用于光阻洗净液生产的自动配料系统及其配料方法

摘要

本申请涉及智能制造下的光阻洗净液领域，其具体地公开了一种用于光阻洗净液生产的自动配料系统及其配料方法。所述用于光阻洗净液生产的自动配料系统采用基于深度学习的神经网络技术来智能地逐一确定配方成分的局部最优质量，通过这样方式来确定所述光阻清洗液针对于特定对象的最佳配比，进而基于此最佳配比来进行自动配料。

权利要求

1.一种用于光阻洗净液生产的自动配料系统，其特征在于，包括：

配方数据单元，用于获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；

配方数据语义编码单元，用于将所述多个配方数据中各个配方数据分别通过经训练完成的包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；

第一卷积编码单元，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过经训练完成的第一卷积神经网络以获得第一特征矩阵；

清洗测试数据获取单元，用于获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清晰效果的多个时间值；

视频编码单元，用于将所述清洗测试视频通过经训练完成的联合编码器的视频编码器以获得第一编码特征向量，所述视频编码器使用经训练完成的三维卷积神经网络对所述清洗测试视频进行编码；

时序编码单元，用于将所述多个时间值构造为输入向量后通过经训练完成的所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；

联合编码单元，用于使用所述联合编码器来融合所述第一编码特征向量和所述第二特征向量以生成第二特征矩阵；

特征矩阵融合单元，用于融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；

解码单元，用于将所述解码特征矩阵通过解码器以生成解码值，所述解码值为所述非离子性界面活性剂的的局部最优重量值；以及配料单元，用于基于所述解码值生成配料方案。

2.根据权利要求1所述的用于光阻洗净液生产的自动配料系统，还包括训练模块，所述训练模块用于对所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器进行训练；

其中，所述训练模块，包括：

训练配方数据单元，用于获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；

训练配方数据语义编码单元，用于将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；

训练第一卷积编码单元，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵；

训练清洗测试数据获取单元，用于获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值；

训练视频编码单元，用于将所述清洗测试视频通过联合编码器的视频编码器以获得第一编码特征向量，所述视频编码器使用三维卷积神经网络对所述清洗测试视频进行编码；

训练时序编码单元，用于将所述多个时间值构造为输入向量后通过所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；

训练联合编码单元，用于使用所述联合编码器来融合所述第一编码特征向量和所述第二特征向量以生成第二特征矩阵；

训练特征矩阵融合单元，用于融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；

第一损失计算单元，用于计算所述第一特征矩阵和所述第二特征矩阵之间的用于特征流形的维度分布相似性约束的损失函数值，其中，所述用于特征流形的维度分布相似性约束的损失函数值基于所述第一特征矩阵与所述第二特征矩阵之间的余弦距离以及所述第一特征矩阵和所述第二特征矩阵之间的欧式距离生成；

第二损失计算单元，用于将所述解码特征矩阵通过解码器以生成解码损失函数值；

训练单元，用于以所述用于特征流形的维度分布相似性约束的损失函数值和所述解码损失函数值的加权和来训练所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器。

3.根据权利要求2所述的用于光阻洗净液生产的自动配料系统，其中，所述训练配方数据语义编码单元，进一步用于：使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述多个配方数据中各个配方数据转化为输入向量以获得输入向量的序列；使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个配方成分特征向量；分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量。

4.根据权利要求3所述的用于光阻洗净液生产的自动配料系统，其中，所述训练第一卷积编码单元，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。

5.根据权利要求4所述的用于光阻洗净液生产的自动配料系统，其中，所述训练视频编码单元，进一步用于：使用三维卷积核的卷积神经网络的视频编码器以如下公式对所述清洗测试视频进行处理以生成所述第一编码特征向量；

其中，所述公式为：

其中，Hj、Wj和Rj分别表示三维卷积核的长度、宽度和高度，m表示第(l‑1)层特征图的个数， 是与(l‑1)层的第m个特征图相连的卷积核，blj为偏置，f(·)表示激活函数。

6.根据权利要求5所述的用于光阻洗净液生产的自动配料系统，其中，所述训练时序编码单元，包括：构造子单元，用于将所述多个时间值排列为一维的输入向量；

全连接子单元，用于使用所述时序编码器的全连接层以如下公式对所述构造子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为： 其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量， 表示矩阵乘；

一维卷积子单元，用于使用所述时序编码器的一维卷积层以如下公式对所述构造子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。

7.根据权利要求6所述的用于光阻洗净液生产的自动配料系统，其中，所述第一损失计算单元，进一步用于：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的所述用于特征流形的维度分布相似性约束的损失函数值；

其中，所述公式为：

其中cos(M1,M2)表示所述第一特征矩阵M1和所述第二特征矩阵M2之间的余弦距离，且d(M1,M2)表示其间的欧式距离。

8.根据权利要求7所述的用于光阻洗净液生产的自动配料系统，其中，所述第二损失计算单元，进一步用于：使用解码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值；其中，所述公式为： 其中X是所述解码特征矩阵，Y是解码值，W是权重矩阵， 表示矩阵乘；计算所述解码值与真实值之间的交叉熵值作为所述解码损失函数值。

9.一种用于光阻洗净液生产的自动配料系统的配料方法，其特征在于，包括：

获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；

将所述多个配方数据中各个配方数据分别通过经训练完成的包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；

