一种显示面板用铜蚀刻液配方及其研制方法 |
|||||||
| 申请号 | CN202410257897.X | 申请日 | 2024-03-07 | 公开(公告)号 | CN117854615A | 公开(公告)日 | 2024-04-09 |
| 申请人 | 苏州博洋化学股份有限公司; | 发明人 | 王国洪; 王润杰; 许朱男; 颜禧历; | ||||
| 摘要 | 本 发明 蚀刻液的配方发现方法，特别是一种 显示面板 用 铜 蚀刻液配方及其研制方法，通过模型读取成分 属性信息 和SEM图像的信息，综合了蚀刻速率，选择性和均匀性三个方面的目标来达到高效研发显示面板铜蚀刻液配方的目的。 | ||||||
| 权利要求 | 1.一种显示面板用铜蚀刻液配方，其特征在于，所述配方通过端到端模型得到，所述端到端模型具体包括：输入层，子网络1，注意力模块，子网络2，时间循环层和输出层，所述端到端模型的损失函数如下： |
||||||
| 说明书全文 | 一种显示面板用铜蚀刻液配方及其研制方法技术领域[0001] 本发明涉及蚀刻液技术领域，特别是涉及一种显示面板用铜蚀刻液配方及其研制方法。 背景技术[0002] 铜蚀刻液在电子工业中有着至关重要的作用，尤其是在显示面板的制造过程中。显示面板技术，包括液晶显示（LCD），有机发光二极管（OLED）和微型发光二极管（MicroLED）等，都需要精细的蚀刻工艺以形成精确的电路图案。蚀刻工艺影响着显示面板的质量，性能以及成本，因此，配方的优化对于提升显示面板的竞争力至关重要。 [0003] 显示面板的蚀刻工艺要求蚀刻液具备以下几个关键性能： [0004] 精确度：蚀刻液需要对目标材料具有高度的选择性，能够精确地移除特定区域的材料，以形成细致的电路图案。 [0005] 均匀性：整个显示面板的蚀刻结果需要均匀一致，以保证显示效果的一致性和可靠性。 [0006] 速率：蚀刻速率需要可控，以适应不同厚度材料的蚀刻需求，同时保证生产效率和降低成本。 [0007] 基于深度学习和神经网络的化学配方发现技术在本领域中已经开始崭露头角，本公司对于蚀刻液的研发也开始逐渐从依靠人工配方的传统模式转变到以依靠人工神经网络的基于模型配方的制备方式，在本司之前的研究中，研究了多种不同的基础模型例如卷积神经网络和Transformer等模型在蚀刻液配方研发中的表现，而且也已经将这种方式应用到了关于钛，银等蚀刻液的研发过程中。 [0008] 从实际表现来看，新的基于人工神经网络的方式相对于传统的配方研发方式有诸多好处。 [0009] 首先是研发人员可以减少做试验的次数，这无疑是有利于研发人员的身体健康以及节省成本经费的。其次是在一定程度上加快了研发的效率，缩短研发周期。 [0010] 我司在此之前已经获得了相关的专利，包括202311405337.6和202311333747.4，其分别利用了基础模型Transformer和卷积神经网络进行钛和银蚀刻液的配方研发。尽管其展现出优于传统方式的潜力，但是在研发的过程中我们发现配方发现不准的问题时常发生。 [0012] 第一：数据量和数据类型单一，其仅仅利用了已有配方对应的SEM图像，没有充分利用其他相关数据，如配方成分的属性，导致我们的模型无法依据配方成分属性中包括的深度信息来进行相关配方的研制。 [0013] 第二：已有的配方预测的模型结构简单，都是直接使用如Transformer和CNN进行处理，没有充分考虑蚀刻液各个影响因素的重要性。 [0014] 第三：预测目标单一，在预测相关配方的时候只根据SEM图像考虑了析出量，没有充分考虑其他指标的综合优化，尤其是蚀刻速率，选择性和均匀性。 [0015] 鉴于此，我们优化了我们现有的方法，将其用在显示面板铜蚀刻液的配方研发过程之中，并取得了很好的效果。 发明内容[0016] 本技术方案提出了一种显示面板用铜蚀刻液配方的研发方法，其特征在于，所述方法通过端到端模型进行配方发现，所述端到端模型具体包括：输入层，子网络1，注意力模块，子网络2，时间循环层和输出层，具体而言： [0017] 输入层的输入包括配方属性和SEM图像。 [0018] 在输入层中，模型读取每个配方成分的4项属性的语义描述，包括成分名称，溶解度，pKa值以及等离子电负性。获取所述属性的语义描述，所述语义描述经过one‑hot编码和归一化处理后，构成配方属性输入向量。 [0019] 除了所述配方属性之外，模型还并行读取SEM成像照片，作为配方效果的直观表征，采用RGB图像作为输入。 [0020] 子网络1针对输入的配方属性和SEM图像分别进行特征提取，并输出等维度的特征向量。配方属性通过嵌入层，卷积层和全局池化层的处理转换为嵌入向量。同时，SEM图像经由ResNet50提取特征并通过全局平均池化层得到嵌入向量。两者的输出将整合为一个特征矩阵。 [0021] 注意力模块利用图注意力网络计算特征间的相关性，构建完全连接图学习关联表达，通过自注意力机制强化特征表达能力。 [0022] 子网络2采用多个残差式的Transformer块，进一步提取关联表示。通过自注意力机制和多层感知机（MLP）块，模型能够捕获输入特征的复杂关联，并保留丰富关联信息。 [0023] 时间循环层通过双向GRU网络学习特征序列随时间的动态变化，从而捕捉成分特征的时序关系。 [0024] 输出层为多任务联合学习框架，设有三个损失函数分别对应蚀刻速率，选择性和均匀性预测任务，并通过线性映射将输入转换为预测结果。损失函数由三部分组成，对应三个预测任务的损失，通过调整任务权重 ， ， 对各预测目标的贡献进行平衡。 [0025] 总的来说，本技术方案通过多任务学习框架综合考虑蚀刻速率，选择性和均匀性，联合优化多个预测任务。所有输入数据经过规范化处理，并通过端到端训练完成模型的训练。该模型能够为蚀刻液配方的发现提供强有力的支持，提高蚀刻工艺的效率和质量基于深度学习的蚀刻液配方发现模型技术方案。附图说明 [0026] 图1为本发明提供模型结构图。 具体实施方式[0027] 在本实施例中给出了一种显示面板用铜蚀刻液配方及其研制方法，其特征在于，所述方法利用端到端模型，所述端到端模型具体包括：输入层，子网络1，注意力模块，子网络2，时间循环层和输出层，具体地： [0028] 输入层是模型的起点，负责接收，处理和准备数据供后续网络层使用。 [0029] 首先是，配方属性的处理： [0030] 配方属性是蚀刻液配方中各成分的详细描述，它们对蚀刻过程的效果有直接影响。在本模型中，配方属性包括4个属性，获取所述属性的语义描述，所述语义描述都经过特定的编码和归一化处理，以便能够被模型有效学习。 [0031] 我们对于不同的属性的处理略有不同，对于成分名称，其语义描述可以为其本身，我们直接进行编码处理，这是因为成分名称已经包含了成分在配方中的不同的语义信息。 [0032] 对于溶解度，pKa值以及等离子电负性，我们需要对其进行一般性语义描述，从而得到这些成分属性的特有语义信息。 [0033] 成分名称：该属性直接使用one‑hot编码转换成分名称，将每种成分映射为一个唯一的浮点向量。这种编码方式可以确保成分名称在输入到网络时不会因为数值大小而产生不必要的序列关系。 [0034] 溶解度：成分的溶解性的一般性描述，输入前进行归一化处理； [0037] 上述属性均是对于其化学性质的一般性语义描述，下述为一些可能用到的配方成分的上述属性的一般性语义描述，不表征所述铜蚀刻液的成分仅可以取下列物质： [0038] 聚乙二醇： [0039] 溶解性：聚乙二醇（PEG）的溶解度依赖于其分子量，低分子量的PEG在水中溶解度较高，而高分子量的PEG溶解度较低。 [0040] pKa值：作为非离子型聚合物，PEG本身没有pKa值。 [0041] 等离子电负性：不讨论其等离子电负性。 [0042] EDTA： [0043] 溶解性：EDTA的钠盐在水中溶解度很高，而纯EDTA的溶解度较低，呈弱酸性。 [0044] pKa值：EDTA有多个pKa值，因为它有四个可以脱质子的羧基和两个氨基。其pKa值范围大约在2到10之间。 [0046] 双氧水（过氧化氢）： [0047] 溶解性：双氧水在水中是完全可溶的，实际上通常作为水溶液出售。 [0048] pKa值：双氧水是一个较弱的酸，其pKa值约为11.6，这意味着它在水溶液中不易释放质子。 [0049] 等离子电负性：双氧水分子中的氧原子具有较高的电负性，使其具有氧化性。 [0050] 乙酰水杨酸： [0052] pKa值：乙酰水杨酸的pKa值约为3.5，是一个弱酸。 [0053] 等离子电负性：乙酰水杨酸分子中的羧基和酯基具有较高的电负性。 [0054] 磷酸三钠： [0055] 溶解性：磷酸三钠在水中的溶解性非常好，它是一种碱性盐，可以用于清洁剂和食品添加剂。 [0056] pKa值：磷酸三钠是磷酸的盐，磷酸是一种三元弱酸，有三个pKa值，分别大约为2.1，7.2，和12.4，代表三个氢离子逐个脱离的酸度。 [0057] 等离子电负性：磷酸三钠中的磷原子有较高的电负性，钠原子的电负性较低。 [0058] 丙酸： [0060] pKa值：丙酸的pKa值大约为4.87，这表明它是一种相对较弱的酸。 [0062] 柠檬酸： [0063] 溶解性：柠檬酸在水中的溶解性很好，是一种重要的食品添加剂，也广泛用于制药和化妆品工业。 [0064] pKa值：柠檬酸是一种多元酸，有三个pKa值，分别是3.13，4.76和6.40，这些值代表了其三个羧基逐个失去质子的酸度。 [0065] 等离子电负性：柠檬酸分子中，氧原子电负性最高，碳次之，氢最低。 [0066] 十二烷基苯磺酸钠： [0068] pKa值：作为一种磺酸盐，十二烷基苯磺酸钠本身不具有pKa值，它不像羧酸那样可以释放质子。磺酸基团是非常强的酸，其共轭碱非常稳定，通常不考虑其pKa。 [0069] 等离子电负性：十二烷基苯磺酸钠分子中，磺酸基团中的硫和氧原子电负性较高，碳和氢原子电负性较低。 [0070] 这些属性经过处理后，拼接成为一个维度为N×4的二维数组，作为网络的输入，N表示ont‑hot编码的味道。 [0073] 图像预处理：图像数据在输入网络前需进行标准化处理。这通常包括调整图像的尺寸（，归一化像素值到0‑1或‑1到1范围，以及应用其他可能的图像增强技术。 [0074] 所谓选择性指蚀刻液在蚀刻过程中对不同材料的选择性。也就是在蚀刻同一时间内，蚀刻液对铜的蚀刻速率，相对于掩膜材料和衬底材料的选择性。一个理想的蚀刻液应该对目标材料具有很高的蚀刻速率，而对掩膜和衬底材料的蚀刻效果很低。 [0075] 所谓均匀性指的是在同一块衬底或显示面板内，不同区域受蚀刻液处理后的蚀刻深度和效果的一致程度。一个理想的蚀刻液应该能让整个衬底内各区域的蚀刻结果保持高度一致，从而保证显示效果的均匀性。 [0076] 选择性关注蚀刻液对不同材料的选择性。 [0077] 均匀性关注蚀刻结果在同一衬底内各区域的一致性。 [0078] 两者都是衡量一种蚀刻液质量的重要指标。目的是寻找具有高选择性和均匀性的蚀刻液配方。 [0079] 子网络1负责从输入层接收的配方属性和SEM图像中提取特征。这一过程分为两个并行的路径：配方属性特征提取和SEM图像特征提取。 [0080] 配方属性特征提取通过嵌入层，卷积层，和全局池化层对输入的属性进行处理。 [0081] 嵌入层：嵌入层的作用是将离散的成分名称转换为连续的向量表示。这可以通过one‑hot编码进一步转换为浮点数向量，使得输入数据更适合神经网络处理。举例来说，对于成分名称的one‑hot编码，设有V个可能的成分，则每个成分通过一个V维的向量表示，其中只有对应该成分的一个位置是1，其余位置是0。 [0082] 卷积层：对于配方属性，采用1D卷积来处理。设定不同层的卷积核数量为64，128和256，卷积核大小为3×1。卷积操作可以表示为： 其中：是第l层的输 出 是应用在 上的卷积操作，BN表示批归一化（BatchNormalization），它可以加速深度网络的训练，并能起到正则化效果，f表示激活函数，本模型中使用的是ReLU激活函数，随后输入到下一层或全局池化层。 [0083] 全局池化层：全局池化层用于降低特征维度，将最后一层卷积的输出通过全局平均池化转换为一维的特征向量，表示为： 其中：是经全局池化后得到的256维特征向量， 是最后一个卷积层的输出，GlobalAvgPool表示全局平均池化操作。 [0084] SEM图像特征提取采用了ResNet50架构，该架构具有多个残差块，能够有效捕获图像的深层特征。 [0085] ResNet50的开始是一个的卷积层，后面接一个最大池化层。其基本块（BasicBlock）包括两个3x3的卷积层，对应的公式为： 其中 和 分别 是块的输入和输出，Conv，BN和f的定义与配方属性特征提取中相同。 [0086] 残差连接：在ResNet中，残差连接允许直接将前面层的特征添加到后面层的输出上，这有助于解决深层网络的梯度消失问题。 [0087] 注意力模块用于增强模型对输入特征中重要部分的关注，进而提高特征表示的有效性。在本模型中，注意力模块使用图注意力网络来实现。 [0088] 模型首先需要计算属性间的关联度。这是通过计算属性特征向量间的Pearson相关系数来完成的： 其中： 是第i个和第j个成分特征向量之间的相关系数。Corr是相关系数的计算函数。和 分别是成分i和成分j的特征向量。 [0089] 接着，模型利用图注意力网络来处理这些关联度，将其视为一个完全连接图的边权重， ， 其中： 是第k个注意力头计算得到的成分i和成分j之间的注意力系数。LeakyReLU是激活函数，用于引入非线性。是注意力得分，即成分特征向量在经过变换后的点积。 和 是第k个注意力头的权重矩阵。该模型将所有注意力头的关联分数进行平均，以得到总体关联矩阵： ，其中： 是总 体关联矩阵中的元素，代表了成分i和成分j之间的最终注意力权重，softmax是用于归一化的函数，确保所有关联分数的和为1，K是注意力头的总数，确保了所有注意力头的平均贡献。最后，模型利用总体关联矩阵A'对输入特征X进行加权更新，以得到最终的特征表示Z：Z=A'X其中：Z是更新后的特征矩阵，包含了各个成分特征经过注意力加权后的综合信息，A'是通过注意力机制计算得到的总体关联矩阵，X是原始输入特征矩阵。 [0090] 子网络2是模型中用于进一步提取和加工特征表示的部分，它以子网络1和注意力模块处理后的特征作为输入，子网络2采用了Transformer架构，该架构通过自注意力机制有效地捕捉输入特征之间的长距离依赖关系，具体为，输入数据：输入特征矩阵X：由子网络1和注意力模块输出，该矩阵包含了蚀刻液配方的特征以及SEM图像特征的相关信息。 [0091] 多头自注意力机制： [0092] 在子网络2中，多头自注意力机制允许模型同时处理不同子空间的信息。每个头的自注意力为： ，其中 是输入特征矩阵X经过不同的线性变换获得的查询（Query），键（Key）和值（Value），该机制的目的是让模型能够在不同位置关注到相关的特征，并对这些特征进行加权组合，每个自注意力和前馈网络操作后，模型会使用残差连接和层归一化来保持信息流动，并帮助梯度在深层网络中更有效地传播。接着是前馈网络的处理，前馈网络由两个线性变换组成，中间包含ReLU激活函数。这一部分的目的是为了增加非线性，让模型能够捕捉更复杂的特征。经过多个Transformer块的处理后，子网络2输出一个新的特征矩阵Y，这个矩阵捕获了输入特征在多个维度上的复杂关系。 [0093] 时间循环层的主要功能是捕捉特征随时间的动态变化，这在处理序列数据中尤为重要。在蚀刻液配方的上下文中，这可以帮助模型理解成分如何随着时间影响蚀刻过程。 [0094] 输入数据Y首先通过一个双向GRU网络。双向GRU包括前向和后向两个GRU，分别捕捉正向和反向的时间序列信息，前向GRU计算如下 后向GRU计算如下：其中 是时间步t的特征，和 分别为时间步t在前向和后向GRU中的隐状 态。最终输出序列H是前向和后向GRU的隐状态的拼接： ，这样，模型就可以同时利用过去和未来的信息来做出当前时间步的预测。 [0095] 输出层是模型的最后一层，它负责将时间循环层的输出H映射到最终的预测任务上，并计算预测的损失。在本模型中，输出层对应三个不同的预测任务，每个任务有自己的损失函数。 [0096] 蚀刻速率的损失函数： 其中 是第i个真实的蚀刻速率值，是对应的模型预测值。 [0097] 选择性的损失函数： ，其中 是第i个样本中铜的真实蚀刻速率， 是模型预测的铜蚀刻速率， 是模型预测的掩膜材料蚀刻速率， 是模型预测的衬底材料蚀刻速率； [0098] 均匀性损失函数： ， 是第i个样本中某一区域的真实蚀刻深度， 是模型预测的该区域蚀刻深度。 [0099] 总的损失函数为： 。 [0100] 根据上述的方法，我们得到了一种用于显示面板蚀刻的铜蚀刻液，其按质量百分比组分如下：N‑甲基甲酰胺：3‑7%，双氧水：3‑7%，磷酸三钠：2‑6%，EDTA：0.1‑0.3%，丙酸：0.3‑2%，添加剂：0.1‑0.3%，表面活性剂：0.03‑0.15%，氯化铜：1‑2%，硫酸钠：2‑4%，余量为纯水。 [0101] 上述配方相比于我们上一代的铜蚀刻液配方：N‑甲基甲酰胺4‑10 %，双氧水 4‑10 %，磷酸三钠 4‑10 %，EDTA 0.1‑0.5 %，丙酸 0.5‑3 %，添加剂 0.1‑0.5 %，表面活性剂 0.05‑0.2 %，余量为纯水。 [0102] 相比而言，其蚀刻速率，选择性和均匀性表现都更佳。 [0103] 具体对比如下： [0104] 。 [0105] 可见，利用本申请中提出的模型获得的铜蚀刻液在多个方面均取得了显著的进步，我们采用了端到端深度学习模型，该模型与传统方法相比有以下优势： [0106] 全流程学习配方‑效果关系，模型可以同时学习配方属性和SEM图像，与蚀刻效果之间的复杂映射关系，这是传统方法难以实现的。 [0107] 同时，利用注意力机制增强特征表达能力，用Transformer捕捉配方间长距离依赖，以时间循环致力序列关系影响，这些都提升了模型学习能力。 [0109] 快速和有效，与传统通过手动设计逐步优化配方相比，模型学习后仅需几小时即可找到满意结果，大大提升了研发效率。 [0110] 所以我们采用端到端深度学习方法对配方优化挖掘，能实现高效智能化研发。这是传统方法难以企及的优势。 |
||||||
QQ群二维码
意见反馈
意见反馈