[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112836853A - 一种基于深度学习和热交换法的氧化镓制备方法及系统 - Google Patents

一种基于深度学习和热交换法的氧化镓制备方法及系统 Download PDF

Info

Publication number
CN112836853A
CN112836853A CN202011638983.3A CN202011638983A CN112836853A CN 112836853 A CN112836853 A CN 112836853A CN 202011638983 A CN202011638983 A CN 202011638983A CN 112836853 A CN112836853 A CN 112836853A
Authority
CN
China
Prior art keywords
data
gallium oxide
preparation
neural network
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011638983.3A
Other languages
English (en)
Inventor
齐红基
王晓亮
陈端阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Fujia Gallium Technology Co Ltd
Original Assignee
Hangzhou Fujia Gallium Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Fujia Gallium Technology Co Ltd filed Critical Hangzhou Fujia Gallium Technology Co Ltd
Priority to CN202011638983.3A priority Critical patent/CN112836853A/zh
Priority to PCT/CN2021/075545 priority patent/WO2022141750A1/zh
Publication of CN112836853A publication Critical patent/CN112836853A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • C—CHEMISTRY; METALLURGY
    • C30—CRYSTAL GROWTH
    • C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
    • C30B11/00—Single-crystal growth by normal freezing or freezing under temperature gradient, e.g. Bridgman-Stockbarger method
    • C—CHEMISTRY; METALLURGY
    • C30—CRYSTAL GROWTH
    • C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
    • C30B29/00—Single crystals or homogeneous polycrystalline material with defined structure characterised by the material or by their shape
    • C30B29/10—Inorganic compounds or compositions
    • C30B29/16—Oxides
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Metallurgy (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Materials Engineering (AREA)