将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过经训练完成的第一卷积神经网络以获得第一特征矩阵；

获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清晰效果的多个时间值；

将所述清洗测试视频通过经训练完成的联合编码器的视频编码器以获得第一编码特征向量，所述视频编码器使用经训练完成的三维卷积神经网络对所述清洗测试视频进行编码；

将所述多个时间值构造为输入向量后通过经训练完成的所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；

使用所述联合编码器来融合所述第一编码特征向量和所述第二特征向量以生成第二特征矩阵；

融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；

将所述解码特征矩阵通过解码器以生成解码值，所述解码值为所述非离子性界面活性剂的的局部最优重量值；以及基于所述解码值生成配料方案。

10.根据权利要求9所述的用于光阻洗净液生产的自动配料系统的配料方法，其中，将所述多个配方数据中各个配方数据分别通过经训练完成的包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量，包括：使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述多个配方数据中各个配方数据转化为输入向量以获得输入向量的序列；

使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个配方成分特征向量；

分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量。

说明书

用于光阻洗净液生产的自动配料系统及其配料方法

技术领域

[0001] 本发明涉及智能制造下的光阻洗净液领域，且更为具体地，涉及一种用于光阻洗净液生产的自动配料系统及其配料方法。

背景技术

[0002] 一般在液晶、有机EL、电浆显示器等平面显示器或半导体和印刷电路板等制程中，为获致精细图像，使用一般微影术技术进行感光性组成的图案形成，利用光阻剂等放射线敏感组成物以涂布方式在基材上形成薄膜。经过放射线照射后，以碱性清洗液，来除去不要的涂膜部分，以获致良好的图案。

[0003] 由于基板边上光阻剂层比基板中心区较不均匀，所以要除去芯片中不均匀光阻剂层或珠粒，并清洗此基板。已知光阻清洗剂通常为甲基异丁基甲酮，该成分的光阻清洗剂虽具有相对满意的清洗光阻能力，但对人与环境有毒，故其使用受到ISO14000 环境管理认证所限制。

[0004] 因此，有必要以其它物质替代甲基异丁基甲酮的使用。近年来出现了多种光阻清洗剂，例如，美国专利 4983490揭露了一种组成成分包括 1‑10 份重量丙二醇单甲基醚与 1‑10 份重量乙酸丙二醇单甲基醚酯。中国专利CN1987663 B揭露了一种光阻清洗剂，其由乙酸丙二醇单甲基醚酯与环己酮组成，其中乙酸丙二醇单甲基醚酯与环己酮的重量百分组成比为 70％比 30％。

[0005] 市面上售卖的光阻清洗剂是一种配方数据的清洗剂，但实际上同样配方的光阻清洗剂在不同的应用场景中会有不同的性能表现，也就是，在实际产业中，同样一种配方的光阻清洗剂可能在A场景下应用良好，但在B场景下却应用欠佳。

[0006] 因此，对应于不同应用场景，需调整配方中不同成分的比例以自适应地获得场景适配性光阻清洗剂。也就是说，对于实际的需求方来说，期待基于自身所要清理的对象（例如，基板）的特殊性来针对性地提供适配的光阻洗净液。

[0007] 因此，期待一种基于特定场景的特定应用需求的光阻洗净液的自动配料方案。

发明内容

[0008] 为了解决上述技术问题，提出了本申请。

[0009] 本申请的实施例提供了一种用于光阻洗净液生产的自动配料系统及其配料方法，其采用基于深度学习的神经网络技术来智能地逐一确定配方成分的局部最优质量，通过这样方式来确定所述光阻清洗液针对于特定对象的最佳配比，进而基于此最佳配比来进行自动配料。

[0010] 根据本申请的一个方面，提供了一种用于光阻洗净液生产的自动配料系统，其包括：配方数据单元，用于获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；配方数据语义编码单元，用于将所述多个配方数据中各个配方数据分别通过经训练完成的包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；第一卷积编码单元，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过经训练完成的第一卷积神经网络以获得第一特征矩阵；清洗测试数据获取单元，用于获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清晰效果的多个时间值；视频编码单元，用于将所述清洗测试视频通过经训练完成的联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用经训练完成的三维卷积神经网络对所述清洗测试视频进行编码；时序编码单元，用于将所述多个时间值构造为输入向量后通过经训练完成的所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；联合编码单元，用于使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵；特征矩阵融合单元，用于融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；解码单元，用于将所述解码特征矩阵通过解码器以生成解码值，所述解码值为所述非离子性界面活性剂的局部最优重量值；以及配料单元，用于基于所述解码值生成配料方案。

[0011] 在上述用于光阻洗净液生产的自动配料系统中，还包括训练模块，所述训练模块用于对所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器进行训练，其中，所述训练模块，包括：训练配方数据单元，用于获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；训练配方数据语义编码单元，用于将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；训练第一卷积编码单元，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵；训练清洗测试数据获取单元，用于获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值；训练视频编码单元，用于将所述清洗测试视频通过联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用三维卷积神经网络对所述清洗测试视频进行编码；训练时序编码单元，用于将所述多个时间值构造为输入向量后通过所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；训练联合编码单元，用于使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵；训练特征矩阵融合单元，用于融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；第一损失计算单元，用于计算所述第一特征矩阵和所述第二特征矩阵之间的用于特征流形的维度分布相似性约束的损失函数值，其中，所述用于特征流形的维度分布相似性约束的损失函数值基于所述第一特征矩阵与所述第二特征矩阵之间的余弦距离以及所述第一特征矩阵和所述第二特征矩阵之间的欧式距离生成；第二损失计算单元，用于将所述解码特征矩阵通过解码器以生成解码损失函数值；训练单元，用于以所述用于特征流形的维度分布相似性约束的损失函数值和所述解码损失函数值的加权和来训练所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器。

