摘要：能量稳定性和剂量精度是半导体光刻用高重频准分子激光器的重要指标,必须采用高精度的控制算法对其进行控制。针对准分子激光器,首先对准分子激光器的单脉冲能量特性进行了分析,并在分析的基础上建立了准分子激光器的出光能量仿真模型。然后,分别设计了能量稳定性控制算法,基于PID的双闭环剂量精度控制算法和基于决策算法的剂量精度控制算法,并通过在仿真模型上实验对于算法控制效果进行了分析,证明了基于决策算法的剂量精度控制算法的适应性更强。最后,将基于决策的控制算法在一台重频为4 kHz的KrF准分子激光器上进行了验证。该激光器在基于决策的控制算法的控制下,能量稳定性的3σ小于5%,剂量精度小于0.4%,满足半导体光刻的需求。在仿真实验和实际实验中都证明了研究中设计的能量特性控制算法的有效性。

摘要：准分子激光器的放电过程是一个复杂的非线性过程,从而导致基于放电动力学建立的激光器放电能量模型的精度很难达到仿真研究和控制算法设计的需求。通过深度学习的方法,利用门控循环网络辨识准分子激光器放电能量模型。首先基于准分子激光器出光能量特性,选定所建立的门控循环网络的输入。然后根据门控循环神经网络的输入特性和输出特性建立适用于准分子激光器能量模型辨识的神经网络,并介绍了门控循环神经网络训练方法。最后利用实际采集的激光器的能量数据对门控循环神经网络进行训练。实验结果证明,本文所设计的门控循环神经网络收敛,辨识出来的能量模型的最大误差小于1.5%。该方法可以应用于准分子激光器能量模型的辨识。