本发明实施例涉及基于光谱确定结构参数的，尤其涉及一种结构参数确定方法。
背景技术：
1、光学关键尺寸(optical critical dimension，ocd)是一种非常有效的测量手段，对样品(如晶圆或光罩)上待测周期性结构的测量光谱进行处理，以确定该周期性结构的结构参数。
2、现有技术中，可以通过比对待测周期性结构的测量光谱与仿真光谱-结构参数对照表中各仿真光谱，将最接近测量光谱的仿真光谱对应的结构参数确定为待测结构的结构参数，其中，仿真光谱也被称为理论光谱。
3、这种方式确定结构参数耗时较多。
技术实现思路
1、本发明提供一种结构参数确定方法，以实现快速确定样品上周期性结构的结构参数。
2、第一方面，本发明实施例提供了一种结构参数确定方法，包括：
3、获取样品上周期性结构的测量光谱；
4、将所述测量光谱输入预先训练好的参数确定模型中，以使所述参数确定模型根据所述测量光谱确定所述周期性结构的结构参数，其中，所述参数确定模型是在基于训练样本集中的训练样本子集训练神经网络模型得到中间模型后再基于训练样本集训练所述中间模型得到的模型，所述参数确定模型收敛于全局最优点。
5、本发明实施例提供一种结构参数确定方法，具有以下优点：无需获取较大数据量的仿真光谱-结构参数对照表以供比对，因此可以较为快速地确定样品上周期性结构的结构参数。
6、进一步地，所述参数确定模型通过如下方法训练得到：
7、获取所述训练样本集，其中，所述训练样本集包括多个训练样本，各所述训练样本包括仿真光谱和与所述仿真光谱对应的结构参数的预设值；
8、在所述训练样本集中确定部分训练样本作为训练样本子集，基于所述训练样本子集中各训练样本所包括的所述仿真光谱和与所述仿真光谱对应的结构参数的预设值对神经网络模型进行模型训练，得到中间模型；
9、基于所述训练样本集中所有训练样本所包括的所述仿真光谱和与所述仿真光谱对应的结构参数的预设值对所述中间模型进行模型训练，得到所述参数确定模型。
10、进一步地，获取所述训练样本集，包括：
11、通过对所述周期性结构进行建模得到结构模型，获取与所述结构模型对应的结构参数的多个预设值；
12、基于仿真算法对各所述结构模型进行仿真，得到与各所述预设值对应的仿真光谱，根据各所述仿真光谱和与各所述仿真光谱对应的结构参数的预设值建立所述训练样本集。
13、进一步地，在所述训练样本集中确定部分训练样本作为训练样本子集，基于所述训练样本子集中各训练样本所包括的所述仿真光谱和与所述仿真光谱对应的结构参数的预设值对神经网络模型进行模型训练，得到中间模型，包括：
14、在所述训练样本集中抽取预设数量的训练样本构建所述训练样本子集，基于所述训练样本子集所包括的所述仿真光谱和与所述仿真光谱对应的结构参数的预设值对神经网络模型进行模型训练，并计算损失函数，其中，所述损失函数是关于所述仿真光谱、所述结构参数、至少一个物理参数、各所述物理参数的期望值的函数，所述物理参数是关于所述结构参数的函数；
15、在确定各所述物理参数的数值与其对应的期望值的差值均满足对应的预设条件时，得到所述中间模型。
16、进一步地，在所述训练样本集中确定部分训练样本作为训练样本子集，基于所述训练样本子集中各训练样本所包括的所述仿真光谱和与所述仿真光谱对应的结构参数的预设值对神经网络模型进行模型训练，得到中间模型，还包括：
17、在确定任一所述物理参数的数值与其对应的期望值不满足对应的预设条件时，返回执行在所述训练样本集中抽取预设数量的训练样本构建所述训练样本子集，并重新计算所述损失函数，直至各所述物理参数的数值与其对应的期望值的差值均满足对应的预设条件。
18、进一步地，所述损失函数为其中，f为损失函数，w为模型的权重，θ为模型的偏置项，x为所述训练样本子集中仿真光谱的集合，y为所述训练样本子集中仿真光谱对应的结构参数的预设值的集合，xi和yi为所述训练样本子集中第i个训练样本所包括的仿真光谱和仿真光谱对应的结构参数的预设值，x的元素即为xi，y的元素即为yi，i的取值范围为1-n，n为所述训练样本子集所包括的样本总数，n≥2，g为神经网络模型，g(xi)为将xi输入神经网络模型后神经网络模型的输出值，函数p为所述物理参数的约束函数，ej为第j个所述物理参数的期望值，j的取值范围为1-j，j为所述物理参数的总数，j≥1。
