基于SVR的脉冲激光沉积TiN／A1N多层薄膜的工艺优化.pdfVIP

财 斟 2013年第14期(44)卷 文章编号：1001—9731(2013)14—2074—05 基于SVR的脉冲激光沉积 TiN／A1N多层薄膜的工艺优化 皇思洁，蔡从中，曾庆文 (重庆大学 应用物理系，重庆 401331) 摘 要 ： 根据脉冲激光沉积 (PLD)法在单晶 Si试样 指导实验，以制备具有理想硬度和厚度的TiN／A1N复 表面沉积制备 多层 TiN／AlN硬质膜实验数据 ，应用基 合薄膜 。唐普洪等采用免疫径 向基 函数神经 网络 于粒子群算法 (PS0)寻优 的支持 向量回归 (SVR)方 (IRBFNN)建立 了脉冲激光工艺参数下的A1N膜厚 法，建立不 同工艺参数 下沉积 的TiN／AlN 多层膜 的 的预测模型 ，该模型具有较好的预测能力 j。受唐普 AlN膜厚及 TiN薄膜硬度的 SVR预测模型。在相 同 洪等工作 的启发 ，本文提 出利用支持 向量 回归 (sup— 的训练与测试样本集下，将 SVR所得的 AlN 膜厚预 portvectorregression，简称 SVR)方法建立不 同工艺 测值与免疫径 向基 函数 (IRBF)神经网络的计算结果 参数下 PLD沉积的TiN／AlN多层膜的硬度和厚度 的 进行比较 。结果表 明，SVR模型训练和预测结果的平 预测模型 ，并与 IRBFNN模型 的预测结果进行对比研 均绝对百分误差要 比IRBFNN模型的小，其预测精度 究 。 更高，预测效果更好 。应用 SVR的 TiN薄膜硬度模 型对PLD法沉积 TiN薄膜的工艺参数进行 了优化，分 2 原理与方法简介 析 了多因素对 PLD法沉积 TiN薄膜硬度的交互作用 2．1 支持向量回归原理简介 和影响。该方法可为人们利用 PLD法沉积 TiN／AlN 支持向量机 (supportvectormachine，简称 SVM) 多层功能薄膜提供科学的理论指导，具有重要的理论 是由Vapnik及其合作者口叩于 l995年提出的，它是一 意义和实用价值 。 种基于结构风险最小化的统计学习方法 ，可用于分类 关键词 ： 脉冲激光沉积：TiN／AlN硬质多层膜 ；支持 和回归分析 ，已被成功地应用 到很 多实 际领域u ]。 向量 回归 ；回归分析 ；工艺优化 当SVM 应用于 回归分析时 ，即称为 SVR。SVR的基 中图分类号 ： 04—39；TP391 文献标识码：A 本思想是 ：设样本数据集为 {(J2，Y)，( ，Yz)，…， DOI：10．3969／i．issn．100i-973l_2013．14．022 (z ，Y )}，使用一个非线性的映射 将样本集中的z 1 引 言 映射到高维空 问F，并在特征 空间 F 中进行线性 回 归 ： TiN／AlN硬质多层膜 是在 TiN 薄膜 的基础上发 展起来的一种更优 良的纳米复合超硬功能薄膜[1]，因 ． 厂(z)一 (n～n )k(，z．)+b (1) 此兼具纳米材料和复合材料 的优点。TiN／A1N硬质 i一 1