏振补偿装置330将所述光源310产生的检测光线修改为任何其他偏振状态，以形成检测光线，并将所述检测光线照射到待测样品400的表面。所述待测样品400包括基底410和所述基底410表面的材料薄膜420。
[0179]所述光线探测器340用于获取所述检测光线经所述待测样品400反射或者折射后的探测光线，并得出测量结果。具体的，如图17所示所述光线偏振分析装置340可以包括光线偏振检测器341和光线强度探测器342。所述测量结果包括所述待测样品400的椭偏测试参数向量(Δ，Ψ)，所述材料薄膜420的厚度，所述材料薄膜420波长，所述材料薄膜420入射角，所述基底410的折射率实部和所述基底410的折射率虚部中的任意一种或多种。
[0180]所述材料光学常数确定装置100用于根据所述测量结果，以及所述检测光线的波长，所述检测光线的入射角，所述基底410的折射率实部，所述基底410的折射率虚部，所述材料光学常数确定装置100，采用上述任一项所述的材料光学常数的确定方法确定所述材料薄膜420的光学常数。所述光学常数包括所述材料薄膜420的折射率，介电系数等。
[0181]在一个实施例中，所述椭圆偏振仪300可以覆盖了100nm到2200nm的宽光谱范围。所述椭圆偏振仪300可以自动选件和自选配件以增强系统的功能、满足实验需求。所述椭圆偏振仪300中结合了所述材料光学常数确定装置100，可以实现高精度和高灵敏度的检测。
[0182]所述椭圆偏振仪300可以应用在生物/生命科学研究领域、化学/聚合物研究领域、平板技术领域、食品/饮料领域、冶金技术领域、纳米技术领域、颜料/粉末/镀膜领域、药物/化妆品领域、太阳能光伏领域、过程控制领域、硅领域、表面分析领域、碳材料或者其他材料领域。
[0183]比如在半导体领域，可以使用所述椭圆偏振仪表征用于可写光盘的GeSb膜；使用椭圆偏振仪对有机半导体进行光学表征；使用相位调制型椭圆偏振仪表征Ⅲ-Ⅴ族半导体；使用椭圆偏振仪表征铁电薄膜的性质。
[0184]比如在冶金技术领域，可以使用椭圆偏振仪表征阳极氧化铝的表面性能。
[0185]比如在太阳能光伏领域，可以使用椭圆偏振仪表征光伏器件的薄膜质量与性能。
[0186]再比如其他材料领域，可以使用椭圆偏振仪表征硫系玻璃的材料性能。
[0187]在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0188]获取椭偏测试参数向量；
[0189]将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。
[0190]在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0191]获取待测试材料的椭偏测试参数向量；
[0192]将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的待测试材料的光学常数；
[0193]在已知材料数据库中查找所述待测试材料的光学常数；
[0194]若所述已知材料数据库中不存在所述待测试材料的光学常数，将待测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的待测试材料的光学常数扩展至所述已知材料数据库。
[0195]在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0196]获取椭偏测试参数向量；
[0197]将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。
[0198]在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0199]获取待测试材料的椭偏测试参数向量；
[0200]将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的待测试材料的光学常数；
[0201]在已知材料数据库中查找所述待测试材料的光学常数；
[0202]若所述已知材料数据库中不存在所述待测试材料的光学常数，将待测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的待测试材料的光学常数扩展至所述已知材料数据库。
[0203]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
[0204]以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0205]以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
