信息处理装置及处理方法、存储介质以及X射线分析装置与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术信息处理装置及处理方法、存储介质以及x射线分析装置技术领域1.本发明涉及一种信息处理装置、信息处理方法、计算机可读存储介质以及x射线分析装置，能够在通过反射率测定、摇摆曲线测定、gi-saxs(grazing incidence small-angle x-ray scattering)测定等分析薄膜时，使用机器学习高速地优化与薄膜相关的参数。背景技术：2.在使用x射线分析装置分析薄膜时，取得表示来自薄膜的x射线强度的简档(profile；曲线/分布/轮廓)结果，并与从薄膜的结构模型生成的简档进行匹配，以确定与薄膜相关的参数。例如，在反射率测定中，x射线强度是来自薄膜的反射强度，参数是薄膜的厚度、密度、粗糙度等。在摇摆曲线测定中，x射线强度是来自薄膜的衍射强度，参数是薄膜的晶格常数、膜厚、组成等。在gi-saxs中，x射线强度是薄膜的散射强度，参数是薄膜的空隙直径、粒径等尺寸分布。在这些分析中，使用全局优化等优化方法来推定薄膜参数的初始值。并且，使用局部优化来精密化初始值。3.在专利文献1中，公开了一种在用于推定薄膜的膜厚和组成的通过摇摆曲线测定的x射线衍射结果的解析中，通过全局优化法获得最佳解决方案的方法。现有技术文献专利文献4.专利文献1：日本特开2010-249784号公报技术实现要素：发明所要解决的问题5.然而，在专利文献1中公开的使用全局优化法的解析中，存在着解析需要花费大量时间的问题。6.本发明之一旨在解决这样的问题，其目的在于提供一种x射线分析装置等，能够解析反射率测定、摇摆曲线测定、gi-saxs测定等的测定结果，并且高速地优化与薄膜相关的参数。用于解决课题的方案7.根据本发明的一个方面，提供一种信息处理装置。所述信息处理装置包括控制部。控制部通过将与来自薄膜的x射线的强度相关的简档结果输入至神经网络，从而输出与薄膜相关的参数结果。神经网络是机器学习了教师数据的神经网络，所述教师数据将来自薄膜的x射线的强度相关的简档数据作为输入数据，并将与薄膜相关的参数数据作为输出数据。附图说明8.图1是说明了正解、错解以及初始值的参数的图。图2是说明测定简档的图。图3是说明测定模拟简档的图。图4是表示实施例1的信息处理系统的系统结构示例的图。图5是表示实施例1的计算机的硬件结构示例的图。图6是表示实施例1的计算机的功能结构示例的图。图7是表示信息处理示例的活动图。图8是表示计算机的画面示例的图。图9是表示使用了神经网络的学习执行时的信息处理示例的图。图10是表示使用了神经网络的学习执行时的信息处理示例的图。具体实施方式9.以下将结合附图对本发明的实施例进行说明。以下示出的实施例中的各种特征事项均可互相组合。10.[定义]用于实现本实施例中出现的软件的程序可以作为由计算机读取的非暂时存储介质(non-transitory computer readable medium)进行提供，也可以由外部服务器下载提供，还可以由外部计算机启动该程序，在客户终端上实现功能(即所谓的云计算)。[0011]在本实施例中，“部”可以是包含了例如广义上的电路实现的硬件资源和由这些硬件资源具体实现的软件信息处理的组合的概念。此外，在本实施例中涉及了各种信息，这些信息可通过例如表示电压或电流的信号值的物理值，或是作为由0或1所组成的二进制位集的信号值的高低，又或者是量子叠加(即所谓的量子比特)来表示，并且可以在广义的电路上执行通信及计算。[0012]此外，广义上的电路是通过至少适当地组合电路(circuit)、电路类(circuitry)、处理器(processor)、以及存储器(memory)等来实现的电路。