[0012] 在上述用于光阻洗净液生产的自动配料系统中，所述训练配方数据语义编码单元，进一步用于：使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述多个配方数据中各个配方数据转化为输入向量以获得输入向量的序列；使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个配方成分特征向量；分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量。

[0013] 在上述用于光阻洗净液生产的自动配料系统中，所述训练第一卷积编码单元，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。

[0014] 在上述用于光阻洗净液生产的自动配料系统中，所述训练视频编码单元，进一步用于：使用三维卷积核的卷积神经网络的视频编码器以如下公式对所述清洗测试视频进行处理以生成所述第一特征向量；其中，所述公式为：

[0015]

[0016] 其中， 、 和 分别表示三维卷积核的长度、宽度和高度，m表示第 层特征图的个数， 是与 层的第m个特征图相连的卷积核， 为偏置， 表示
激活函数。

[0017] 在上述用于光阻洗净液生产的自动配料系统中，所述训练时序编码单元，包括：构造子单元，用于将所述多个时间值排列为一维的输入向量；全连接子单元，用于使用所述时序编码器的全连接层以如下公式对所述构造子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中 是所述输入向量， 是输出向量， 是权重矩阵， 是偏置向
量， 表示矩阵乘；一维卷积子单元，用于使用所述时序编码器的一维卷积层以如下公式对所述构造子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

[0018]

[0019] 其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。

[0020] 在上述用于光阻洗净液生产的自动配料系统中，所述第一损失计算单元，进一步用于：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的所述用于特征流形的维度分布相似性约束的损失函数值；

[0021] 其中，所述公式为：

[0022]

[0023] 其中 表示所述第一特征矩阵 和所述第二特征矩阵 之间的余弦距离，且 表示其间的欧式距离。

[0024] 在上述用于光阻洗净液生产的自动配料系统中，所述第二损失计算单元，进一步用于：使用解码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值；其中，所述公式为： ，其中 是所述解码特征矩阵， 是解码值， 是权重矩阵，表示矩阵乘；计算所述解码值与真实值之间的交叉熵值作为所述解码损失函数值。

[0025] 据本申请的另一方面，一种用于光阻洗净液生产的自动配料系统的配料方法，其包括：获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；将所述多个配方数据中各个配方数据分别通过经训练完成的包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过经训练完成的第一卷积神经网络以获得第一特征矩阵；获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清晰效果的多个时间值；将所述清洗测试视频通过经训练完成的联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用经训练完成的三维卷积神经网络对所述清洗测试视频进行编码；将所述多个时间值构造为输入向量后通过经训练完成的所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵；融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；将所述解码特征矩阵通过解码器以生成解码值，所述解码值为所述非离子性界面活性剂的局部最优重量值；以及基于所述解码值生成配料方案。

[0026] 与现有技术相比，本申请提供的用于光阻洗净液生产的自动配料系统及其配料方法，其采用基于深度学习的神经网络技术来智能地逐一确定配方成分的局部最优质量，通过这样方式来确定所述光阻清洗液针对于特定对象的最佳配比，进而基于此最佳配比来进行自动配料。

附图说明

[0027] 通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。

[0028] 在附图中，相同的参考标号通常代表相同部件或步骤。

[0029] 图1为根据本申请实施例的用于光阻洗净液生产的自动配料系统的应用场景图。

[0030] 图2为根据本申请实施例的用于光阻洗净液生产的自动配料系统的框图。

[0031] 图3A为根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法中训练阶段的流程图。

[0032] 图3B为根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法中推断阶段的流程图。

[0033] 图4A为根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法中训练阶段的架构示意图。

[0034] 图4B为根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法中推断阶段的架构示意图。

具体实施方式

[0035] 下面，将参考附图详细地描述根据本申请的示例实施例。

[0036] 显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0037] 场景概述

[0038] 如前所述，一般在液晶、有机EL、电浆显示器等平面显示器或半导体和印刷电路板等制程中，为获致精细图像，使用一般微影术技术进行感光性组成的图案形成，利用光阻剂等放射线敏感组成物以涂布方式在基材上形成薄膜。经过放射线照射后，以碱性清洗液，来除去不要的涂膜部分，以获致良好的图案。

[0039] 由于基板边上光阻剂层比基板中心区较不均匀，所以要除去芯片中不均匀光阻剂层或珠粒，并清洗此基板。已知光阻清洗剂通常为甲基异丁基甲酮 (Methyl isobutyl ketone，MIBK)。该成分的光阻清洗剂虽具有相对满意的清洗光阻能力，但对人与环境有毒，故其使用受到ISO14000 环境管理认证所限制。

[0040] 因此，有必要以其它物质替代甲基异丁基甲酮的使用。近年来出现了多种光阻清洗剂，例如，美国专利 4983490揭露了一种组成成分包括 1‑10 份重量丙二醇单甲基醚 (Propylene glycol mono‑methyl ether，PGME) 与 1‑10 份重量乙酸丙二醇单甲基醚酯 (Propylene glycol mono‑methyl ether acetate，PGMEA)。中国专利CN1987663 B揭露了一种光阻清洗剂，其由乙酸丙二醇单甲基醚酯与环己酮组成，其中乙酸丙二醇单甲基醚酯与环己酮的重量百分组成比为 70％比 30％。

