EllipBench: A Large-scale Benchmark for Machine-learning based Ellipsometry Modeling

Ellipsometry是用于间接测量薄膜光学性质和厚度的方法。然而，解决ellipsometry的反问题需要人类专业知识来应用数据拟合技术，因此非常耗时。许多研究使用传统的基于机器学习的方法来建模复杂的数学拟合过程。在我们的工作中，我们从深度学习的角度来解决这个问题。首先，我们引入了一个大规模的基准数据集，以便于深度学习方法。所提出的数据集包括98种薄膜材料和4种基底材料，包括金属、合金、化合物和聚合物等。此外，我们提出了一种深度学习框架，利用残差连接和自我关注机制来学习大量的数据点。我们还引入了重构损失来解决薄膜厚度预测中常见的多解决方案的挑战。与传统的机器学习方法相比，我们的框架在所提出的数据集上实现了最先进的性能。数据集和代码将在被接受后提供。

深度学习在椭偏反射中的应用

提出了一种基于深度学习的椭偏反射数据拟合方法，通过引入残差连接和自注意力机制，解决了传统机器学习方法在拟合过程中需要人工专业知识的问题。

提出了一个大规模的数据集，包含98种薄膜材料和4种基底材料，通过引入重建损失解决了薄膜厚度预测中的多解决方案问题，相比传统机器学习方法取得了最先进的性能。数据集和代码将在论文接受后公开。

最近的相关研究包括：Deep learning-based ellipsometry data analysis using transfer learning，Machine learning in ellipsometry