  • Computational Linguistics (AREA)
  • Organic Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Inorganic Chemistry (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)

Abstract

本申请涉及基于深度学习和热交换法的氧化镓制备方法及系统，预测方法包括：获取氧化镓单晶的制备数据；制备数据包括：籽晶数据、环境数据以及控制数据；控制数据包括：籽晶冷却介质流量；对制备数据进行预处理，得到预处理的制备数据；将预处理的制备数据输入训练好的神经网络模型，得到氧化镓单晶对应的预测性质数据。先将制备数据进行预处理，得到预处理的制备数据，将预处理的制备数据输入训练好的神经网络模型，得到氧化镓单晶对应的预测性质数据，通过训练好的神经网络模型对氧化镓单晶的性能进行预测，调整制备数据得到需要的氧化镓单晶的性能，使得氧化镓单晶的性能得到优化。

Description

一种基于深度学习和热交换法的氧化镓制备方法及系统
技术领域
本申请涉及氧化镓制备技术领域，特别是涉及一种基于深度学习和热交换法的氧化镓制备方法及系统。
背景技术
氧化镓(Ga2O3)单晶是一种透明半导体氧化物，属于宽禁带半导体材料。通常β相氧化镓(β-Ga2O3)较稳定，β-Ga2O3具有禁带宽度大、饱和电子漂移速度快、热导率高、击穿场强高、化学性质稳定等诸多优点，高的带隙宽度使得其具有高的击穿电压，再加上其高的饱和电子漂移速度、热导率大和化学性质稳定等特性使得β-Ga2O3单晶在电子器件领域有着广泛的应用前景。热交换法是制备氧化镓的方法之一，采用热交换法制备氧化镓时，氧化镓的制备难以控制，氧化镓产品性能的影响因素太多，无法得到性质较佳的氧化镓。
因此，现有技术有待改进。
发明内容
本发明所要解决的技术问题是，提供一种基于深度学习和热交换法的氧化镓制备方法及系统，以优化氧化镓的性能。
本发明实施例提供了一种基于深度学习和热交换法的氧化镓预测方法，包括：
获取氧化镓单晶的制备数据；其中，所述制备数据包括：籽晶数据、环境数据以及控制数据；所述控制数据包括：籽晶冷却介质流量；
对所述制备数据进行预处理，得到预处理的制备数据；
将所述预处理的制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述氧化镓单晶对应的预测性质数据。
所述的基于深度学习和热交换法的氧化镓预测方法，所述对所述制备数据进行预处理，得到预处理的制备数据，包括：
根据所述籽晶数据、所述环境数据以及所述控制数据，得到预处理的制备数据；其中，所述预处理的制备数据为由所述籽晶数据、所述环境数据以及所述控制数据形成的矩阵。
所述的基于深度学习和热交换法的氧化镓预测方法，所述籽晶数据包括：籽晶衍射峰半高宽、籽晶衍射峰半高宽偏差值以及籽晶直径；
所述环境数据包括：保温层热阻值、保温层热阻值偏差值以及保温层形状因子；
所述控制数据还包括：线圈输入功率以及线圈冷却功率。
所述的基于深度学习和热交换法的氧化镓预测方法，所述根据所述籽晶数据、所述环境数据以及所述控制数据，得到预处理的制备数据，包括：
根据所述籽晶数据、所述环境数据以及所述控制数据，确定制备向量；其中，所述制备向量中第一元素为所述籽晶衍射峰半高宽、所述籽晶衍射峰半高宽偏差值以及所述籽晶直径中的一个，所述制备向量中第二元素为所述保温层热阻值、保温层热阻值偏差值以及保温层形状因子中的一个，所述制备向量中第三元素为所述线圈输入功率、所述线圈冷却功率以及所述籽晶冷却介质流量中的一个；
根据所述制备向量，确定所述预处理的制备数据。
所述的基于深度学习和热交换法的氧化镓预测方法，所述预测性质数据包括：预测裂纹数据、预测杂晶数据、预测衍射峰半高宽、预测衍射峰半高宽径向偏差值以及预测衍射峰半高宽轴向偏差值。
一种基于深度学习和热交换法的氧化镓制备方法，所述制备方法包括：
