具体实施方式

下面结合附图和具体实施例对本发明的技术内容做进一步的详细说明。

在准分子激光器的工作状态发生变化时，如设定目标能量的改变、自身工作气体状态的改变或者工作重复频率的变化，由于能量随电压变化率的改变，主要受到影响的是激光脉冲剂量精度，因此为了在控制激光器的剂量稳定性时达到很好的控制效果，如图1所示，本发明实施例提供了一种基于深度GRU的准分子激光器剂量控制方法，用于对准分子激光器的激光脉冲剂量控制的PI参数进行实时调节。该方法包括如下步骤：

步骤S1、在准分子激光器每发出一个爆发模式的激光脉冲能量序列的过程中，将当前爆发模式的激光脉冲能量序列以放电高压-脉冲能量的组合形式进行预处理后，逐个输入到预先建立的深度门控循环网络中。

在准分子激光器出光过程，通过能量探测器获取一个Burst(爆发)模式的激光脉冲能量序列，并以放电高压-脉冲能量的组合形式通过向量生成工厂生成向量D(t)，即每个激光脉冲的能量值和其对应的放电高压值通过向量生成工厂生成向量D(t)，具体表示如下：

其中，HV(t)表示每个激光脉冲的能量值对应的放电高压值，E(t)表示每个激光脉冲的能量值，t＝1，2，…n个激光脉冲中，各个激光脉冲对应的时刻，n表示一个Burst模式的激光脉冲数量。

当前Burst模式的激光脉冲能量序列中，将每个激光脉冲的能量值和其对应的放电高压值经预处理后的向量，逐个输入到预先建立的深度门控循环网络中。

深度门控循环网络包括输入层、隐藏层和输出层，输入层连接隐藏层，隐藏层连接输出层。在本发明实施例中，为了提高深度门控循环网络的泛化能力，如图2所示，深度门控循环网络的输入层用来接收经过预处理后的当前爆发模式的激光脉冲能量序列，并进行尺度变换。隐藏层包括中间隐藏层和输出隐藏层，中间隐藏层由若干层序列输出的深度门控循环网络层次叠加而构成。输出隐藏层为最后一层隐藏层，由序列最终输出的深度门控循环网络层构成。其中，输入到最后一层隐藏层的当前爆发模式的激光脉冲能量序中最后一个脉冲能量及其对应的放电高压经过整个深度门控循环网络的经过整个深度门控循环网络的输出层，得到PI参数，应用到下一个激光爆发模式的剂量精度控制中。其中，PI参数包括比例参数和积分参数。图2中的W表示深度门控循环网络的各个层级间的状态转移矩阵，h_x(t)表示第x层中第t个隐藏神经元，即GRU元胞。

具体地说，通过分析可以知道PI参数的自适应调节的相关量为每一个激光脉冲的放电高压和该脉冲的能量。因此，在建立深度门控循环网络时，其输入要与放电高压和单脉冲能量相关，即深度门控循环网络的输入可以表示为式(2)。

其中，t＝1,2,…,n,x(t)表示对每个时刻输入的经过预处理后的单个激光脉冲的放电高压和该脉冲的能量,进行尺度变换，HV(t)表示每个激光脉冲的能量值对应的放电高压值，E(t)表示每个激光脉冲的能量值，W_in为输入尺度变换矩阵，b表示每个激光脉冲幅值的偏移。

对于深度门控循环网络的输出层，网络的输出形式采用最后输出的形式，即在一个Burst模式的激光脉冲能量序列的最后一个脉冲输出网络所产生的数值。由于建立深度门控循环网络的目的是使剂量精度控制的PI参数能够实时自动调节，达到自适应，因此深度门控循环网络的输出层的输出为剂量精度控制的PI参数，该输出层可以表示为式(3)。

其中，P表示剂量精度控制的PI参数，Y(n)表示深度门控循环网络在一个Burst模式的激光脉冲能量序列最后一个脉冲输出网络所产生的数值，K_Ed表示比例参数，KI_Ed表示积分参数，W_p表示输出尺度变换矩阵，主要目的是使Y(n)得到合适的比例变化，所以W_p各个元素选取大于0的实数。

由公式(3)可知，深度门控循环网络输出层输出的PI参数都为正数，因此在深度门控循环网络进行前向计算时，要保障所得到的Y(n)中各个元素都是正数，从而在输出隐藏层到输出Y(n)变换时，神经元的激活函数要选择始终保持正数的激活函数。在本发明中，选取softplus函数作为输出神经元的激活函数，即

