深度学习椭偏术（DLE）：光学常数、薄膜结构和带隙的超快高精度确定

光谱椭偏术是表征薄膜光学常数（折射率n、消光系数k）、厚度和带隙的重要手段，但传统数据分析依赖专家手动建模，耗时长且门槛高。近年来，基于深度学习的椭偏术（DLE）开始兴起，但早期方法存在明显局限：直接转换法难以处理复杂吸收特征，迭代法则需要额外测量透射/反射光谱，测量时间长达数十分钟。Flexfilm费曼仪器全光谱椭偏仪可以非接触对薄膜的厚度与折射率的高精度表征，广泛应用于薄膜材料、半导体和表面科学等领域，在材料光学特性分析领域具有重要地位。

本研究提出了一套全新的深度学习椭偏术框架，在以下四个方面实现突破：采用高达1亿组数据的超大规模训练；将线性尺度的k光谱与对数尺度的α光谱相结合；引入噪声学习与迁移学习策略，提升对实验噪声的鲁棒性；优化深度卷积神经网络（CNN）架构，通过零填充技术构建更深网络。最终，该方法仅需2秒即可完成从椭偏光谱到光学常数、结构参数和带隙的全自动分析，且无需任何样品先验知识或辅助光谱测量。

1

基本流程与网络结构

flexfilm

本研究所开发的DLE分析整体流程，包含两步过程

本研究的DLE分析分为两个阶段：          
 

第一阶段（预训练，方法A）：使用模拟生成的理想（无噪声）椭偏光谱，训练CNN建立（ψ,Δ）与（n,k,db,ds）以及logα之间的映射关系。          
 

第二阶段（微调，方法B）：在模拟光谱中加入人工高斯噪声（标准差σ=0.2，且Δ噪声为ψ噪声的2倍），对预训练模型进行迁移学习，以增强对真实实验噪声的适应性。

本研究所使用的DLE算法，包括通过带零填充的卷积神经网络层、展平层以及带跳跃连接的全连接层对椭偏原始数据进行处理，生成(n,k)光谱和结构参数（nkd模型）以及对数α光谱（logα模型）

网络结构：输入为五个入射角（50°~70°，步长5°）下100个光子能量点的（ψ,Δ）光谱，构成能量-入射角二维伪图像。经过6个卷积层（每层3×3滤波器，步长1，零填充防止维度收缩），再经展平和5个全连接层（带跳跃连接），分别输出两个平行模型：

nkd模型：预测n、k、体层厚度db、表面粗糙层厚度ds；

logα模型：预测对数吸收系数logα。

2

训练数据的生成

flexfilm

为覆盖实际材料的多样性，作者采用Tauc-Lorentz模型组合生成假设介电函数：每个介电函数由1~10个TL峰叠加而成，峰参数（振幅、展宽、带隙、跃迁能量等）范围来自对90种真实半导体材料的统计。薄膜结构模型为“表面粗糙层/体层/硅衬底（含20Å原生氧化层）”，db变化范围10~300nm，ds为0~10nm。总计生成多达1亿组训练数据，计算耗时约10天。

3

实验验证与手动分析对照

flexfilm

实验样品包括CIGS、CZTS、ZnO、a-Si:H、有机光刻材料等32种器件级薄膜，均生长于硅衬底上。椭偏测量使用旋转补偿器椭偏仪，五个入射角，总测量时间2分26秒。手动分析采用Kramers-Kronig一致的B样条法（商业软件CompleteEase），每个样品耗时约5分钟，作为DLE结果的参考真值。

4

预训练（方法A）的关键发现

flexfilm

对于CdTe，(a)k光谱和(b)α光谱随预训练所用训练数据集总数N的变化

(a)平均绝对误差（MAE）和(b)k光谱精度（KSA）随N的变化

大规模训练数据的必要性：以CdTe为例，当训练数据量N=10^4时，预测的k和α光谱噪声极大；N=10^6时仍有残余波纹；N≥10^7（千万级）后方可获得平滑准确的光谱。对34种模拟材料的定量评估表明，MAE和KSA随着N从10^4增至10^8持续改善，在10^7以上趋于饱和。因此，至少千万级数据集是获得高精度的前提。

