买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华东师范大学申请的专利一种基于无监督学习的光刻工艺窗口的确定方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116740530B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310675979.1，技术领域涉及：G06V10/82；该发明授权一种基于无监督学习的光刻工艺窗口的确定方法是由娄鹏杰;赵舶彤;吕岳;吕淑静设计研发完成，并于2023-06-08向国家知识产权局提交的专利申请。

本一种基于无监督学习的光刻工艺窗口的确定方法在说明书摘要公布了：本发明涉及一种基于无监督学习的光刻工艺窗口的确定方法，包括：训练阶段：S1：获取大量无标签的光刻图像矩阵进行无监督学习；S2：通过无监督对比学习神经网络自动提取图像特征并进行相似度评估，从而获得相似度评价指标。应用阶段：S3：输入待分析的光刻图像矩阵，计算相似度矩阵；S4：根据相似度矩阵构建图结构，其中每张图像作为图节点，相似度用于构建图之间的边；S5：采用图聚类算法对光刻图像矩阵进行分类判定，聚类得分最高的簇群被确定为光刻工艺窗口。本发明克服了依赖人工标签和主观评估的缺陷，实现了光刻工艺窗口的自动判断。借助大样本的无监督学习，该方法在特征提取方面具有优越性能，为光刻工艺质量评估带来更高的准确性和鲁棒性。

本发明授权一种基于无监督学习的光刻工艺窗口的确定方法在权利要求书中公布了：1.一种基于无监督学习的光刻工艺窗口的确定方法，其特征在于，包括以下步骤： S1：获取大量无标签的光刻图像矩阵数据集； S2：训练无监督对比学习神经网络以提取图像高维特征； S3：输入一组光刻图像矩阵，通过对比学习神经网络计算得到不同光刻图像之间的相似度； S4：根据相似度矩阵构建图结构； S5：使用图聚类算法对光刻图像进行分类判定，得到光刻工艺窗口； 其中：步骤S2具体包括： 所述训练无监督对比学习神经网络，通过对比不同数据样本之间的相似和差异来学习图像特征；采用SimCLR对比学习神经网络，其组成包括： S20：数据增强：对原始图像进行随机的数据增强操作即裁剪、翻转、颜色和扭曲，生成一对图像变换样本即锚点和正样本； S21：特征提取器：采用深度卷积神经网络作为特征提取器，对锚点和正样本进行特征提取，生成对应的特征向量； S22：投影头：将特征向量映射到一个低维空间中，使得相似的图像在低维空间中靠近，而不相似的图像远离； S23：对比损失函数：计算锚点和正样本在低维空间中的相似度，并最大化来自同一图像的样本对之间的相似度，同时最小化来自不同图像的样本对之间的相似度； 所述步骤S5具体包括： 使用基于社区发现的Louvain算法，在光刻图像的相似度图结构中进行快速的层次聚类；所述Louvain算法通过优化模块度Q指标来确定网络中的社区结构，能够准确地发现具有紧密连接的节点群体；在所述的图结构中，每个节点代表一张光刻图像，而边的权重表示图像间的相似度；通过运用Louvain算法，将具有高相似度的光刻图像划分为同一个簇群，进而揭示光刻图像之间的联系； 其模块度Q的计算公式为： 其中，m表示网络中边的总数；Aij是邻接矩阵的元素，当节点i与节点j之间存在边时，Aij＝1，否则Aij＝0；ki和kj分别表示节点i和节点j的度即相连的边数；δci，cj是一个指示函数，当节点i和节点j属于同一社区时，δci，cj＝1，否则δci，cj＝0； 所述Louvain算法，具体包括： S50：初始化：首先，将每个节点视为一个独立的社区； S51：局部优化：对于每个节点，计算将其移动到邻近社区所带来的模块度变化；然后将节点移动到使模块度增加最大的社区中；若无法增加模块度，则保持原社区；重复此过程，直到所有节点的社区分配稳定下来，模块度Q保持不变； S52：合并社区：在局部优化完成后，将同一社区的节点合并为一个新的节点，得到一个社区聚类后的网络；此过程中，原先同一社区内部的边被合并，而不同社区之间的边则保留； S53：重复步骤S51和S52：在新生成的网络上重复执行步骤S51和S52，直到模块度不再增加为止； S54：输出结果：当模块度不再增加时，算法结束；最后得到的社区划分结果即为最优社区结构，最优社区即为最终确定的光刻工艺窗口。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华东师范大学，其通讯地址为：200241 上海市闵行区东川路500号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。