即，包含了面向特定用途的集成电路(asic:application specific integrated circuit)，可编程逻辑设备(例如简单可编程逻辑设备(spld:simple programmable logical device)、复合可编程逻辑设备(cpld:complex programmable logic device))以及现场可编程门阵列(fpga:field programmable gate array)等等。[0013]参数包括优化的值和作为固定值提供的值。解析时优化的参数是具有薄膜的膜厚、密度、粗糙度、组成、晶格常数及尺寸分布中的一个以上的信息。更具体而言，反射率测定中的参数固定基板或薄膜的元素或组成，并且优化薄膜的膜厚、密度以及粗糙度。另外，摇摆曲线测定中的参数固定薄膜的密度或基板的晶格常数等，并且优化薄膜的膜厚、组成。进而，gi-saxs测定中的参数固定薄膜和空气或粒子的密度，并且优化薄膜的空隙直径、粒径等尺寸分布。在本说明书中，术语参数被用作包括参数结果和参数数据的概念。[0014]图1是说明了正解、错解以及初始值的参数的图。在图1中，在将评价值取为纵轴、将参数取为横轴的图表中示出了几个极小值。在图1的图表中，评价值越小的参数越接近正解。在此，正解的参数是评价值最小的极小值，在图1中用星号表示。此外，错解的参数是正解以外的极小值，在图1中用黑圆表示。初始值的参数是接近正解的参数的参数区域的点，是被椭圆包围的区域中的参数。另外，通过使用全局优化法，能够取得由椭圆包围的区域中的初始值的参数。在此，通过在初始值的参数中应用局部优化法，可以获得正解的参数。局部优化法有最小二乘法等。另外，由于初始值的参数是接近正解的参数的参数区域的点，因此也表现为大致正解的参数。[0015]图2是说明测定简档的图。测定简档是表示用x射线分析装置测定的薄膜的x射线强度的数据。通过对其进行解析，可以获得参数。[0016]图3是说明测定模拟简档的图。测定模拟简档是通过对预先设定了参数的膜模型进行模拟x射线强度并根据泊松分布等统计学或概率论加入噪声而生成的。在本说明书中，术语简档被用作包括测定简档以及测定模拟简档的概念。另外，在本说明书中，将术语简档用作包括简档结果以及简档数据的概念。[0017][实施例1]在实施例1中，将说明通过反射率测定来快速获得参数的情况。1.1系统配置以下将说明信息处理系统1000的示例。图4是表示信息处理系统1000的系统结构示例的图。如图4所示，信息处理系统1000包括计算机100、x射线分析装置200以及联络部300。计算机100配置成能够经由联络部300与x射线分析装置200进行通信。由此，计算机100与x射线分析装置200相互发送或接收信息。计算机100是信息处理装置的一例。在实施例1中，计算机100是能够解析通过反射率测定获得的简档的装置即可。在其他实施例中，计算机100用作解析通过摇摆曲线测定或gi-saxs测定获得的简档的装置。计算机100可以是pc(personal computer：个人电脑)、平板电脑、智能手机等。另外，联络部300也可以由有线或无线连接中的任意一个构成。[0018]2.硬件结构接下来将对计算机100以及x射线分析装置200的硬件结构进行说明。2.1计算机100的硬件结构图5是表示计算机100的硬件结构示例的图。如图5所示，计算机100包括控制部110、存储部120、通信部130、输入部140以及输出部150，这些构成要素在计算机100的内部经由通信总线进行电连接。以下将进一步说明各构成要素。计算机100执行与实施例有关的处理。[0019]控制部110执行与计算机100相关联的整体动作的处理及控制。控制部110例如是中央处理器(central processing unit:cpu)。控制部110读取存储部120中存储的预定程序，并根据程序执行处理，由此实现计算机100相关的各种功能，例如后述的图7所示的处理。需要留意的是，控制部110不限于单个控制部，还可以实施为按照功能不同具有多个控制部。另外，也可以是这些的组合。[0020]存储部120存储由上述说明所定义的各种信息。