混合方法得到的α光谱与真实光谱几乎完全重合

混合线性-对数模型的优势：单独使用nkd模型在低能区（α<10^4cm⁻¹）会产生伪影，而logα模型在高能区误差较大。最佳策略是在α=10^4cm⁻¹处拼接：高能区（强吸收）采用nkd模型的结果，低能区（弱吸收，带边附近）采用logα模型的结果，再经KK积分得到完整的n光谱。

本研究所开发的算法（红色线）和先前文献报道的算法（蓝色线）预测的a-Si:H和CdTe的(n,k)光谱

与先前方法的对比：对于a-Si:H（非晶）和CdTe（晶态），先前文献的算法（蓝线）与真实光谱（黑线）偏差明显，而本研究算法（红线）几乎完美重合，证实了超大规模训练和深度CNN结构的必要性。

5

微调（方法B）解决噪声问题

flexfilm

(a)CuIn₀.₈Ga₀.₂Se₂在不同入射角50°~70°下获得的实验(ψ,Δ)光谱；(b)方法A（仅基于无噪声学习的预训练）得到的k和α光谱（蓝色线）以及基于B样条方法的手动分析结果（黑色线）；(c)方法B（基于带噪声学习的微调）得到的k和α光谱（红色线）以及基于B样条方法的手动分析结果（黑色线）

实验噪声引发的伪影：将仅用理想光谱训练的方法A直接应用于真实CIGS实验光谱时，预测的k和α光谱在带边附近（约1.2eV）出现强烈伪影（蓝线），而B样条手动分析（黑线）平滑准确。这是由于方法A从未见过含噪声数据，对实验噪声过度敏感。

迁移学习的显著效果：经过噪声数据微调的方法B（红线）与B样条结果（黑线）几乎完全一致，且厚度估计（db=37.93nm，ds=9.22nm）也与手动分析（42.50nm和9.48nm）接近。更重要的是，DLE分析仅需2秒，而手动分析需5分钟，速度提升150倍。

基于方法B的DLE分析（红色线）和B样条手动分析（黑色线）得到的a-Si:H、有机薄膜和CuIn₀.₈Ga₀.₂Se₂的(n,k)和α光谱

(a)DLE（方法B）与手动B样条分析得到的db值之间的关系，以及(b)两者得到的ds值之间的关系

广泛适用性验证：对a-Si:H、有机薄膜和CIGS，方法B得到的n、k、α光谱与B样条结果高度吻合。db的统计R²值达0.994，而ds的R²为0.669，后者相关性稍差主要源于少数db<50nm的超薄样品。总体误差统计：n的MAE=0.057，k的MAE=0.032，db的MAPE=8.6%，ds的MAPE=35.3%（但81%样品ds的MAPE<20%）。

6

超快带隙分析

flexfilm

(a)直接带隙半导体材料（CIGS）基于Tauc图的带隙分析；(b)非晶半导体材料（a-Si:H）基于Cody带隙的带隙分析；(c)全自动DLE与手动B样条方法推导出的带隙值之间的关系

利用DLE得到的α光谱，可自动进行带隙提取：直接带隙半导体采用Tauc图，非晶半导体采用Cody带隙。对32个样品的分析表明，DLE带隙与B样条结果的相关性极高（R²=0.997），平均绝对误差仅31meV。整个分析（包括光学常数和带隙）总时间<2秒，相比传统透射/反射法（需透明衬底、测量时间长、易受散射干扰）具有全面优势。

7

后B样条精细修正

flexfilm

本研究中使用的B样条基函数的Kramers-Kronig积分流程

(a)有机层和(b)CIGS层进行后B样条分析的结果（红色线）

对于有机薄膜等具有尖锐跃迁的材料，DLE结果与B样条结果仍存在细微差异。此时，可以DLE输出的光学常数和厚度作为初始猜测，自动执行一次B样条拟合，并利用KK积分保证因果性。结果显示，后B样条分析（红线）比原始DLE结果（蓝线）更好地拟合了实验（ψ,Δ）光谱，且光学函数更为平滑可靠。