[0041] 市面上售卖的光阻清洗剂是一种配方数据的清洗剂，但实际上同样配方的光阻清洗剂在不同的应用场景中会有不同的性能表现，也就是，在实际产业中，同样一种配方的光阻清洗剂可能在A场景下应用良好，但在B场景下却应用欠佳。

[0042] 因此，对应于不同应用场景，需调整配方中不同成分的比例以自适应地获得场景适配性光阻清洗剂。也就是说，对于实际的需求方来说，期待基于自身所要清理的对象（例如，基板）的特殊性来针对性地提供适配的光阻洗净液。

[0043] 因此，期待一种基于特定场景的特定应用需求的光阻洗净液的自动配料方案。

[0044] 近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。

[0045] 此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

[0046] 近年来，深度学习以及神经网络的发展，为光阻洗净液的自动配料提供了解决思路和方案。

[0047] 在选择自适应的配方时，显然无法通过穷举法来获得最佳的配方，因为这种做法太浪费人力物力。

[0048] 另一方面，配方的各个配方成分之间存在关联，一种配方成分的作用很难脱离配方整体来论。

[0049] 为了适配于不同配方数据对应清洗效果的复杂非线性映射关系，本申请发明人尝试使用基于深度学习的神经网络技术来智能地推断出相对较佳的配料方案。

[0050] 具体地，在本申请的技术方案中，首先获取光阻洗净液的配方的多个配方数据。以所述光阻光阻洗净液的配方为水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂为例，在所述多个配方数据中，所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异，也就是，控制其他成分的重量不变，调整所述非离子性界面活性剂的重量来生成多个配方数据。

[0051] 这么做采用了控制变量的思想，也就是，将配方中其他配方成分的重量设置为恒定值，来求解单一配方成分的局部最佳值，然后，通过逐步迭代的方式来获得所述光阻洗净液的配方的最佳配方数据。

[0052] 为了提取所述光阻洗净液的配方的配方数据中各个配方成分之间的高维隐含关联，使用包含嵌入层的上下文编码器分别对各个配方数据进行基于全文的高维语义编码以生成对应于所述多个配方数据的多个第一特征向量。

[0053] 为了筛选出局部最优配方，进一步地将所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵，其中，所述特征矩阵中每一个行向量为一个所述第一特征向量，也就是，所述特征矩阵在数据层面构建了各个配方数据之间的关联。

[0054] 进一步地，使用第一卷积神经网络对所述特征矩阵进行编码以提取出所述特征矩阵中的高维局部隐含关联特征，即，提取出所述多个配方数据中各个配方成分、所述多个配方数据中各个配方数据，以及，一个配方数据中各个配方成分的高维隐含关联以生成所述第一特征矩阵。

[0055] 接着，获取所述光阻清洗液的多个配方数据的清洗测试视频。也就是，获取待清洗的特定对象，然后使用不同配方数据的所述光阻清洗液对其进行清洗并对清洗的过程进行视频监控。应可以理解，所述清洗测试视频数据中包含了不同配方数据的光阻清洗液对待清洗对象的动态清洗过程特征和信息。

[0056] 相应地，为了评估不同配方数据的清洗效果和不同配方数据的清洗效果之间的关联，在本申请实施例中，采用联合编码器对所述清洗测试视频进行联合编码以生成第二特征矩阵，其中，所述联合编码器包括用于对视频数据进行编码的视频编码器以及用于对标签数据进行编码的时序编码器，所述标签数据为所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值。

[0057] 接着，融合用于表示不同配方数据的高维隐含特征和用于表示不同配方数据的清晰效果的高维隐含特征就可以进行解码回归以获得所述非离子性界面活性剂的局部最优重量值。

[0058] 在融合第一特征矩阵和第二特征矩阵时，由于第一特征矩阵表达语义上下文编码的样本间关联特征，而第二特征矩阵表达时序方向约束的图像语义特征编码，其所对应的特征流型在高维特征空间内会具有较大偏移，从而导致融合后的特征矩阵的特征稀疏。

[0059] 基于此，引入用于特征流形的维度分布相似性约束的损失函数，表示为：

[0060]

[0061] 其中 表示第一特征矩阵 和第二特征矩阵 之间的余弦距离，且 表示其间的欧式距离。

[0062] 通过以该损失函数训练第一特征矩阵和第二特征矩阵各自的编码分支，可以约束特征流形在高维特征空间内的不同维度视角下观察的分布相似性，也就是，通过分布的几何相似性约束，可以优化第一特征矩阵和第二特征矩阵之间关联的局部特征描述，以减轻融合后的特征矩阵由于高维特征空间的空间复杂性而导致的特征稀疏。这样，提高解码回归的准确度。

[0063] 进一步地，在确定好所述非离子性界面活性剂的局部最优重量值后，将所述光阻洗净液中所述非离子性界面活性剂的重量设置为局部最优重量值，并以如上所述的方法来逐一确定其他配方成分的局部最优质量，通过这样方式来确定所述光阻清洗液针对于特定对象的最佳配比，进而可基于此最佳配比来进行自动配料。