19、进一步地，所述损失函数的所述物理参数包括：所述训练样本子集中各仿真光谱对应的结构参数的预测值的平均值、所述训练样本集中各仿真光谱对应的结构参数的初始预测值、所述训练样本集中各仿真光谱对应的结构参数的预测值的平方平均值。
20、进一步地，在确定所述物理参数的数值与其对应的期望值的差值满足|zj-ej|≤δ*ej时，确定所述物理参数的数值与其对应的期望值的差值满足对应的预设条件，其中，zj表示第j个物理参数的数值，ej表示第j个物理参数对应的期望值，δ的取值范围为10％-20％。
21、其中，j的取值范围为1-j，j＝3。
22、进一步地，获取周期性结构的测量光谱，包括：
23、采用光学关键尺寸测量设备获取所述周期性结构的所述测量光谱；
24、所述基于所述训练样本集中所有训练样本所包括的所述仿真光谱和与所述仿真光谱对应的结构参数的预设值对所述中间模型进行模型训练，得到所述参数确定模型，包括：
25、基于所述训练样本集中所有训练样本所包括的所述仿真光谱和与所述仿真光谱对应的结构参数的预设值对所述中间模型进行模型训练，并计算损失函数；
26、基于所述损失函数的值和预设的迭代终止条件得到所述参数确定模型。
1.一种结构参数确定方法，其特征在于，包括：
2.根据权利要求1所述的结构参数确定方法，其特征在于，所述参数确定模型通过如下方法训练得到：
3.根据权利要求2所述的结构参数确定方法，其特征在于，获取所述训练样本集，包括：
4.根据权利要求2所述的结构参数确定方法，其特征在于，在所述训练样本集中确定部分训练样本作为训练样本子集，基于所述训练样本子集中各训练样本所包括的所述仿真光谱和与所述仿真光谱对应的结构参数的预设值对神经网络模型进行模型训练，得到中间模型，包括：
5.根据权利要求4所述的结构参数确定方法，其特征在于，在所述训练样本集中确定部分训练样本作为训练样本子集，基于所述训练样本子集中各训练样本所包括的所述仿真光谱和与所述仿真光谱对应的结构参数的预设值对神经网络模型进行模型训练，得到中间模型，还包括：
6.根据权利要求5所述的结构参数确定方法，其特征在于，所述损失函数为其中，f为损失函数，w为模型的权重，θ为模型的偏置项，x为所述训练样本子集中仿真光谱的集合，y为所述训练样本子集中仿真光谱对应的结构参数的预设值的集合，xi和yi为所述训练样本子集中第i个训练样本所包括的仿真光谱和仿真光谱对应的结构参数的预设值，x的元素即为xi，y的元素即为yi，i的取值范围为1-n，n为所述训练样本子集所包括的样本总数，n≥2，g为神经网络模型，g(xi)为将xi输入神经网络模型后神经网络模型的输出值，函数p为所述物理参数的约束函数，ej为第j个所述物理参数的期望值，j的取值范围为1-j，j为所述物理参数的总数，j≥1。
7.根据权利要求6所述的结构参数确定方法，其特征在于，所述物理参数包括：所述训练样本子集中各仿真光谱对应的结构参数的预测值的平均值、所述训练样本集中各仿真光谱对应的结构参数的初始预测值、所述训练样本集中各仿真光谱对应的结构参数的预测值的平方平均值。
8.根据权利要求6所述的结构参数确定方法，其特征在于，在确定所述物理参数的数值与其对应的期望值的差值满足|zj-ej|≤δ*ej时，确定所述物理参数的数值与其对应的期望值的差值满足对应的预设条件，其中，zj表示第j个物理参数的数值，ej表示第j个物理参数对应的期望值，δ的取值范围为10％-20％。
9.根据权利要求7所述的结构参数确定方法，其特征在于，其中，j的取值范围为1-j，j＝3。
10.根据权利要求2所述的结构参数确定方法，其特征在于，获取周期性结构的测量光谱，包括：
