1.一种机理引导的少样本抛光材料去除率预测模型构建方法，其特征在于，该方法包括以下步骤：

S1，确定抛光对象、设计剪切增稠抛光实验，构建真实实验数据集D，真实实验数据集D中的每一条样本包含真实的抛光工艺参数组合和对应的材料去除率；然后基于剪切增稠抛光原理，对Preston方程： 进行扩展，建立剪切增稠抛光材料去除率本构方程为： ；其中，MRR为材料去除率，P为抛

光压力，V为抛光速度，k为系数；Kc是磨粒浓度修正系数，Ks是仿真修正系数，K(w,h)是与抛光速度和抛光间隙相关的修正系数，P(x,y)是xy平面上的压力分布，V(x,y)是xy平面上的速度分布；c表示磨粒浓度，w，h分别表示抛光头的转速和抛光间隙高度，x，y表示抛光区域的坐标；接着，对抛光区域压力和速度场建模，将建模结果拟合成数学形式代入上述材料去除率本构方程，并结合抛光实验数据，对仿真修正系数Ks和磨粒浓度修正系数Kc进行拟合，得到抛光材料去除率预测的数学模型M；

S2，设置不同的抛光工艺参数组合输入数学模型M，并输出材料去除率的预测结果，得到模拟实验数据集Dm，每一条实验数据包含一组模拟的抛光工艺参数组合和对应的材料去除率的预测结果；

S3，根据数学模型M的数学形式，设计初始状态的神经网络模型N，并在模拟实验数据集Dm上训练至收敛，使训练后的模型N无限逼近数学模型M，得到预训练模型N_1；

S4，在真实实验数据集D上微调预训练模型N_1，基于真实实验数据优化模型参数，从而进一步提升预训练模型N_1的预测精度，得到最终的抛光材料去除率预测模型N_2，建模完成。

2.根据权利要求1所述的机理引导的少样本抛光材料去除率预测模型构建方法，其特征在于：所述步骤S3中，初始状态的神经网络模型N的公式为：；其中，X表示各种抛光工艺参

数组合； 表示根据模型M的数学形式设计的与变量Xi, Xj, Xz相关的自定义

激活函数；α表示非线性激活函数；F表示多层感知机的前向计算过程。

3.根据权利要求2所述的机理引导的少样本抛光材料去除率预测模型构建方法，其特征在于：所述步骤S3中，将模拟实验数据集Dm划分为模拟训练集Dm_train和模拟测试集Dm_test；让神经网络模型N在模拟训练集Dm_train上训练，直至训练后的神经网络模型在测试集Dm_test上的预测结果与数学模型M的预测结果差值小于设定阈值T，得到预训练模型N_

1，即 。

4.根据权利要求3所述的机理引导的少样本抛光材料去除率预测模型构建方法，其特征在于：所述神经网络模型N的训练过程包括前向传播、损失计算、反向传播和参数更新，并通过迭代训练，不断优化模型参数。

5.根据权利要求3所述的机理引导的少样本抛光材料去除率预测模型构建方法，其特征在于：所述步骤S4中，将真实实验数据集D划分为真实训练集D_train和真实测试集D_test；先让预训练模型N_1在真实训练集D_train上进行微调训练，直至预训练模型N_1在真实测试集D_test上的预测精度P_n大于数学模型M在真实测试集D_test上的预测精度P_m且不再上升时，得到最终的材料去除率预测模型N_2。

6.根据权利要求5所述的机理引导的少样本抛光材料去除率预测模型构建方法，其特征在于：使用DT和DN的MSE作为预训练模型N_1在微调训练过程中的损失：；DT表示在真实测试集D_test上的材料去除率标签值，DN为预

训练模型N_1的输出值，DM为数学模型M的输出值，MSE表示均方误差；当在真实测试集D_test上达到 时，认为P_n大于P_m。

7.根据权利要求5所述的机理引导的少样本抛光材料去除率预测模型构建方法，其特征在于：所述模拟训练集Dm_train和模拟测试集Dm_test中的数据比例为7:3；所述真实训练集D_train和真实测试集D_test中的数据比例为7:3。

8.根据权利要求1所述的机理引导的少样本抛光材料去除率预测模型构建方法，其特征在于：所述步骤S1中，剪切增稠抛光实验采用剪切增稠确定性抛光装置实现；所述确定性抛光装置包括抛光槽（1），设于抛光槽（1）上方的抛光头（2），以及用于驱动抛光头（2）上下移动的升降机构；所述抛光槽（1）的内部设有夹具（3），底部设有压力传感器（4）；所述抛光头（2）与电机（5）相连接，电机（5）上设有水平测量仪（6）；实验时，通过夹具（3）将工件（7）固定于抛光槽（1）内，并在抛光槽（1）内盛装抛光液（8），浸没工件（7），抛光头（2）下部位于抛光液（8）内；再由电机（5）驱动抛光头（2）转动，对工件（7）表面材料进行去除。