8

薄层分析的固有困难

flexfilm

(a)对无噪声模拟CdTe光谱进行DLE（方法A）分析得到的k光谱精度（KSA）的映射结果；(b)对含人工光谱噪声的模拟光谱进行DLE分析（方法A）得到的KSA映射结果；(c)对含噪声模拟光谱应用微调模型（方法B）分析得到的KSA映射结果

结果表明，即使在无噪声的理想条件下，当db<70nm时，k光谱精度（KSA）也从98%以上急剧下降至约90%。这是因为薄层缺乏强烈干涉，椭偏信息量不足，属于物理本质上的困难。噪声会进一步加剧这一趋势，但方法B能有效恢复大部分精度，然而薄层区间（db<70nm）的低精度仍是固有局限。

9

AI“幻觉”与材料类型限制

flexfilm

当前基于半导体材料训练的 DLE 模型（红色线）和详细手动分析（黑色线）得到的 In₂O₃:Sn（ITO）薄膜的 (n, k) 光谱

本研究训练的DLE模型基于半导体介电函数（TL峰组合），对包含自由载流子吸收的透明导电氧化物（如ITO）不适用。手动分析的ITO光学常数在低能区（E<1.5eV）呈现典型的Drude型自由载流子吸收，而半导体DLE模型却错误地在1eV处生成了一个人工峰，试图“强行拟合”该宽吸收特征。这是典型的AI“幻觉”——由于训练数据中从未出现自由载流子吸收，模型只能用不合理的峰形来补偿。因此，应用DLE时必须清楚模型的训练域，超出域的材料需重新训练或采用其他方法。

本研究通过四项核心创新——超大规模训练（1亿数据）、线性/对数混合建模、噪声鲁棒迁移学习、带零填充的深度CNN——成功建立了实用化的深度学习椭偏术。在32种真实薄膜上验证表明：光学常数和体层厚度可达到与手动B样条分析相当的精度（nMAE0.057,kMAE0.032,dbMAPE8.6%），带隙分析误差仅31meV，而单样品分析时间从5分钟降至2秒。对于表面粗糙层厚度（ds）和超薄样品（db<70nm），精度仍有待提升；对于训练域外的材料（如金属、TCO），模型可能产生幻觉结果，需要谨慎使用或针对性重新训练。作为补充，可采用DLE结果为初始猜测的B样条后分析进一步精修。总体而言，本研究为椭偏术的自动化、高通量分析提供了可靠且通用的AI解决方案，在材料合成机器人、在线过程监控等领域具有广阔应用前景。

Flexfilm费曼仪器全光谱椭偏仪

flexfilm

Flexfilm费曼仪器全光谱椭偏仪拥有高灵敏度探测单元和光谱椭偏仪分析软件，专门用于测量和分析光伏领域中单层或多层纳米薄膜的层构参数（如厚度）和物理参数（如折射率n、消光系数k）

• 先进的旋转补偿器测量技术：无测量死角问题。
• 粗糙绒面纳米薄膜的高灵敏测量：先进的光能量增强技术，高信噪比的探测技术。
• 秒级的全光谱测量速度：全光谱测量典型5-10秒。
• 原子层量级的检测灵敏度：测量精度可达0.05nm。 

Flexfilm费曼仪器全光谱椭偏仪能非破坏、非接触地原位精确测量超薄图案化薄膜的厚度、折射率,结合费曼仪器全流程薄膜测量技术，助力半导体薄膜材料领域的高质量发展。

原文参考：《Deep learning ellipsometry: Ultrafast and high-accuracy determination of optical constants, film structures, and bandgaps》

*特别声明：本公众号所发布的原创及转载文章，仅用于学术分享和传递行业相关信息。未经授权，不得抄袭、篡改、引用、转载等侵犯本公众号相关权益的行为。内容仅供参考，如涉及版权问题，敬请联系，我们将在第一时间核实并处理。