其中，h(n)表示输出隐藏层的最后一个时刻的状态输出，即一个Burst模式的激光脉冲能量序列最后一个脉冲对应时刻的状态输出，W_y表示输出状态的变换矩阵。

由于深度门控循环网络的学习目标是剂量精度控制的PI参数，但是最优的PI参数并不知道，构造网络训练的损失函数时，不能直接以PI参数的最优值为目标，而是需要构造间接的损失函数。因为在准分子激光器剂量精度控制中比较关心剂量最大偏差，因此需要根据最终选用激光剂量的被控偏差平方的积分(ISE)来构造损失函数，积分时间为一个Burst模式的激光脉冲能量序列，其函数形式如式(5)所示。

其中，Dose_T表示每个激光脉冲所要控制剂量的目标值，Dose_m,k表示第m个Burst模式的激光脉冲能量序列中第k个激光脉冲对应的剂量值，每个激光脉冲对应的剂量值为预设数量的激光脉冲能量之和，即该激光脉冲及其前面的多个激光脉冲能量之和；n表示一个Burst模式的激光脉冲数量。该公式表示的是一个Burst模式的激光脉冲能量序列中所有激光脉冲对应的剂量与相应目标剂量的偏差，其值越小，表明剂量偏差目标剂量值的加和最小，即越稳定，那么其控制过程中用到的PI参数越接近最优值。需要强调的是，计算当前激光脉冲对应的剂量与相应目标剂量的偏差时，若当前激光脉冲及其前面的多个激光脉冲对应的激光脉冲能量的数量未达到预设数量，则使用目标剂量进行补充。例如，以单个激光脉冲对应的剂量值为30个激光脉冲能量之和为例，若当前激光脉冲及其前面的多个激光脉冲对应的激光脉冲能量的总数量为25个，此时当前激光脉冲及其前面的多个激光脉冲对应的激光脉冲能量的总数量不够30个，则将5个目标剂量补进来，得到当前激光脉冲对应的剂量。

考虑到深度门控循环网络隐藏层的层数过多时不仅容易造成训练过程中的梯度爆炸或消失，而且在应用时会消耗更多的软硬件资源，从而造成网络训练和运行很慢；因此，本发明实施例中采用仿真实验的方法，得出未来使深度门控循环网络既能满足准分子激光器剂量精度控制对于调节周期动态性能要求，又能满足最终剂量控制精度，还能满足节省计算资源，深度门控循环网络的隐藏层设置为3层，隐藏状态维度设置为4维。

具体地说，采用仿真实验的方法，确定深度门控循环网络的隐藏层设置为3层，隐藏状态维度设置为4维的具体过程如下：

在深度门控循环网络层数测试中，深度门控循环网络的隐藏层的维度都选择4维度。深度门控循环网络各调整参数的初始值设置为随机数值，分别对一层、两层和三层结构的网络测试10次，其结果分别见表1，表2和表3。

通过比较表1，表2和表3中收敛周期的结果，可以看出表1中大于20个Burst的收敛周期为4个，表2中大于20个Burst的收敛周期为2个，表3中所有的收敛周期都小于20个Burst，而且随着层数的增加，收敛周期明显减少。从而可以得出，随着深度门控循环网络的隐藏层的增加，收敛周期逐渐减小，而且趋于稳定。通过比较三个表中的损失函数值可以看出，随着深度门控循环网络的隐藏层的增加，损失函数的值逐渐减小。通过比较三个表中Dose精度方差可以得出，随着深度门控循环网络的隐藏层数的增加，Dose精度方差略有降低，但是不明显。通过比较三个表的最差Dose精度可以得出，随着深度门控循环网络的隐藏层数的增加最差Dose精度的值略有减小。最终得出，三个表中最差Dose精度都小于5％，随着深度门控循环网络层数的增加，Dose精度控制的动态效果得到了很大的改善，稳态控制效果略有增加。因此，在本发明的基于深度GRU的准分子激光器剂量控制方法中，采用隐藏层为三层的网络能够达到良好的动态效果，同时稳态精度能够满足集成电路光刻的需求