获取目标氧化镓单晶的目标性质数据；
根据所述目标性质数据以及训练好的神经网络模型，确定所述目标氧化镓单晶对应的目标制备数据；其中，所述目标制备数据包括：籽晶数据、环境数据以及控制数据；所述控制数据包括：线圈输入功率、线圈冷却功率以及籽晶冷却介质流量；
基于热交换法，根据所述目标制备数据制备得到目标氧化镓单晶。
所述的基于深度学习和热交换法的氧化镓制备方法，根据所述目标性质数据以及训练好的神经网络模型，确定所述目标氧化镓单晶对应的目标制备数据，包括：
获取预设制备数据，对所述预设制备数据进行预处理，得到预处理的预设制备数据；
将所述预处理的预设制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述氧化镓单晶对应的预测性质数据；
根据所述预测性质数据、所述目标性质数据，对所述预设制备数据进行修正，以得到所述目标氧化镓单晶对应的目标制备数据。
所述的基于深度学习和热交换法的氧化镓预测方法，其中，所述训练好的神经网络模型采用如下步骤训练得到：
获取氧化镓单晶的训练数据以及所述训练数据对应的实际性质数据；其中，所述训练数据包括：籽晶训练数据、环境训练数据以及控制训练数据；所述控制数据包括：籽晶冷却介质流量；
对所述训练数据进行预处理，得到预处理的训练数据；
将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据；
根据所述预测生成性质数据以及所述实际性质数据调整所述预设的神经网络模型的模型参数进行修正，以得到训练好的神经网络模型。
所述的基于深度学习和热交换法的氧化镓预测方法，其中，所述预设的神经网络模型包括：特征提取模块和全连接模块，
所述将所述训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述训练数据对应的预测生成性质数据，包括：
将所述训练数据输入所述特征提取模块，通过所述特征提取模块得到所述训练数据对应的特征向量；
将所述特征向量输入所述全连接模块，通过所述全连接模块得到所述训练数据得到的预测生成性质数据。
一种基于深度学习和热交换法的氧化镓制备系统，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的预测方法的步骤，或上述任一项所述的制备方法的步骤。
与现有技术相比，本发明实施例具有以下优点：
先将制备数据进行预处理，得到预处理的制备数据，然后将所述预处理的制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述氧化镓单晶对应的预测性质数据，通过训练好的神经网络模型可以对氧化镓单晶的性能进行预测，因此可以调整制备数据得到需要的氧化镓单晶的性能，使得氧化镓单晶的性能得到优化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于深度学习和热交换法的氧化镓预测方法的流程图；
图2为本发明实施例中晶体生长炉的结构示意图；
图3为本发明实施例中晶体的炉内位置与温度示意图；
图4为本发明实施例中基于深度学习和热交换法的氧化镓制备系统的内部结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
热交换法利用热交换器带走热量，使得晶体生长区内形成一下冷上热纵向温度梯度，通过控制热交换器内气体流量的大小及改变加热输入功率及冷却功率的大小来控制温度梯度，从而达成坩埚内熔体由下慢慢向上凝固形成晶体，如图2所示。
下面结合附图，详细说明本发明的各种非限制性实施方式。
参见图1-图3，示出了本发明实施例中的一种基于深度学习和热交换法的氧化镓预测方法。在本实施例中，所述预测方法例如可以包括以下步骤：
S100、获取氧化镓单晶的制备数据；其中，所述制备数据包括：籽晶数据、环境数据以及控制数据；所述控制数据包括：籽晶冷却介质流量。