其例如可以作为用于存储由控制部110执行的计算机100相关的各种程序的诸如固态驱动器(solid state drive：ssd)等存储设备，或者作为存储与程序运算有关的临时必要信息(参数、排列等)的随机存取存储器(random access memory：ram)等的存储器来实施。存储部120存储由控制部110执行的计算机100相关的各种程序、变量以及控制部110根据程序执行处理时使用的数据等。存储部120是存储介质的示例。[0021]通信部130虽然优选usb、ieee1394、thunderbolt、有线lan网络通信等有线型的通信手段，但也可以根据需要包含无线lan网络通信、lte/3g/4g/5g等移动通信、蓝牙(bluetooth，注册商标)通信等。换句话说，更优选作为这些多个通信手段的集合来实施。即，计算机100可以经由通信部130从外部通信各种信息。[0022]输入部140可以包含在计算机100的壳体中，也可以外接。例如，输入部140也可以与输出部150成为一体而作为触摸面板来实施。如果是触摸面板的话，则用户能够输入轻敲操作、滑动操作等。当然，也可以采用开关按钮、鼠标、qwerty键盘等来代替触摸面板。即，输入部140接收由用户执行的操作的输入，所述输入作为命令信号经由通信总线传送至控制部110，并且控制部110可以根据需要执行预定控制或运算。[0023]输出部150可以作为计算机100的显示部发挥功能。例如，输出部150可以包含在计算机100的壳体中，也可以外接。输出部150显示用户能够操作的图形用户界面(graphical user interface:gui)的画面。例如，优选实施为将诸如crt显示器、液晶显示器、有机el显示器以及等离子显示器等的显示装置根据计算机100的类型来分开使用。[0024]2.2x射线分析装置200的硬件结构x射线分析装置200包括x射线源、试样和检测器。通过从x射线源照射x射线，并且由检测器检测在试样中反射的x射线，从而取得测定简档。x射线分析装置200和计算机100配置成能够通信，并执行测定开始的指示、测定简档的交接等。在其他实施例中，x射线分析装置200通过检测器检测在试样中衍射或散射的x射线，从而获取测定简档。[0025]3.功能配置以下将对计算机100的功能结构进行说明。3.1计算机100的功能结构图6是表示计算机100的功能结构示例的图。如图6所示，计算机100包括输入处理部101、输出处理部102、模型设定部103、模拟部104、学习部105、推论部106、以及解析部107。[0026]输入处理部101控制与向计算机100输入信号有关的处理。[0027]输出处理部102控制与来自计算机100的信号输出有关的处理。[0028]模型设定部103设定用于教师数据的膜模型的参数、参数空间等。[0029]模拟部104对设定的膜模型进行x射线强度的模拟，并且运算成为教师数据的测定模拟简档。[0030]学习部105将膜模型的参数以及测定模拟简档作为教师数据，使神经网络学习。[0031]推论部106使用新的测定简档以及已学习神经网络来推定初始值的参数。[0032]解析部107对于所得到的初始值的参数，通过使用局部优化法来取得正解的参数。另外，解析部107可以配置成能够通过使用全局优化法(遗传算法、并行回火算法(parallel tempering)等)来获取参数。[0033]4.信息处理方法在本节中，将说明上述由计算机100以及x射线分析装置200执行的信息处理的示例。[0034]4.1信息处理的概要以下将使用图7来说明信息处理的概要。图7是表示信息处理示例的活动图。从a101到a107的处理是学习执行时的处理，从a108到a113的处理是测定(测定简档的取得)的处理，从a114到a119的处理是初始值推定以及优化执行时的处理。学习、测定、初始值推定的各处理可以作为一系列操作连续地执行，也可以作为各个处理分别执行。[0035]在a101，输入处理部101经由输入部140来接受设定信息的输入。