表1隐藏层为一层的深度门控循环网络测试结果

表2隐藏层为两层的深度门控循环网络测试结果

表3隐藏层为三层的深度门控循环网络测试结果

深度门控循环网络的结构不仅与隐藏层的层数有关，而且也有可能和隐藏层中隐藏状态的维度有关。为了验证本发明设计的隐藏层状态的维度是否合适，设定深度门控循环网络的隐藏层状态维度为10和20，分别做进行10次仿真实验，得到的结果如表4和表5。通过对比表3、表4和表5可以得出，无论是表征动态性能的收敛周期，还是表示稳态性能的损失函数和Dose精度方差，还是衡量Dose控制最终效果的最差Dose精度，均无明显的差异。因此，在应用中为了节省计算资源，深度门控循环网络的隐藏层状态维度选用4维度。

表4隐藏层状态维度为10的深度门控循环网络测试结果

表5隐藏层状态维度为20的深度门控循环网络测试结果

步骤S2、在当前爆发模式的激光脉冲能量序列发出后的时间间隔中，深度门控循环网络判断当前爆发模式与上一个爆发模式的激光脉冲能量损失函数的滑动平均值差的绝对值是否小于阈值。

在本发明实施例中，利用深度门控循环网络实现对准分子激光器的激光脉冲剂量控制的PI参数进行实时调节，同时需要实时训练网络，使网络能够给出更好的PI参数，以保证PI参数始终保持最佳的状态。为了保持深度门控循环网络训练的实时性和剂量精度控制的适应性，选取在准分子激光器每发出一个Burst模式的激光脉冲能量序列后的时间间隔中进行。

具体地说，深度门控循环网络的训练是在线训练的，其训练伴随整个激光脉冲剂量精度控制的生命周期。由于激光器放电过程中产生的激光脉冲能量数据中总是伴随有噪声，所以激光脉冲剂量控制的精度不可能无限接近激光脉冲剂量的设定值，即一个爆发模式的激光脉冲能量损失函数的结果不可能无线接近于零，当该损失函数衰减到一定值的时候，就不再衰减。如果此时用不再衰减的损失函数继续训练网络时，深度门控循环网络会出现过拟合，从而生成病态的PI参数，影响激光脉冲剂量精度。因此，需要设定深度门控循环网络的参数不更新的情况，以避免过拟合的发生。

深度门控循环网络在线训练的主要因素是损失函数的变化，当深度门控循环网络计算的激光脉冲剂量控制精度的PI参数达到最优时，损失函数达到稳定，应该保持基本不变。由于在准分子激光器发出的脉冲能量有噪声的存在，损失函数在每个Burst(爆发)模式中得到的值会有波动。为了消除损失函数中的波动，用来判断对准分子激光器的激光脉冲剂量控制的PI参数达到最优时的损失函数，采用最近若干损失函数的滑动平均值。计算损失函数的滑动平均值的公式如下。

上式中，l_slit(m)表示第m个Burst模式的激光脉冲能量损失函数的滑动平均值，q表示临近第m个Burst模式的激光脉冲能量损失函数的Burst模式的激光脉冲能量损失函数的数量，l(i)临近第m个Burst模式的激光脉冲能量损失函数的第i个Burst模式的激光脉冲能量损失函数。

设定建立的深度门控循环网络不进行参数更新的条件为：当前爆发模式与上一个爆发模式的激光脉冲能量损失函数的滑动平均值差的绝对值小于阈值ε，表达式如公式(7)所示。

|l_slit(m)-l_slit(m-1)|＜ε (7)

其中，该阈值根据深度门控循环网络训练的实际情况设定。因此，在准分子激光器每发出一个爆发模式的激光脉冲能量序列后的时间间隔中，深度门控循环网络首先会判断当前爆发模式与上一个爆发模式的激光脉冲能量损失函数的滑动平均值差的绝对值是否小于阈值，以确定是否更新训练参数。

步骤S3、若大于阈值，则更新预先建立的深度门控循环网络的训练参数，并基于经过预处理的当前爆发模式的激光脉冲能量序列进行前向计算，得出剂量控制参数的更新值，应用到下一个激光爆发模式的剂量精度控制中。

深度门控循环网的损失函数如式(5)所示，式中的Dose_m,k和激光脉冲的放电高压值成函数关系，由于没有准确的放电能量动力学模型，这个函数关系是未知的。将这个关系表示为一个隐含的函数，如式(8)所示：

Dose_m,t＝f(HV_Dm,t) (8)