具体地，制备数据是指制备氧化镓单晶的数据。获取氧化镓单晶的制备数据，该制备数据可以是根据需要配置的制备数据，例如，需要预测某一制备数据下，得到的氧化镓单晶的性能时，只需要确定该制备数据，并对制备数据进行预处理，得到预处理的制备数据，再将预处理的制备数据输入训练好的神经网络模型，通过训练好的神经网络模型得到预测性质数据，也就是说，不需要进行实验，确定好制备数据后，就可以预测性质数据。
制备数据包括：籽晶数据、环境数据以及控制数据。籽晶数据是指制备氧化镓单晶的过程中所采用的籽晶的数据，环境数据是指制备氧化镓单晶的过程中晶体所处环境的数据，控制数据是指制备氧化镓单晶的过程中控制晶体生长的数据；籽晶冷却介质流量是指对坩埚底部籽晶附近进行冷却的气体的流量。
S200、对所述制备数据进行预处理，得到预处理的制备数据。
具体地，在得到制备数据后，先对制备数据进行预处理，得到预处理的制备数据，从而可以将预处理的制备数据输入训练好的神经网络模型中，以便通过训练好的神经网络模型对预处理的制备数据进行处理。
在本申请实施例的一种实现方式中，步骤S200、对所述制备数据进行预处理，得到预处理的制备数据，包括：
S210、根据所述籽晶数据、所述环境数据以及所述控制数据，得到预处理的制备数据；其中，所述预处理的制备数据为由所述籽晶数据、所述环境数据以及所述控制数据形成的矩阵。
具体地，在得到制备数据后，先对制备数据进行预处理，得到预处理的制备数据，由于制备数据中各子数据(如籽晶数据、环境数据以及控制数据)之间是会相互影响，但是目前无法明确各子数据之间相互影响的程度有多少，因此，需要对制备数据进行预处理，将制备数据中各子数据重新排列组合，形成预处理的制备数据。
在本申请实施例的一种实现方式中，所述籽晶数据包括：籽晶衍射峰半高宽、籽晶衍射峰半高宽偏差值以及籽晶直径；所述环境数据包括：保温层热阻值、保温层热阻值偏差值以及保温层形状因子；所述控制数据还包括：线圈输入功率以及线圈冷却功率。
具体地，籽晶衍射峰半高宽可以采用X射线衍射仪对籽晶进行测试，籽晶衍射峰半高宽偏差值包括：籽晶衍射峰半高宽径向偏差值和籽晶衍射峰半高宽轴向偏差值。径向为位于水平面上方向，轴向为垂直于水平面的方向，也即竖直方向的轴线。籽晶衍射峰半高宽径向偏差值可以通过对籽晶径向两侧测试籽晶衍射峰半高宽，并求得籽晶径向两侧上籽晶衍射峰半高宽之间的差值，即可得到籽晶衍射峰半高宽径向偏差值。籽晶衍射峰半高宽轴向偏差值可以通过对籽晶轴向两侧测试籽晶衍射峰半高宽，并求得籽晶轴向两侧上籽晶衍射峰半高宽之间的差值，即可得到籽晶衍射峰半高宽轴向偏差值。
由于热交换法制备氧化镓单晶时，通常冷却气体自下向上吹，坩埚上方的温度高于坩埚下方的温度，如图2所示，通过从坩埚下方不断吹冷却气体，使冷量自下向上传递，坩埚中的氧化镓熔体逐渐生长成氧化镓单晶。坩埚1的底部收窄形成尖部，籽晶位于尖部，也就是说，在晶体生长过程中，由于从坩埚下方不断吹冷却气体，坩埚的温度自下向上逐渐降低，熔体3从坩埚1的底部的籽晶处开始生长，逐渐生长成晶体2。当然，籽晶可以是在坩埚1中的氧化镓完全融化后，放置于坩埚1的尖部。尖部连接有冷却介质传输管，通过冷却介质传输管传输冷却介质，籽晶冷却介质包括水、气、油，优选地，采用气体作为籽晶冷却介质。
如图2所示，在感应线圈外设置有保温层，保温层用于保持温度。保温层热阻值是指单位时间内有单位热量通过保温层时，保温层两端的温度差。保温层热阻值越大，表明保温层抵抗传热的能力越强，保温层的保温效果越好。
保温层热阻值偏差值包括：保温层径向热阻值偏差值和保温层轴向热阻值偏差值。保温层径向热阻值偏差值可以通过对保温层径向两侧测试保温层热阻值，并求得保温层径向两侧上保温层热阻值之间的差值，即可得到保温层径向热阻值偏差值。保温层轴向热阻值偏差值可以通过对保温层轴向两侧测试保温层热阻值，并求得保温层轴向两侧上保温层热阻值之间的差值，即可得到保温层轴向热阻值偏差值。
保温层形状因子是指保温区形状尺寸的值，例如，采用圆柱形保温层时，则保温层形状因子包括：保温层的直径和保温层的高度。采用立方体形保温层时，则保温层形状因子包括：保温层的长度、保温层的宽度以及保温层的高度。
在坩埚和晶体生长炉确定后，保温层形状因子就确定了。随着晶体生长炉的使用，保温层热阻值、保温层热阻值偏差值、保温层形状因子会改变，但是短时间内不会改变，可以在进行一定次数的晶体生长后，再重新测试这些环境数据。