设定信息包括膜模型的参数的设定、膜模型的参数空间的设定、神经网络的设定等。在此，所谓参数空间是指使参数具有宽度的数据，例如在膜厚的情况下是8nm至10nm这样的数据。在a102中，输入处理部101经由输入部140接受学习数据的保存目的地的指定。此时，设定信息也同样地保存在指定的保存目的地中。在a103中，输入处理部101经由输入部140接受学习开始的指示。之后将参照图8详细说明从a101到a103的处理。[0036]在a104中，模型设定部103基于设定信息中包含的膜模型的参数的设定来设定膜模型。然后，模拟部104在膜模型的参数空间的范围内，按照每个步骤设定参数，并且制作与每个步骤的参数对应的测定模拟简档。进而，模拟部104将参数与测定模拟简档对应的教师数据保存至存储部120。[0037]在a105中，学习部105使用教师数据使神经网络学习。学习部105从已学习神经网络获取与权重及偏置有关的参数。在本实施例中，为了与厚度等薄膜相关的参数区别开来，将所述神经网络相关的参数称为nn(neural network)参数。在本实施例中，说明了nn参数包含与权重及偏置相关的信息的情况，但是除了权重及偏置以外，也可以作为包含各层的神经元数、中间层所包含的层的张数、层的种类、激活函数等信息的参数来处理。之后将参照图9详细说明a105的处理。[0038]在a106中，输出处理部102将nn参数保存至指定的保存目的地。在a107中，输出处理部102在输出部150上显示保存了nn参数以及学习结束。到此为止是学习执行时的处理。[0039]以下为优化执行时的处理。在a108中，输入处理部101经由输入部140接受基于x射线分析装置200的x射线分析测定的开始的指示。在a109中，输出处理部102经由通信部130及联络部300向x射线分析装置200发送测定开始的指示。[0040]在a110中，x射线分析装置200经由联络部300从计算机100接收测定开始的指示。在a111中，x射线分析装置200使x射线入射至薄膜，从由薄膜反射的x射线取得测定简档。在a112中，x射线分析装置200经由联络部300将取得的测定简档发送至计算机100。[0041]在a113中，输入处理部101从x射线分析装置200接收测定简档。在a114中，输入处理部101经由输入部140接受优化开始的指示。[0042]在a115中，模型设定部103基于设定信息来设定膜模型。推论部106基于nn参数以及设定信息中包含的神经网络的设定来设定已学习神经网络。在a116中，推论部106通过将测定简档输入至已学习神经网络，来取得初始值的参数。之后将参照图10详细说明a116的处理。[0043]在a117中，输出处理部102在输出部150上显示初始值的参数。在a118中，解析部107通过利用局部优化法对初始值的参数进行优化，从而取得正解的参数。在a119中，输出处理部102将正解的参数显示在输出部150上。[0044]图8是表示计算机100的画面400的示例的图。在画面400中包括学习执行按钮401、优化执行按钮402、中止按钮403、解析手法选择部404、参数推定方法选择部405、保存场所指定部406、膜模型显示部410、学习算法编辑部420、学习算法显示部421、物质指定部430、膜厚指定部431、膜厚范围指定部432、密度指定部433、密度范围指定部434、粗糙度指定部435以及粗糙度范围指定部436。在其他实施例中，在画面400中设置有组成指定部、组成范围指定部、粒径尺寸分布指定部、粒径尺寸分布范围指定部等。[0045]通过操作学习执行按钮401、优化执行按钮402或中止按钮403，来执行如学习的执行、优化的执行或处理的中止的各个处理。具体来说，输入处理部101经由输入部140接受对学习执行按钮401或优化执行按钮402的选择。在选择了学习执行按钮401的情况下，学习部105确认是否设定了设定条件和保存目的地的指定。在进行了这些设定的情况下，学习部105开始学习执行。