[0064] 基于此，本申请提出了一种用于光阻洗净液生产的自动配料系统，其包括：配方数据单元，用于获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；配方数据语义编码单元，用于将所述多个配方数据中各个配方数据分别通过经训练完成的包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；第一卷积编码单元，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过经训练完成的第一卷积神经网络以获得第一特征矩阵；清洗测试数据获取单元，用于获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清晰效果的多个时间值；视频编码单元，用于将所述清洗测试视频通过经训练完成的联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用经训练完成的三维卷积神经网络对所述清洗测试视频进行编码；时序编码单元，用于将所述多个时间值构造为输入向量后通过经训练完成的所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；联合编码单元，用于使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵；特征矩阵融合单元，用于融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；解码单元，用于将所述解码特征矩阵通过解码器以生成解码值，所述解码值为所述非离子性界面活性剂的局部最优重量值；以及，配料单元，用于基于所述解码值生成配料方案。

[0065] 图1图示了根据本申请实施例的用于光阻洗净液生产的自动配料系统的应用场景图。如图1所示，在该应用场景中，首先，从光阻洗净液生产的自动配料系统（例如，如图1中所示意的H）中获取所述光阻洗净液（例如，如图1中所示意的P）的配方的多个配方数据，并且通过摄像头（例如，如图1中所示意的C）获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象（例如，如图1中所示意的B）的清洗测试视频以及通过计时器（例如，如图1中所示意的T）获取所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值。然后，将所述多个配方数据、所述清洗测试视频以及所述多个时间值输入至部署有用于光阻洗净液生产的自动配料算法的服务器中（例如，如图1中所示意的云服务器S），其中，所述服务器能够以用于光阻洗净液生产的自动配料算法对所述多个配方数据、所述清洗测试视频以及所述多个时间值进行处理，以生成用于表示所述非离子性界面活性剂的局部最优重量值的解码值，进而，基于所述解码值生成配料方案。

[0066] 在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

[0067] 示例性系统

[0068] 图2图示了根据本申请实施例的用于光阻洗净液生产的自动配料系统的框图。

[0069] 如图2所示，根据本申请实施例的用于光阻洗净液生产的自动配料系统 200，包括：训练模块 210和推断模块 220。

[0070] 其中，训练模块 210，包括：训练配方数据单元 2101，用于获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；训练配方数据语义编码单元 2102，用于将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；训练第一卷积编码单元 2013，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵；训练清洗测试数据获取单元 2104，用于获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值；训练视频编码单元 2105，用于将所述清洗测试视频通过联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用三维卷积神经网络对所述清洗测试视频进行编码；训练时序编码单元 2106，用于将所述多个时间值构造为输入向量后通过所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；训练联合编码单元 2107，用于使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵；训练特征矩阵融合单元 2108，用于融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；第一损失计算单元 2109，用于计算所述第一特征矩阵和所述第二特征矩阵之间的用于特征流形的维度分布相似性约束的损失函数值，其中，所述用于特征流形的维度分布相似性约束的损失函数值基于所述第一特征矩阵与所述第二特征矩阵之间的余弦距离以及所述第一特征矩阵和所述第二特征矩阵之间的欧式距离生成；第二损失计算单元 2110，将所述解码特征矩阵通过解码器以生成解码损失函数值；训练单元 2111，用于以所述用于特征流形的维度分布相似性约束的损失函数值和所述解码损失函数值的加权和来训练所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器。

[0071] 其中，推断模块 220，包括：配方数据单元 2201，用于获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；配方数据语义编码单元 2202，用于将所述多个配方数据中各个配方数据分别通过经训练完成的包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；第一卷积编码单元 2203，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过经训练完成的第一卷积神经网络以获得第一特征矩阵；清洗测试数据获取单元 2204，用于获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清晰效果的多个时间值；视频编码单元 2205，用于将所述清洗测试视频通过经训练完成的联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用经训练完成的三维卷积神经网络对所述清洗测试视频进行编码；时序编码单元 2206，用于将所述多个时间值构造为输入向量后通过经训练完成的所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；联合编码单元 2207，用于使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵；特征矩阵融合单元 2208，用于融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；解码单元 2209，用于将所述解码特征矩阵通过解码器以生成解码值，所述解码值为所述非离子性界面活性剂的局部最优重量值；以及，配料单元 2210，用于基于所述解码值生成配料方案。

[0072] 具体地，在本申请实施例中，所述训练配方数据单元 2101和所述训练配方数据语义编码单元 2102，用于获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异，并将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量。应可以理解，在选择自适应的配方时，显然无法通过穷举法来获得最佳的配方，因为这种做法太浪费人力物力。

[0073] 另一方面，配方的各个配方成分之间存在关联，一种配方成分的作用很难脱离配方整体来论。

[0074] 因此，为了适配于不同配方数据对应清洗效果的复杂非线性映射关系，在本申请的技术方案中，使用基于深度学习的神经网络技术来智能地推断出相对较佳的配料方案。

[0075] 也就是，具体地，在本申请的技术方案中，首先获取光阻洗净液的配方的多个配方数据。以所述光阻光阻洗净液的配方为水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂为例，在所述多个配方数据中，所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异，也就是，控制其他成分的重量不变，调整所述非离子性界面活性剂的重量来生成多个配方数据。这么做采用了控制变量的思想，也就是，将配方中其他配方成分的重量设置为恒定值，来求解单一配方成分的局部最佳值，然后，通过逐步迭代的方式来获得所述光阻洗净液的配方的最佳配方数据。

