步骤1，根据工艺技术要求针对特定类半导体纳米结构进行参数化建模，生成粗粒度的光学
步骤3，基于粗粒度代理模型S1进行全局粗搜索，完成对多个重点区域的快速识别；
步骤4，基于上述重点区域内的待测参数变化范围进行精粒度快速建库，生成光学散射
步骤6，基于代理模型S2针对重点区域进行精搜索，此时多个重点区域内的最优值即为
(1)根据实际工艺需求，针对某类待测半导体纳米结构构建光学散射响应样本库α；其
中，该样本库是基础的粗粒度样本库，用以进行采样并生成训练集构建近似计算的粗粒度
(2)以(1)中的粗粒度光学散射响应样本库α为采样空间进行采样设计，而后将采样点
输入以生成基础训练集；并以此训练集为基础，训练构建粗粒度的代理模型S1；
(3)使用(2)中训练构建的代理模型S1完成粗粒度阶段的搜索优化与重点区域内的快
速建库；此阶段生成的样本库即为精粒度光学散射响应样本库β，从而为后续精粒度阶段的
(3.1)使用上述代理模型完成粗粒度阶段的自适应搜索优化；首先，利用该近似计算模
型在全局上进行搜索，进而完成对多个重点区域的自适应快速识别；然后，跳出当前局部最
优，再次基于空间分布距离标准做全局搜索，寻找是否还有未被发现的重点区域；
(3.2)针对(3.1)中识别到的重点区域进行快速建库；经过前期粗粒度代理模型S1的搜
索优化，将待测样本的参数变化范围缩小并限定在重点区域内，进而针对该区域进行建库
(4)以(3)中的光学散射响应样本库β为采样空间进行采样，而后生成训练集，并以此训
练构建精粒度的代理模型S2；为保证代理模型S2的精度，此处使用自适应采样方法，并引入
(4.1)针对采样点的局部性能与全局性能建立多目标的优化模型；其中，局部性能主要
是：采样点加入后的模型预测方差变动情况；采样点加入后的邻域敏感性变化，即该采样点
对邻域内响应输出的扰动变动情况；全局性能主要是：采样分布的空间距离；采样空间上的
(4.2)双空间内的采样点评价；即在测量输入空间、响应输出空间分别多维度量化评价
(4.3)考虑全局搜索与局部寻优之间的权衡优化问题；构建自适应权重的评分体
系：设计一个合适有效的开发标准以识别重点区域；跳出当前局部最优，搜索开发上一轮中
(5)使用(4)中代理模型S2针对(3.1)中识别到的多个重点区域进行精粒度下的搜索寻
参量及快速配置优化的方法，可应用于基于光学散射的半导体纳米结构几何量和物理量快
一束偏振光投射到待测样本表面，经过测量反射前后的偏振态变化，进而求解待测样本的
相关尺寸参数。因光学散射测量具有快速、无损等优点，是当前在线光学量测(尤其是光学
关键尺寸测量领域)的主流技术方案。光谱椭偏测量不受光学衍射极限的限制，是一种光谱
型、计算性、基于模型的间接量测方法，因此在计算型光学测量技术领域的预测逼近与优化
目前，光学散射测量最重要的包含两个关键技术：正向建模与逆向求解。纳米结构光学
domain，FDTD)等方法实现。而逆向求解最重要的包含两种方法，即库搜索匹配与直接拟合优化
技术。库搜索匹配方法虽然简单易操作、易于实现，但需要事先根据输入参数的变化范围建立
散射测量椭偏响应仿真样本库，这需要大量的离线建模和仿真运算工作。并且库搜索匹配
方法的性能极大程度上取决于椭偏仿真样本库的网络粒度及其相对的插值算法。直接拟合
优化技术不需要提前建立仿真样本库，但每次迭代都需要调用正向建模来进行计算，因此
有必要进行反复调用和求解，进而导致仿真计算效率低下，计算成本高昂。因此，现阶段半导
体纳米结构的光学散射测量仿真计算性能、仿真计算效率是限制快速拟合优化技术的主要
CN102798342B中提出了一种用于光学散射测量的基于拟合误差插值的库匹配方
法。该方法利用提前建立好的光谱库与测量获得的光谱响应来构建拟合误差的插值函数，
进而将光学散射测量中待测样本结构的逆向求解问题转化为求解拟合误差插值目标函数
的最优值问题。其中，目标函数的最优值即为待测样本的几何参数。但该方法仍需要在测量
之前建立完整的光谱响应库，这需要进行大量的前期仿真工作。同时，该方法最终的测量精
CN103559329B中提出了一种用于光学散射测量中粗糙纳米结构特性参数的提取
方法。该方法通过仿真计算来确定粗糙纳米结构的提取参数与待测参数间的映射关系，并
对测量配置和等效介质模型进行寻优。而后在上述仿真结果的基础上利用参数映射关系式