其中，HV_Dm,t表示在第m个Burst模式的激光脉冲能量序列中第t个激光脉冲对应的剂量值时，最后一个激光脉冲所对应的放电电压构成中通过剂量控制算法计算出的高压值。

由于式(8)中，函数为隐含函数，具体函数形式无法给出，所以该函数的导数采用数值方法求解，如式(9)所示：

对于HV_Dm,t可以表示成剂量控制器的输出，如式(10)所示：

其中，ΔDose_m,t-1表示第m个Burst模式的激光脉冲能量序列中第t-1个激光脉冲对应的剂量值与相应目标剂量的偏差，表示第m个Burst模式的激光脉冲能量序列中第t个激光脉冲对应的时刻，所累积的t个激光脉冲对应的剂量值与相应目标剂量的偏差之和。

将式(9)写为矩阵乘法形式，可以表示成式(11)：

HV_Dm,t＝DError_m,tP_m (11)

其中，P_m表示第m个Burst模式的激光脉冲能量序列中用到的剂量精度控制的PI参数，向量DError_m,t可以表示为式(12)：

由于深度门控循环网中，输出隐藏层为一个Burst模式的激光脉冲能量序列最后一个脉冲对应时刻的状态h(t)输出，所以损失函数针对输出的导数只和最后一个脉冲对应时刻的输出相关，所以设net_y(t)＝W_y·h(t)，则有：

那么可以得到：

当t＝n时，有：

当t＜n时，有：

在误差反向传播的过程中，各个隐藏层分别利用相应算法，求出损失函数针对于网络中各个需要更新的参数的偏导数。

在准分子激光器剂量控制中，需要保持每个激光能量脉冲和剂量都有很好的性能，如果出现激光脉冲能量不稳定或剂量精度不达标的情况，将会对集成电路光刻加工产生严重影响。所以在利用深度门控循环网对剂量精度控制的PI参数调整时要兼顾参数调整的实时性和参数更新后激光剂量的稳定性及控制精度。

本发明中，采用参数更新算法为携带动量的随机梯度下降法(SGD withmomentum，SGDM)，在SGDM算法中，参数更新涉及到速度和动量的计算。更新速度被定义为V，动量的参数设定为α(0＜α＜1)，网络中的某个参数设定为Θ，学习率设定为λ，则速度更新公式可以表示为式(17)。

那么，深度门控循环网络中的每组参数的更新可以表达为式(17)的形式。

Θ(t)＝Θ(t-1)+V (18)

因此，当深度门控循环网络判断出当前爆发模式与上一个爆发模式的激光脉冲能量损失函数的滑动平均值差的绝对值大于阈值时，针对深度门控循环网络的每一层的每个参数根据时间反向传播算法(Backpropagation Through Time，BPTT)计算关于损失函数l的梯度，即l关于参数的偏导数，然后根据式(17)和(18)来更新网络中的相应参数，达到对网络训练的目的。

在时间反向传播算法中，为第一级的偏导数，如果该偏导数病态会直接引起损失函数对网络中各个参数的偏导数病态，所以要对这个导数所取得的数值加以限制。限制的方法为规定其最大值和最小值，如式(19)所示，式中v_min为设定的取值的下限，v_max为设定的取值的上限。

如果计算公式(9)中的分母HV_Dm,t-HV_Dm,t-1是一个趋近于零或很小的数值，会造成运算错误或最终网络参数的偏导数接近于无穷，从而造成调整网络参数的病态。而且在实际运行时也有可能造成内存的溢出，所以必须对其进行限制。通过分析公式(9)可知，如果前后两次激光脉冲通过剂量控制器计算出来的放电高压的值没有明显差异，计算公式(9)是没有意义的，其不能表示剂量与放电高压的导数，如果在这种情况下计算公式(9)，会引入很大的噪声。所以公式(9)可以写为公式(20)，其中ΔHV_Dlim为一个合适的正数，表示一个限定值。该式表示当HV_Dm,t-HV_Dm,t-1的绝对值小于某一限制时，将剂量相对放电高压的偏导数设为零。

采用更新训练参数后的深度门控循环网络，基于经过预处理的当前爆发模式的激光脉冲能量序列进行前向计算，得出PI参数的更新值，应用到下一个激光爆发模式的剂量精度控制中，即使得剂量控制器根据公式(10)计算出下一个激光爆发模式的各个激光脉冲对应的放电高压。