[0076] 然后，应可以理解，为了提取所述光阻洗净液的配方的配方数据中各个配方成分之间的高维隐含关联，进一步使用包含嵌入层的上下文编码器分别对所述各个配方数据进行基于全文的高维语义编码以生成对应于所述多个配方数据的多个第一特征向量。

[0077] 更具体地，在本申请实施例中，所述训练配方数据语义编码单元，进一步用于：使用所述包含嵌入层的上下文的编码器模型的嵌入层分别将所述多个配方数据中各个配方数据转化为输入向量以获得输入向量的序列；使用所述包含嵌入层的上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个配方成分特征向量；分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量。

[0078] 具体地，在本申请实施例中，所述训练第一卷积编码单元 2013，用于将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵。

[0079] 应可以理解，为了筛选出局部最优配方，在本申请技术方案中，进一步地将所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵，这里，所述特征矩阵中每一个行向量为一个所述第一特征向量，也就是，所述特征矩阵在数据层面构建了各个配方数据之间的关联。

[0080] 进一步地，使用所述第一卷积神经网络对所述特征矩阵进行编码以提取出所述特征矩阵中的高维局部隐含关联特征，即，提取出所述多个配方数据中各个配方成分、所述多个配方数据中各个配方数据，以及，一个配方数据中各个配方成分的高维隐含关联以生成所述第一特征矩阵。相应地，在一个具体示例中，所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。

[0081] 具体地，在本申请实施例中，所述训练清洗测试数据获取单元 2104和所述训练视频编码单元 2105，用于获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值，并将所述清洗测试视频通过联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用三维卷积神经网络对所述清洗测试视频进行编码。

[0082] 也就是，在本申请的技术方案中，进一步通过摄像头获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及通过计时器获取所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值。也就是，获取待清洗的特定对象，然后使用不同配方数据的所述光阻清洗液对其进行清洗并对清洗的过程进行视频监控。

[0083] 应可以理解，所述清洗测试视频数据中包含了不同配方数据的光阻清洗液对待清洗对象的动态清洗过程特征和信息。

[0084] 相应地，为了评估不同配方数据的清洗效果和不同配方数据的清洗效果之间的关联，在本申请实施例中，采用联合编码器对所述清洗测试视频进行联合编码以生成第二特征矩阵，其中，所述联合编码器包括用于对视频数据进行编码的视频编码器以及用于对标签数据进行编码的时序编码器，所述标签数据为所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值。

[0085] 也就是，具体地，在本申请的技术方案中，首先，将所述清洗测试视频通过联合编码器的具有三维卷积神经网络的视频编码器中进行编码处理，以提取出所述不同配方数据的光阻清洗液对待清洗对象的动态清洗隐含特征，从而获得第一特征向量。

[0086] 更具体地，在本申请实施例中，所述训练视频编码单元，进一步用于：使用三维卷积核的卷积神经网络的视频编码器以如下公式对所述清洗测试视频进行处理以生成所述第一特征向量；

[0087] 其中，所述公式为：

[0088]

[0089] 其中， 、 和 分别表示三维卷积核的长度、宽度和高度，m表示第 层特征图的个数， 是与 层的第m个特征图相连的卷积核， 为偏置，f（·）表示
激活函数。

[0090]  具体地，在本申请实施例中，所述训练时序编码单元 2106和所述训练联合编码单元 2107，用于将所述多个时间值构造为输入向量后通过所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量，并使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵。

[0091] 也就是，在本申请的技术方案中，还需要进一步对所述标签数据进行编码，也就是对所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值进行时序编码，以获得所述多个时间值以及所述多个时间值间的高维隐含关联特征信息，从而获得第二特征向量。

[0092] 这样，再使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵，进而能够沿着文本的特定方向强化图像的编码来编码所述清洗测试视频图像帧的相应属性，使之与所述时间值标签相关的隐含关联特征得到凸显，进而提高后续解码回归的准确性。

[0093] 更具体地，在本申请实施例中，所述训练时序编码单元，包括：首先，将所述多个时间值排列为一维的输入向量。

[0094] 然后，使用所述时序编码器的全连接层以如下公式对所述构造子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为： ，其中 是所述输入向量， 是输出向量， 是权重矩阵， 是偏置向量， 表示矩阵乘。最后，使用所述时序编码器的一维卷积层以如下公式对所述构造子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

[0095]

[0096] 其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。

[0097]  具体地，在本申请实施例中，所述训练特征矩阵融合单元 2108和所述第一损失计算单元 2109，用于融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵，并计算所述第一特征矩阵和所述第二特征矩阵之间的用于特征流形的维度分布相似性约束的损失函数值，其中，所述用于特征流形的维度分布相似性约束的损失函数值基于所述第一特征矩阵与所述第二特征矩阵之间的余弦距离以及所述第一特征矩阵和所述第二特征矩阵之间的欧式距离生成。也就是，在本申请的技术方案中，接着，融合用于表示不同配方数据的高维隐含特征和用于表示不同配方数据的清晰效果的高维隐含特征就可以进行解码回归以获得所述非离子性界面活性剂的局部最优重量值。

[0098] 应可以理解，在融合所述第一特征矩阵和所述第二特征矩阵时，由于所述第一特征矩阵表达语义上下文编码的样本间关联特征，而所述第二特征矩阵表达时序方向约束的图像语义特征编码，其所对应的特征流型在高维特征空间内会具有较大偏移，从而导致融合后的特征矩阵的特征稀疏。