线圈输入功率是指生长晶体时感应线圈4的输入功率，线圈冷却功率是指冷却时对应的功率，由于感应线圈采用中空的感应线圈，在降温时，在感应线圈中通入冷却介质，使得感应线圈形成冷却线圈，通过冷却介质在冷却线圈中不断流动进行冷却。高温区及低温区冷却功率可以根据冷却介质的类型和冷却介质的流量确定，冷却介质的类型包括：水、油、气，冷却介质的流量可以根据冷却介质的流速和冷却线圈的直径确定。籽晶冷却介质流量是指对坩埚底部籽晶附近进行冷却的气体的流量。
在本申请实施例的一种实现方式中，步骤S210、根据所述籽晶数据、所述环境数据以及所述控制数据，得到预处理的制备数据，包括：
S211、根据所述籽晶数据、所述环境数据以及所述控制数据，确定制备向量；其中，所述制备向量中第一元素为所述籽晶衍射峰半高宽、所述籽晶衍射峰半高宽偏差值以及所述籽晶直径中的一个，所述制备向量中第二元素为所述保温层热阻值、所述保温层热阻值偏差值以及所述保温层形状因子中的一个，所述制备向量中第三元素为所述线圈输入功率、所述线圈冷却功率以及所述籽晶冷却介质流量中的一个。
S212、根据所述制备向量，确定所述预处理的制备数据。
具体地，根据籽晶数据A、环境数据B以及控制数据C，确定制备向量(A，B，C)。籽晶数据A选自：籽晶衍射峰半高宽A1、籽晶衍射峰半高宽偏差值A2以及籽晶直径A3。环境数据B选自：保温层热阻值B1、保温层热阻值偏差值B2、保温层形状因子B3。控制数据C选自：线圈输入功率C1、线圈冷却功率C2以及籽晶冷却介质流量C3。也就是说，制备向量(A，B，C)中A可以是A1、A2、A3中的一个，B可以是B1、B2、B3中的一个，C可以是C1、C2、C3中的一个。则可以形成27个制备向量。
将所有制备向量按照序号排列形成矩阵，则得到了预处理的制备数据。
具体地，预处理的制备数据如下：
Figure BDA0002877721390000071
当然，还采用其他的排列形式，得到预处理的制备数据。
S300、将所述预处理的制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述氧化镓单晶对应的预测性质数据。
具体地，所述预测性质数据包括：预测裂纹数据、预测杂晶数据、预测衍射峰半高宽、预测衍射峰半高宽径向偏差值以及预测衍射峰半高宽轴向偏差值。
裂纹数据是指裂纹等级数据，预测裂纹数据是指预测的裂纹等级数据，例如，可以将裂纹分为多个等级，举例说明，裂纹分为3级，则裂纹数据分别为：1、2以及3。
杂晶数据是指杂晶等级数据，预测杂晶数据是指预测的杂晶等级数据，例如，可以将杂晶分为多个等级，举例说明，杂晶分为3级，则杂晶数据分别为：1、2以及3。
预测衍射峰半高宽是指预测的衍射峰半高宽，预测衍射峰半高宽径向偏差值是指在径向中心和边沿衍射峰半高宽的预测差值，预测衍射峰半高宽轴向偏差值是指在轴向两端衍射峰半高宽的预测差值。
通过将预处理的制备数据输入训练好的神经网络模型中，通过神经网络模型得到预测性质数据。需要说明的是，预测性质数据可以是一个或多个，例如，仅需要预测裂纹数据。
在本申请实施例的一种实现方式中，所述训练好的神经网络模型采用如下步骤训练得到：
A100、获取氧化镓单晶的训练数据、所述训练数据对应的实际性质数据；其中，所述训练数据包括：籽晶训练数据、环境训练数据以及控制训练数据；所述控制数据包括：籽晶冷却介质流量。
具体地，训练数据是指制备氧化镓单晶并用于训练的数据，实际性质数据是指制备得到的氧化镓单晶的实际性质的数据。通过训练数据以及实际性质数据形成训练集，基于该训练集训练预设的神经网络模型，得到训练好的神经网络模型。所述控制数据包括：线圈输入功率和线圈冷却功率。所述籽晶训练数据包括：籽晶衍射峰半高宽训练数据、籽晶衍射峰半高宽偏差值训练数据以及籽晶直径训练数据；所述环境训练数据包括：保温层热阻值训练数据、保温层热阻值偏差值训练数据、保温层形状因子训练数据；所述控制训练数据包括：籽晶冷却介质流量，当然，所述控制训练数据还包括：线圈输入功率训练数据、线圈冷却功率训练数据。所述实际性质数据包括：实际裂纹数据、实际杂晶数据、实际衍射峰半高宽、实际衍射峰半高宽径向偏差值以及实际衍射峰半高宽轴向偏差值。