步骤S4、若小于阈值，则停止更新预先建立的门控循环网络的训练参数并结束对门控循环网络的训练，将当前爆发模式剂量精度控制使用的剂量控制参数，应用到下一个激光爆发模式的剂量精度控制中。

下面使用本发明的基于深度GRU的准分子激光器剂量控制方法对准分子激光器能量仿真模型进行控制验证。设定准分子激光器能量仿真模型工作在重复频率为4KHz，一个Burst模式的激光脉冲能量序列中有250个激光脉冲能量。计算每个激光脉冲的剂量值的脉冲数设置为30个激光脉冲能量。

设置准分子激光器剂量控制器中目标能量为10mJ，对准分子激光器能量仿真模型进行控制，观察损失函数变化、每个Burst模式激光能量的剂量精度最大偏差和最小偏差变化、剂量精度控制的比例参数值变化和剂量精度控制的积分参数值变化。

对1000个Burst模式的激光脉冲能量进行控制，每个Burst模式的损失函数变化如图3所示。从图中可以看出，深度门控循环网络的损失函数随着网络的仿真模型的运行，损失函数迅速衰减，到第9个Burst模式后衰减到极限，不再有明显的衰减变化，证明网络的参数收敛。

伴随着损失函数的衰减，剂量控制中的比例参数P和积分参数I的变化如图4和图5所示。从图4中可以发现，比例参数P随损失函数的衰减，其值收敛到71.09，不再变化。从图5中可以发现，积分参数I随损失函数的衰减，其值收敛到7.22。

伴随着本发明的基于深度GRU的准分子激光器剂量控制方法的运行，每个Burst模式的激光能量剂量精度变差的最大值和最小值变化图如图6所示。从图中可以看出，在损失函数没有收敛时，每个Burst模式的剂量精度偏差较大，随着损失函数的收敛，Burst模式的剂量精度偏差逐渐减小，收敛到正负0.5％以内。从深度门控循环网络停止收敛到能量控制运行结束，剂量精度的最大偏差值为-0.42％，所有剂量精度的偏差都在正负0.5％以内，满足剂量精度小于0.5％的需求。从而可以证明基于深度GRU的准分子激光器剂量控制方法能够很好的控制准分子激光器的剂量精度。

伴随本发明的基于深度GRU的准分子激光器剂量控制方法的运行，每个Burst模式的激光脉冲能量稳定性的变化如图7所示，每个Burst模式的能量稳定性用3δ来衡量。从图中可以发现，随着深度门控循环网络的收敛，准分子激光器能量稳定性逐渐趋于稳定，其3δ稳定到5.5％以下，远远小于光刻需求的15％。从而证明本发明的基于深度GRU的准分子激光器剂量控制方法能够有效控制激光脉冲能量的能量稳定性。

为了验证本发明的基于深度GRU的准分子激光器剂量控制方法的适应性，分别在不同设定能量值和不同重复频率下验证算法的控制效果。

为了验证本发明的基于深度GRU的准分子激光器剂量控制方法在不同设定能量值的适应性，设定准分子激光器能量仿真模型工作在重复频率4KHz的工况下，分别设定控制目标能量值为8mJ，8.5mJ，9mJ，9.5mJ和10mJ，利用本发明方法进行控制，控制效果如表6所示。从表中可以看出无论动态性能还是稳态性能，针对不同设定值，该方法控制的结果并无明显差异，证明本发明针对目标能量具有很强的适应性。

表6深度GRU能量控制方法针对不同目标能量值控制效果

针对于重复频率为4KHz的仿真模型，针对设定的不同目标能量值，将本发明的基于深度GRU的准分子激光器剂量控制方法与现有基于决策控制的剂量控制方法和基于PID双闭环的剂量控制方法相比较，比较结果如图8所示。图中横坐标为不同的能量设定目标，纵坐标为剂量控制精度，采用所有剂量控制精度的最大偏差H表示。通过图中的比较可以得出，三种方法中，本发明方法对于不同的目标能量设定值的适应性最强，其目标能量设定值改变时，其剂量控制精度基本保持不变，而且均满足剂量控制精度的最大偏差小于0.5％的需求。相比于其它两种控制方法中，得到的剂量控制精度最高。