在选择了优化执行按钮402的情况下，推论部106确认设定条件、nn参数以及测定简档是否被存储在指定的保存目的地中。在这些数据被存储在指定的保存目的地的情况下，推论部106开始优化执行。在选择了中止按钮403的情况下，学习部105或推论部106发送处理中止的指示。由此，能够在适当条件下执行学习或优化。[0046]通过操作解析手法选择部404，可以改变解析手法。具体而言，输入处理部101通过经由输入部140操作解析手法选择部404，将解析手法切换至反射率、摇摆曲线、gi-saxs等手法。在解析手法被切换的情况下，输入处理部101更新理论模型、理论模型·参数设定的参数类别等。这些理论模型、理论模型·参数设定的参数类别等也可以配置成用户能够按每种解析手法任意地选择。[0047]通过操作参数推定方法选择部405，可以改变参数推定方法。具体而言，输入处理部101通过经由输入部140操作参数推定方法选择部405，将参数推定方法切换为初始值推定、全局优化法或局部优化法。这样一来，能够通过适当的手法来执行优化。另外，解析的过程也可以利用宏(macro)等进行自动选择。[0048]在保存场所指定部406中显示膜模型的参数、神经网络的nn参数等的设定信息以及取得的信息等的保存目的地。[0049]在膜模型显示部410上显示以视觉方式表示物质名称、膜厚、密度及粗糙度的膜模型的图像。在膜模型显示部410中，也可以设置指定物质组成的区域。具体而言，输入处理部101经由输入部140接受向物质指定部430、膜厚指定部431、密度指定部433以及粗糙度指定部435的信息的输入。输出处理部102基于这些信息来更新膜模型显示部410。在其他实施例中，输入处理部101也可以基于输入到组成指定部或粒径尺寸分布指定部的信息来更新膜模型显示部410。这样一来，能够在确认膜模型的同时执行学习或优化。[0050]学习算法编辑部420配置成能够编辑卷积神经网络(convolutional neural network:cnn)、循环神经网络(recurrent neural network:rnn)等神经网络的结构、所使用的层的种类、层的节点数、层的张数、用于学习的简档的数量等。可以通过膜厚范围指定部432、密度范围指定部434、粗糙度范围指定部436等的指定，赋予各参数的范围及步骤，来自动地计算用于学习的简档的数量。学习算法显示部421显示被使用的层的种类、层的节点数目、层的张数等。例如，在使用卷积神经网络(cnn)的情况下，通过选择学习算法编辑部420，以可编辑的方式显示诸如卷积层的节点数、滤波器的值、内核尺寸的值、步幅的值等信息。输出处理部102根据学习算法编辑部420的编辑结果，适当修正设定信息，存储至存储部120中，并且输出至输出部150。这样一来，能够在确认神经网络的同时执行优化或学习。[0051]此时，神经网络600可以针对使用神经网络600的每个试样来设定，也可以针对每个用户来设定。在此，所谓每个用户并不限定于每个人(如谁来进行)，而可以理解为包括每个组织(如哪个团队、团体或企业来进行)，每个分析(解析)的目的(如进行什么样的解析或分析)，以及每个测量对象物(如处理什么物质)等。以下将对按照每个用户进行设定的情况进行说明。在执行了机器学习的情况下，学习部105与用户的识别信息建立关联，将神经网络的设定以及nn参数保存至存储部120。在重新执行机器学习的情况下，学习部105与用户的识别信息建立关联，并参照过去的神经网络的设定以及nn参数。学习部105或推论部106使用过去的神经网络的设置以及nn参数来执行学习或优化。这样一来，便能够适当地设定神经网络。[0052]物质指定部430配置成能够输入用于特定各层的sio2等的化学式、铟锡氧化物(indium tin oxide:ito)等的物质名称等的物质的信息。膜厚指定部431、密度指定部433以及粗糙度指定部435配置成能够分别输入各层的膜模型的膜厚、密度以及粗糙度。