对待测参数进行修正处理，进而获得更接近真实值的粗糙纳米结构特性参数。然而，该方法
中需要使用最优测量配置与最优等效介质模型进行后续计算，这就对寻优过程提出了很大
计算方法，但尚没有解决快速优化问题，尤其是在求解精度与效率方面还有待提高。
步骤1，根据工艺技术要求针对特定类半导体纳米结构进行参数化建模，生成粗粒度的
步骤3，基于粗粒度代理模型S1进行全局粗搜索，完成对多个重点区域的快速识
步骤4，基于上述重点区域内的待测参数变化范围进行精粒度快速建库，生成光学
步骤6，基于代理模型S2针对重点区域进行精搜索，此时多个重点区域内的最优值
优选地，(1)根据实际工艺需求，针对某类待测半导体纳米结构构建光学散射响应
样本库α；其中，该样本库是基础的粗粒度样本库，用以进行采样并生成训练集构建近似计
(2)以(1)中的粗粒度光学散射响应样本库α为采样空间进行采样设计，而后将采
样点输入以生成基础训练集；并以此训练集为基础，训练构建粗粒度的代理模型S1；
(3)使用(2)中训练构建的代理模型S1完成粗粒度阶段的搜索优化与重点区域内
的快速建库；此阶段生成的样本库即为精粒度光学散射响应样本库β，从而为后续精粒度阶
优选地，(3.1)使用上述代理模型完成粗粒度阶段的自适应搜索优化；首先，利用
该近似计算模型在全局上进行搜索，进而完成对多个重点区域的自适应快速识别；然后，跳
出当前局部最优，再次基于空间分布距离标准做全局搜索，寻找是否还有未被发现的重
(3.2)针对(3.1)中识别到的重点区域进行快速建库；经过前期粗粒度代理模型S1
的搜索优化，将待测样本的参数变化范围缩小并限定在重点区域内，进而针对该区域进行
优选地，(4)以(3)中的光学散射响应样本库β为采样空间进行采样，而后生成训练
集，并以此训练构建精粒度的代理模型S2；为保证代理模型S2的精度，此处使用自适应采样
(4.1)针对采样点的局部性能与全局性能建立多目标的优化模型；其中，局部性能
主要是：采样点加入后的模型预测方差变动情况；采样点加入后的邻域敏感性变化，即该采
样点对邻域内响应输出的扰动变动情况；全局性能主要是：采样分布的空间距离；采样空间
(4.2)双空间内的采样点评价；即在测量输入空间、响应输出空间分别多维度量化
(4.3)考虑全局搜索与局部寻优之间的权衡优化问题；构建自适应权重的评
分体系：设计一个合适有效的开发标准以识别重点区域；跳出当前局部最优，搜索开发上一
优选地，(5)使用(4)中代理模型S2针对(3.1)中识别到的多个重点区域进行精粒
优选地，在步骤1中，所述参数化建模的方法为严格耦合波分析法RCWA、有限时域
在特征步骤1中，所述粗粒度的光学散射响应样本库的输入参数包括：纳米结构、
材料参数、工艺节点、测量配置参数；所述粗粒度的光学散射响应样本库的输出散射响应的
纳米结构包括线宽、线高、侧壁角；材料参数包括折射率n、消光系数k；测量配置参
在步骤2与步骤5中，所述训练构建代理模型的方法为：克里金模型KRG、多项式回
策略包括：多模型单输出形式、单模型多输出形式或多模型单输出形式与单模型多输出形
LHD、均匀设计UD；精搜索阶段以基于方差、基于交叉验证误差、基于局部梯度的自适应采样
在步骤4中，所述精粒度光学散射响应样本库β为保证其精度，所使用数据集中的
在步骤6中，所述精搜索阶段采用的方法：若样本库β粒度足够细密，采用库匹配、
散射仪器包括反射仪、椭偏仪、傅里叶散射仪、角分辨散射仪、基于光谱测量数据
该方法将变粒度的代理模型与自适应的优化策略相结合，进而实现粗、精搜索的迭代优化
过程。该方法首先基于参数化仿真建模方法对待测样本做电磁场仿真建模，获得基础的
光学散射响应样本库。然后，利用基础样本库构建粗粒度的代理模型。而后使用该代理模型
进行多重点区域的快速识别与重点区域内的快速建库，进而构建精粒度代理模型。最后，使
用精粒度代理模型结合自适应的优化策略，在重点区域中来优化逼近，最终输出的最优
(1)根据实际工艺需求，针对某类待测半导体纳米结构构建光学散射响应样本库
α。其中，该样本库是基础的粗粒度样本库，用以进行采样并生成训练集构建近似计算的粗
(2)以(1)中的粗粒度光学散射响应样本库α为采样空间进行采样设计，而后将采
样点输入以生成基础训练集；并以此训练集为基础，训练构建粗粒度的代理模型S1。
