基于物理知识与改进Tandem模型的高精度表面浮雕光栅参数智能测量方法

本文推荐：南京理工大学团队提出PKITM（物理知识改进串联模型），通过融合严格耦合波理论（RCWA）与深度神经网络（DNN），实现表面浮雕光栅参数（周期/槽深/占空比）的非破坏性高精度测量。创新性引入全局注意力机制（AM）和物理约束损失函数，在模拟与实验中均实现MAE（平均绝对误差）<0.02的突破性精度，为光谱仪等光学器件质量控制提供新范式。

　　

Highlight

PKITM通过三重创新模块实现光栅参数革命性测量：

1. 1.

   物理建模层：基于严格耦合波理论（RCWA）构建多波长S偏振-1级衍射效率数据集，叠加高斯噪声模拟真实实验误差；

2. 2.

   神经网络层：预训练前向DNN学习光栅参数→衍射效率的复杂非线性映射，突破传统回归模型局限；

3. 3.

   注意力增强层：全局注意力机制（AM）捕捉波长依赖性效率关联，物理约束损失函数确保预测结果符合电磁学原理。

实验验证

双光路衍射系统（含多波长激光源/光束扩展器等）验证显示：PKITM对占空比和槽深的MAE分别低于0.02和0.01 μm，较支持向量回归（SVR）和传统DNN提升超40%。AFM/SEM对比实验证实其具备亚纳米级重复性精度。

讨论

PKITM与接触式测量的差异源于方法论本质——前者反映千个光栅周期的区域平均参数，后者仅捕获亚微米扫描局域数据。研究团队指出，制造过程中固有的纳米级参数波动是误差主要来源，未来将通过动态噪声建模进一步优化。

Conclusion

该成果为光栅制造质量监控提供颠覆性工具，其"物理先验+AI"的混合架构可扩展至X射线衍射等复杂光学计量场景。文末特别致谢国家重点研发计划（2020YFA0714500）等基金支持。

（注：翻译保留原文技术术语如RCWA/DNN等缩写，使用^-1级等规范上下标，未包含文献引用标识）