为了验证本发明的基于深度GRU的准分子激光器剂量控制方法对准分子激光器不同重复频率的适应性，将能量的目标值设定为10mJ，分别在准分子激光器能量仿真模型工作重复频率为500Hz，1KHz、2KHz、3KHz和4KHz的工况下对于本发明方法的适应性进行验证。控制效果的动态特性和稳态控制精度如表7所示。从表中可以看出，表征动态特性的收敛周期在不同重复频率工况下，没有明显差异；表征稳定状态特性的最差剂量精度、剂量精度方差和损失函数值在不同的重复频率工况下，也没有明显差异，且所有工作重复频率下的稳态剂量精度都满足小于0.5％的需求，证明本发明方法针对准分子激光器不同的重复频率有很强的适应性。

表7深度GRU能量控制方法针对不同重复频率控制效果

针对能量目标设定为10mJ，准分子激光器能量仿真模型工作重复频率为500Hz，1KHz，2KHz，3KHz和4KHz的工况下，将本发明的基于深度GRU的准分子激光器剂量控制方法与现有基于决策控制的剂量控制方法和基于PID双闭环的剂量控制方法进行比较，剂量控制精度的比较结果如图9所示。图中横坐标为激光器能量仿真模型不同的工作重复频率，纵坐标为剂量控制精度。剂量精度采用所有剂量控制精度的最大偏差H表示。通过图中的比较可以得出，三种方法中，本发明方法对不同的工作重复频率的适应性最强，其工作重复频率改变时，其剂量控制精度基本保持不变，而且均满足剂量控制精度的最大偏差小于0.5％的需求。本发明方法相比于其它两种控制方法，控制达到稳态时，剂量控制精度最高。

此外，如图10所示，本发明实施例还提供一种基于深度GRU的准分子激光器剂量控制装置，包括处理器32和存储器31，还可以根据实际需要进一步包括通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口。其中，存储器、通信组件、传感器组件、电源组件、多媒体组件及输入/输出接口均与该处理器32连接。前已述及，存储器31可以是静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等；处理器32可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。其它通信组件、传感器组件、电源组件、多媒体组件等均可以采用现有智能手机中的通用部件实现，在此就不具体说明了。

另外，本发明实施例提供的提供一种基于深度GRU的准分子激光器剂量控制装置，包括处理器32和存储器31，处理器32读取所述存储器31中的计算机程序或指令，用于执行以下操作：

在准分子激光器每发出一个爆发模式的激光脉冲能量序列的过程中，将当前爆发模式的激光脉冲能量序列以放电高压-脉冲能量的组合形式进行预处理后，逐个输入到预先建立的深度门控循环网络中。

在当前爆发模式的激光脉冲能量序列发出后的时间间隔中，深度门控循环网络判断当前爆发模式与上一个爆发模式的激光脉冲能量损失函数的滑动平均值差的绝对值是否小于阈值。

若大于阈值，则更新预先建立的深度门控循环网络的训练参数，并基于经过预处理的当前爆发模式的激光脉冲能量序列进行前向计算，得出剂量控制参数的更新值，应用到下一个激光爆发模式的剂量精度控制中。

若小于阈值，则停止更新预先建立的门控循环网络的训练参数并结束对门控循环网络的训练，将当前爆发模式剂量精度控制使用的剂量控制参数，应用到下一个激光爆发模式的剂量精度控制中。

另外，本发明实施例还提供一种计算机可读存储介质，所述可读存储介质上存储有指令，当其在计算机上运行时，使得所述计算机执行如上述图1所述的提供一种基于深度GRU的准分子激光器剂量控制方法，此处不再赘述其具体实现方式。

另外，本发明实施例还提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行如上述图1所述的提供一种基于深度GRU的准分子激光器剂量控制方法，此处不再赘述其具体实现方式。

本发明所提供的基于深度GRU的准分子激光器剂量控制方法及装置选取在准分子激光器每发出一个Burst模式的激光脉冲能量序列后的时间间隔中，利用深度门控循环网络实现对准分子激光器的激光脉冲剂量控制的PI参数进行实时调节。本发明方法针对不同的目标能量、重复频率具有很强的适应性，能够很好的控制准分子激光器的剂量精度，有效控制激光脉冲能量的剂量稳定性，实现在任何工况下，都能使准分子激光器剂量控制精度小于0.5％，满足光刻需求。

以上对本发明所提供的基于深度GRU的准分子激光器剂量控制方法及装置进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将属于本发明专利权的保护范围。