摘要
宽带光学监控为多层光学镀膜的制备提供了丰富的光谱信息，但传统的在线表征通常依赖于迭代式的厚度重新估计，当整合多个沉积阶段的信息时，其计算负担会随之增加。为解决这一问题，本研究提出了一种神经辅助三角测量框架，该框架将多阶段的残差光谱组织在一个固定长度的历史观测窗口内，从而保持估计器输入维度固定。该框架进一步将传统的迭代式在线厚度重新估计重新表述为对增量厚度状态修正的直接神经预测。一个共享的一维卷积编码器从残差历史中提取光谱特征，然后将其与当前更新前的厚度状态融合，以实现厚度状态的更新。更新后的厚度估计随后用于重建多层光学模型，并计算下一沉积阶段的参考光谱。该估计器使用合成的厚度状态扰动和物理引导的目标函数进行离线训练，该目标函数结合了直接状态监督以及光谱重建和光谱梯度约束，而在线沉积过程中仅需要神经推理。该框架已在离子束溅射平台上实现，并通过连续三次制备运行一个82层长波通滤光片进行了评估。所有三个制备的滤光片均满足指定的光谱要求，平均阻带透射率在0.090%至0.155%之间，平均通带透射率在95.008%至95.105%之间。平均截止波长为712.461 nm，标准差为0.278 nm，运行间最大差异为0.555 nm。这些结果证明了该框架在高层数光学镀膜宽带监控中的实际可行性。