[0099] 因此，在本申请的技术方案中，进一步引入用于特征流形的维度分布相似性约束的损失函数。

[0100] 更具体地，在本申请实施例中，所述第一损失计算单元，进一步用于：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的所述用于特征流形的维度分布相似性约束的损失函数值；其中，所述公式为：

[0101] 其中 表示所述第一特征矩阵 和所述第二特征矩阵 之间的余弦距离，且 表示其间的欧式距离。应可以理解，这样，通过以该所述损失函数训练所述第一特征矩阵和所述第二特征矩阵各自的编码分支，可以约束特征流形在高维特征空间内的不同维度视角下观察的分布相似性，也就是，通过分布的几何相似性约束，可以优化所述第一特征矩阵和所述第二特征矩阵之间关联的局部特征描述，以减轻融合后的所述特征矩阵由于高维特征空间的空间复杂性而导致的特征稀疏，进而提高解码回归的准确度。

[0102] 具体地，在本申请实施例中，所述第二损失计算单元 2110和所述训练单元 2111，将所述解码特征矩阵通过解码器以生成解码损失函数值，并以所述用于特征流形的维度分布相似性约束的损失函数值和所述解码损失函数值的加权和来训练所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器。也就是，在本申请的技术方案中，进一步将所述解码特征矩阵通过解码器以生成解码损失函数值。相应地，在一个具体示例中，使用解码器以如下公式对所述解码特征矩阵进行解码回归以获得所述解码值；其中，所述公式为： ，其中 是所述解码特征矩阵， 是解码值， 是权重矩阵，表示矩阵乘；计算所述解码值与真实值之间的交叉熵值作为所述解码损失函数值。然后，就可以以所述用于特征流形的维度分布相似性约束的损失函数值和所述解码损失函数值的加权和来训练所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器。

[0103] 在训练完成后，进入推断模块。也就是，将训练完成后的所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器用于实际的推断中。

[0104] 具体地，在本申请实施例中，首先，获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异。接着，将所述多个配方数据中各个配方数据分别通过经训练完成的包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量。然后，将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过经训练完成的第一卷积神经网络以获得第一特征矩阵。接着，获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值。然后，将所述清洗测试视频通过经训练完成的联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用经训练完成的三维卷积神经网络对所述清洗测试视频进行编码。接着，将所述多个时间值构造为输入向量后通过经训练完成的所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量。然后，使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵。接着，融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵。然后，将所述解码特征矩阵通过解码器以生成解码值，所述解码值为所述非离子性界面活性剂的局部最优重量值。最后，基于所述解码值生成配料方案。

[0105] 进一步地，在确定好所述非离子性界面活性剂的局部最优重量值后，将所述光阻洗净液中所述非离子性界面活性剂的重量设置为局部最优重量值，并以如上所述的方法来逐一确定其他配方成分的局部最优质量，通过这样方式来确定所述光阻清洗液针对于特定对象的最佳配比，进而可基于此最佳配比来进行自动配料。

[0106] 综上，基于本申请实施例的所述用于光阻洗净液生产的自动配料系统 200被阐明，其采用基于深度学习的神经网络技术来智能地逐一确定配方成分的局部最优质量，通过这样方式来确定所述光阻清洗液针对于特定对象的最佳配比，进而基于此最佳配比来进行自动配料。

[0107] 如上所述，根据本申请实施例的用于光阻洗净液生产的自动配料系统 200可以实现在各种终端设备中，例如用于光阻洗净液生产的自动配料算法的服务器等。在一个示例中，根据本申请实施例的用于光阻洗净液生产的自动配料系统 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于光阻洗净液生产的自动配料系统 200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于光阻洗净液生产的自动配料系统 200同样可以是该终端设备的众多硬件模块之一。

[0108] 替换地，在另一示例中，该用于光阻洗净液生产的自动配料系统 200与该终端设备也可以是分立的设备，并且该用于光阻洗净液生产的自动配料系统 200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

[0109] 示例性方法

[0110] 图3A图示了根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法中训练阶段的流程图。如图3A所示，根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法，包括：训练阶段，包括步骤：S110，获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；S120，将所述多个配方数据中各个配方数据分别通过包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；S130，将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵；S140，获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清洗效果的多个时间值；S150，将所述清洗测试视频通过联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用三维卷积神经网络对所述清洗测试视频进行编码；S160，将所述多个时间值构造为输入向量后通过所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；S170，使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵；
S180，融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；S190，计算所述第一特征矩阵和所述第二特征矩阵之间的用于特征流形的维度分布相似性约束的损失函数值，其中，所述用于特征流形的维度分布相似性约束的损失函数值基于所述第一特征矩阵与所述第二特征矩阵之间的余弦距离以及所述第一特征矩阵和所述第二特征矩阵之间的欧式距离生成；S200，将所述解码特征矩阵通过解码器以生成解码损失函数值；S201，以所述用于特征流形的维度分布相似性约束的损失函数值和所述解码损失函数值的加权和来训练所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器。