(3)使用(2)中训练构建的代理模型S1完成粗粒度阶段的搜索优化与重点区域内
的快速建库。此阶段生成的样本库即为精粒度光学散射响应样本库β，从而为后续精粒度阶
(3.1)使用上述代理模型完成粗粒度阶段的自适应搜索优化。首先，利用该近似计
算模型在全局上进行搜索，进而完成对多个重点区域(感兴趣区域)的自适应快速识别。然
后，跳出当前局部最优，再次基于空间分布距离标准做全局搜索，寻找是否还有未被发现
(3.2)针对(3.1)中识别到的重点区域进行快速建库。经过前期粗粒度代理模型S1
的搜索优化，将待测样本的参数变化范围缩小并限定在重点区域内，进而针对该区域进行
(4)以(3)中的光学散射响应样本库β为采样空间进行采样，而后生成训练集，并以
此训练构建精粒度的代理模型S2。为保证代理模型S2的精度，此处使用自适应采样方法，并
(4.1)针对采样点的局部性能与全局性能建立多目标的优化模型。其中，局部性能
主要是：①采样点加入后的模型预测方差变动情况；②采样点加入后的邻域敏感性变化，即
该采样点对邻域内响应输出的扰动变动情况。全局性能主要是：①采样分布的空间距离；②
(4.2)双空间内的采样点评价。即在测量输入空间、响应输出空间分别多维度量化
(4.3)考虑全局搜索与局部寻优之间的权衡优化问题，如图4所示。构建自适
应权重的评分体系，主要解决两个问题：①设计一个合适有效的开发标准以识别重点区域；
(5)使用(4)中代理模型S2针对(3.1)中识别到的多个重点区域进行精粒度下的搜
化范围，以实现精粒度光学散射响应样本库的快速搭建。与传统方法相比，节省了前期大量
2、本发明针对传统方法在搜索优化中要一直调用正向建模进行迭代，而耗费大
量的求解时间的问题，可通过采用变粒度的代理模型加速或替代正向建模过程，进而提高
搜索优化效率，节省昂贵的仿线、本发明采用变粒度代理模型与自适应优化策略相结合的搜索优化方法，以低成
本的粗粒度代理模型完成对全局的搜索、识别重点区域，以高成本的精粒度代理模型完成
重点区域内的重点寻优，进而实现粗精结合的自适应搜索策略。与传统方法相比，该方法能
够准确、高效地求解待测样本的相关参数，有望在光学散射测量中得到普遍应用。
关附图作进一步阐述说明。本发明提供的一种光学散射测量的快速在线优化方法，具体包
(1)图1是按照本发明提出的一种光学散射测量的快速在线优化方法的流程图。如
图1所示，首先是根据实际工艺需求，针对某类待测半导体纳米结构构建光学散射响应样本库
α。例如，将该半导体纳米结构的待测参数与相关的测量配置参数标记为一个n维的列向量x
(2)所建立的粗粒度光学散射响应样本库α的全局参数范围如图2所示(此处为方
粒度代理模型S1。用于代理模型的构建方法有多种，在本发明的实施例中，采用克里金模型
(3)基于(2)中构建的代理模型S1进行粗搜索阶段的搜索优化，并识别得到多个重
点区域，如图2所示。此处识别得到的重点区域即为后续精粒度样本库的搭建提供了基础。
(4)基于(3)中识别得到的重点区域，可缩小待测参数的变化范围，进而用以构建
精粒度光学散射响应样本库β，如图2所示。例如，为保证样本库β的精度，此处选择高保真度
的仿真建模方法如：有限元法(FEA)或加入一定量的高精度散射仪器的实测数据用以进行
(5)基于(4)中的样本库β，训练搭建精粒度代理模型S2。为保证精粒度阶段的搜索
精度，本发明实施例采用自适应采样方法并结合深度神经网络(DNN)构建模型。自适应采样
方法与DNN架构有很多种，本实施例中采用基于预测方差的自适应采样办法来进行采样设计；
(5.1)所述基于预测方差的自适应采样方法与克里金法深度结合，其输出响应即
视为高斯过程的具体实现。预测方差作为实际预测误差的估计，用以辅助采样设计，降低构
[0064] 其中，GP是高斯过程， 是模型的预测响应， 是模型的预测方差。
(5.2)DNN模型架构如图3所示，图中输入即为在样本库β中采样获得的训练点，输
(6)使用所构建的代理模型S2在如图2所示的样本库β上进行精粒度阶段的搜索优
化，寻找多重点区域内的最优值。此时，模型输出的最优值即为待测样本的相关参数。
此外，以上所述仅为适用于本发明的实施例，并不用以限制本发明。凡属于本发明
思路下的技术方法、研究方案均属于本发明保护范围。凡在本发明思路内的任何修改、等同