膜厚范围指定部432、密度范围指定部434以及粗糙度范围指定部436配置成能够输入各层的膜模型的膜厚、密度以及粗糙度的参数空间。并且，膜厚范围指定部432、密度范围指定部434以及粗糙度范围指定部436配置成能够输入步骤数。步骤数是对于指定的参数空间指定以哪个数值间隔刻画来制作测定模拟简档的值。[0053]在选择了学习执行按钮401的情况下，模拟部104对于由物质指定部430指定的物质，按照每个步骤数模拟由膜厚范围指定部432、密度范围指定部434以及粗糙度范围指定部436指定的参数空间，并且制作测定模拟简档。学习部105使用与由各指定部指定的参数以及与参数对应的测定模拟简档，使神经网络进行学习。具体来说，学习部105使用通过将薄膜各层的物质、膜厚、密度和粗糙度设定为简档数据而在理论上决定的测定模拟简档502来使神经网络学习。学习部105根据薄膜的结构、薄膜的层的张数以及优化的参数，来优化神经网络600的nn参数。在此，薄膜的结构可以包括与物质有关的信息等。另外，薄膜的层的张数可以包含薄膜的各层的张数、超晶格的单位结构中包含的层的张数等信息。此外，优化的参数可以包括薄膜的厚度、密度、粗糙度等的信息。在摇摆曲线测定中优化的参数中，可以包含与薄膜的组成、膜厚、晶格常数等有关的信息。另外，在gi-saxs测定中优化的参数中，可以包含与空隙直径的尺寸分布、粒径的尺寸分布等相关的信息。这样一来，由于按照每个膜模型设定神经网络，所以能够高效地执行学习。[0054]图9是表示使用神经网络执行学习时的信息处理示例的图。图9包括教师数据500以及神经网络600。教师数据500包括参数501以及测定模拟简档502。神经网络600包括输入层、中间层以及输出层。[0055]图10是表示使用神经网络执行优化时的信息处理示例的图。在图10中，包含测定简档510、初始值的参数520以及已学习神经网络610。已学习神经网络610是机器学习了教师数据500的神经网络。教师数据500将来自薄膜的x射线的强度相关的测定模拟简档502作为输入数据，并且将与薄膜相关的参数501作为输出数据。[0056]学习部105生成机器学习了教师数据500的已学习神经网络610。教师数据500将与来自薄膜的x射线的强度相关的测定模拟简档502作为输入数据，并且将与薄膜相关的参数501作为输出数据，存储部120存储已学习神经网络610。在此，作为简档数据，除测定模拟简档以外，还可以使用测定简档。然后，推论部106将从x射线分析装置200间接取得的与x射线的强度相关的测定简档510输入至已学习神经网络610，从而输出与薄膜相关的初始值的参数520。最后，解析部107通过对所述初始值的参数使用局部优化法，取得正解的参数。由此，与通过机器学习得到直接正解的手法、通过全局优化法得到正解的手法等相比，能够有效地得到正解的参数。以上，根据实施例1，不需要花费大量时间进行解析，就能够取得正解的参数。另外，由于解析不需要大量时间，因此即使在使用处理能力较差的计算机的情况下，也能够顺利取得正解的参数。并且，由于可以使用处理能力比以往更差的计算机，因此能够低价地执行优化。[0057][实施例2]接下来，对在外部服务器上执行基于机器学习的神经网络的设定的情况进行说明。[0058]1.1系统结构以下将说明根据实施例2的信息处理系统的示例。实施例2的信息处理系统在实施例1的结构之外还包括服务器以及网络。另外，实施例2的计算机经由网络与服务器连接。[0059]2.硬件结构关于实施例2的计算机及x射线分析装置的各硬件结构，请参照实施例1。另外，实施例2的服务器具有控制部、存储部、通信部，这些构成要素在服务器的内部经由通信总线进行电连接。关于控制部、存储部以及通信部的具体说明，请参照实施例1的计算机100中的控制部110、存储部120以及通信部130的描述。[0060]3.功能结构实施例2的计算机及服务器的功能结构与实施例1的计算机100的功能结构相同。[0061]4.