[0111] 图3B图示了根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法中推断阶段的流程图。如图3B所示，根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法，包括：推断阶段，包括步骤：S210，获取光阻洗净液的配方的多个配方数据，其中，所述光阻洗净液的配方包括水、氢氧四级铵基盐类化合物、醇胺类化合物和非离子性界面活性剂，所述光阻洗净液的配方的多个配方数据中所述水、所述氢氧四级铵基盐类化合物、所述醇胺类化合物的重量相一致，且所述非离子性界面活性剂的重量存在差异；S220，将所述多个配方数据中各个配方数据分别通过经训练完成的包含嵌入层的上下文编码器以分别生成多个配方成分特征向量，并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量；S230，将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵后通过经训练完成的第一卷积神经网络以获得第一特征矩阵；S240，获取所述光阻洗净液的配方的多个配方数据针对于待清洗对象的清洗测试视频以及所述光阻洗净液的配方的多个配方数据达到预定清晰效果的多个时间值；S250，将所述清洗测试视频通过经训练完成的联合编码器的视频编码器以获得第一特征向量，所述视频编码器使用经训练完成的三维卷积神经网络对所述清洗测试视频进行编码；S260，将所述多个时间值构造为输入向量后通过经训练完成的所述联合编码器的包含一维卷积层和全连接层的时序编码器以获得第二特征向量；S270，使用所述联合编码器来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵；S280，融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵；S290，将所述解码特征矩阵通过解码器以生成解码值，所述解码值为所述非离子性界面活性剂的局部最优重量值；以及，S300，基于所述解码值生成配料方案。

[0112] 图4A图示了根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法中训练阶段的架构示意图。如图4A所示，在训练阶段中，在该网络架构中，首先，将获得的所述多个配方数据中各个配方数据（例如，如图4A中所示意的P1）分别通过包含嵌入层的上下文编码器（例如，如图4A中所示意的E1）以分别生成多个配方成分特征向量（例如，如图4A中所示意的VF1），并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量（例如，如图4A中所示意的VF2）；接着，将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵（例如，如图4A中所示意的MF1）后通过第一卷积神经网络（例如，如图4A中所示意的CNN1）以获得第一特征矩阵（例如，如图4A中所示意的MF2）；然后，将获得的所述清洗测试视频（例如，如图4A中所示意的P2）通过联合编码器的视频编码器（例如，如图4A中所示意的E2）以获得第一特征向量（例如，如图4A中所示意的VF3）；接着，将所述多个时间值（例如，如图4A中所示意的P3）构造为输入向量（例如，如图4A中所示意的V）后通过所述联合编码器的包含一维卷积层和全连接层的时序编码器（例如，如图4A中所示意的E3）以获得第二特征向量（例如，如图4A中所示意的VF4）；然后，使用所述联合编码器（例如，如图4A中所示意的CE1）来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵（例如，如图4A中所示意的MF）；接着，融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵（例如，如图4A中所示意的M）；然后，计算所述第一特征矩阵和所述第二特征矩阵之间的用于特征流形的维度分布相似性约束的损失函数值（例如，如图4A中所示意的CLV）；接着，将所述解码特征矩阵通过解码器（例如，如图4A中所示意的D）以生成解码损失函数值（例如，如图4A中所示意的DLV）；最后，以所述用于特征流形的维度分布相似性约束的损失函数值和所述解码损失函数值的加权和来训练所述包含嵌入层的上下文编码器、所述第一卷积神经网络和所述联合编码器。

[0113] 图4B图示了根据本申请实施例的用于光阻洗净液生产的自动配料系统的配料方法中推断阶段的架构示意图。如图4B所示，在推断阶段中，在该网络架构中，首先，将获得的所述多个配方数据中各个配方数据（例如，如图4B中所示意的P1）分别通过经训练完成的包含嵌入层的上下文编码器（例如，如图4B中所示意的C1）以分别生成多个配方成分特征向量（例如，如图4B中所示意的VF1），并分别将所述多个配方成分特征向量进行级联以获得对应于所述多个配方数据的多个第一特征向量（例如，如图4B中所示意的VF2）；接着，将所述对应于所述多个配方数据的多个第一特征向量进行二维排列为特征矩阵（例如，如图4B中所示意的MF1）后通过经训练完成的第一卷积神经网络（例如，如图4B中所示意的CN1）以获得第一特征矩阵（例如，如图4B中所示意的MF2）；然后，将获得的所述清洗测试视频（例如，如图4B中所示意的P2）通过经训练完成的联合编码器的视频编码器（例如，如图4B中所示意的C2）以获得第一特征向量（例如，如图4B中所示意的VF3）；接着，将获得的所述多个时间值（例如，如图4B中所示意的P3）构造为输入向量（例如，如图4B中所示意的V）后通过经训练完成的所述联合编码器的包含一维卷积层和全连接层的时序编码器（例如，如图4B中所示意的C3）以获得第二特征向量（例如，如图4B中所示意的VF4）；然后，使用所述联合编码器（例如，如图4A中所示意的CE2）来融合所述第一特征向量和所述第二特征向量以生成第二特征矩阵（例如，如图4B中所示意的MF）；接着，融合所述第一特征矩阵和所述第二特征矩阵以生成解码特征矩阵（例如，如图4B中所示意的M）；然后，将所述解码特征矩阵通过解码器（例如，如图4B中所示意的D）以生成解码值，所述解码值为所述非离子性界面活性剂的局部最优重量值；以及，最后，基于所述解码值生成配料方案。

[0114] 综上，基于本申请实施例的所述用于光阻洗净液生产的自动配料系统的配料方法被阐明，其采用基于深度学习的神经网络技术来智能地逐一确定配方成分的局部最优质量，通过这样方式来确定所述光阻清洗液针对于特定对象的最佳配比，进而基于此最佳配比来进行自动配料。

[0115] 以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

[0116] 本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

[0117] 还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

[0118] 提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

[0119] 为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。