信息处理方法在实施例2中，与实施例1相比，需要在计算机与服务器之间发送和接收信息，并追加一部分处理。具体而言，在实施例1的a103的处理之后，计算机的输出处理部经由通信部以及网络向服务器发送设定信息。接着，服务器的输入处理部接收从计算机取得的设定信息，在服务器的存储部中保存设定信息。然后，服务器执行a104及a105的处理。在a105之后，服务器的输出处理部经由通信部以及网络将取得的nn参数发送至计算机。随后，计算机将所取得的nn参数保存至指定的保存目的地。即，计算机的输出处理部102从服务器下载已学习神经网络的数据，并且由存储部存储。在此，进行交接的已学习神经网络的数据不限于nn参数，例如也可以是已学习神经网络本身。服务器是外部装置的一个示例。由此，能够提供基于外部服务器的机器学习的服务。[0062][其他]作为其他实施例，在实施例1或实施例2中，可以配置成在服务器上执行优化。在这种情况下，需适当地添加用于在计算机与服务器之间共享信息的处理。[0063]此外，还可以通过以下各种方式来提供。在所述信息处理装置中，所述参数结果是包含大致正解的参数的初始值信息。在所述信息处理装置中，所述控制部根据薄膜的结构、层的张数以及优化的参数，来设定所述神经网络。在所述信息处理装置中，所述控制部作为简档数据使用通过设定薄膜各层的物质、膜厚、密度、粗糙度、组成、晶格常数及尺寸分布中的至少一个来理论上决定的测定模拟简档。在所述信息处理装置中，所述参数数据以及所述参数结果是与薄膜的膜厚、密度、粗糙度、组成、晶格常数及尺寸分布中的至少一个相关的信息。在所述信息处理装置中，具有存储部，所述控制部从外部装置下载所述神经网络的数据，并且由所述存储部存储。在所述信息处理装置中，所述参数结果是包含大致正解的参数的初始值信息，所述控制部通过将所述初始值信息进行优化来取得正解的参数。在所述信息处理装置中，所述控制部通过对所述初始值信息应用局部优化法来取得正解的参数。一种信息处理装置，其特征在于，包括：控制部和存储部；所述控制部生成机器学习了教师数据的神经网络，所述教师数据将与来自薄膜的x射线的强度相关的简档数据作为输入数据，并将与所述薄膜相关的参数数据作为输出数据，所述存储部存储所述神经网络。在所述信息处理装置中，所述神经网络是为每个使用所述神经网络的用户分别设置的神经网络。一种由信息处理装置执行的信息处理方法，其特征在于，通过将与来自薄膜的x射线的强度相关的简档结果输入至神经网络，从而使参数结果输出；所述神经网络是机器学习了教师数据的神经网络，所述教师数据将来自薄膜的x射线的强度相关的简档数据作为输入数据，并将与所述薄膜相关的参数数据作为输出数据。一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现所述信息处理装置的控制部的功能。一种x射线分析装置，其特征在于，使x射线入射至薄膜，从所述薄膜反射、衍射或散射的x射线取得简档结果，并将所述简档结果发送至所述信息处理装置。当然，并不仅限于此。[0064]最后，虽已对本发明所涉及的种种实施方式进行了说明，但这些实施方式仅作为示例提出，并不用以限制本发明的范围。本发明还可通过其他各种实施方式来实现，凡是在本发明的精神和原则内所作的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围的内。相关实施例或变形例不仅应包含在本发明的范围或主旨中，还应包含在权利要求范围所记载的发明及其均等范围之内。附图标记说明[0065]100：计算机110：控制部120：存储部150：输出部101:输入处理部102：输出处理部103：模型设定部104：模拟部105:学习部106：推论部107：解析部200：x射线分析装置500：教师数据501：参数502：测定模拟简档510：测定简档520：初始值的参数600：神经网络610：已学习神经网络。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!