在采集数据得到训练集时，采用热交换法制备氧化镓单晶，并记录制备氧化镓单晶的数据作为训练数据，在得到氧化镓单晶后，对氧化镓单晶的性质进行分析得到实际性质数据。为了便于神经网络模型的训练，可以采集尽量多的数据形成训练集。
A200、对所述训练数据进行预处理，得到预处理的训练数据。
具体地，在得到训练数据后，对训练数据进行预处理，得到预处理的训练数据。预处理过程可以参考步骤S200。
A300、将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据。
具体地，将预处理的训练数据输入预设的神经网络模型，通过预设的神经网络模型得到预测生成性质数据。所述预测生成性质数据包括：预测生成裂纹数据、预测生成杂晶数据、预测生成衍射峰半高宽、预测生成衍射峰半高宽径向偏差值以及预测生成衍射峰半高宽轴向偏差值。
A400、根据所述预测生成性质数据以及所述实际性质数据调整所述预设的神经网络模型的模型参数进行修正，以得到训练好的神经网络模型。
具体地，根据所述预测生成性质数据以及所述实际性质数据，对所述预设的神经网络模型的模型参数进行修正，并继续执行将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据的步骤(即步骤A300)，直至满足预设训练条件，得到训练好的神经网络模型。
具体地，根据所述预测生成性质数据以及所述实际性质数据，对所述预设的神经网络模型的模型参数进行修正，并继续执行将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据的步骤，直至满足预设训练条件，得到训练好的神经网络模型。也就是说，若所述预设的神经网络模型满足预设训练条件，则得到训练好的神经网络模型。若所述预设的神经网络模型不满足预设训练条件，则返回步骤A300，直至所述预设的神经网络模型满足预设训练条件，得到训练好的神经网络模型。
在本发明实施例的一种实现方式中，根据所述预测生成性质数据以及所述实际性质数据确定预设的神经网络模型的损失函数值，根据所述损失函数值对所述预设的神经网络模型的模型参数进行修正。具体地，采用基于梯度的方法对所述预设的神经网络模型的参数进行修正，确定所述预设的神经网络模型的损失函数值后，根据所述损失函数值对所述预设的神经网络模型的参数的梯度、所述预设的神经网络模型的参数以及预设学习率，确定所述预设的神经网络模型的修正的参数。
所述预设训练条件包括：损失函数值满足第一预设要求和/或所述预设的神经网络模型的训练次数达到第一预设次数。
所述第一预设要求根据所述预设的神经网络模型的精度和效率确定，例如，所述预设的神经网络模型的损失函数值达到最小值或者不再变化。所述第一预设次数为所述预设的神经网络模型的最大训练次数，例如，4000次等。
预设的神经网络模型的损失函数包括：均方误差、均方根误差、平均绝对误差等。
在本申请实施例的一种实现方式中，所述预设的神经网络模型包括：特征提取模块和全连接模块。
举例说明，预设的神经网络模型包括：第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元以及全连接单元。具体地，第一卷积单元包括：两个卷积层和一个池化层。第二卷积单元、第三卷积单元以及第四卷积单元均包括三个卷积层和一个池化层。全连接单元包括三个全连接层。
卷积层和全连接层负责对输入数据进行映射变换，这个过程会用到权值和偏置等参数，也需要使用激活函数。池化层是一个固定不变的函数操作。具体地，卷积层起到提取特征的作用；池化层对输入特征进行池化操作，改变其空间尺寸；而全连接层是对前一次层中所有数据进行全部连接的。
步骤A300、将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据预测生成性质数据，包括：
A310、将所述预处理的训练数据输入所述特征提取模块，通过所述特征提取模块得到所述预处理的训练数据对应的特征向量；
A320、将所述特征向量输入所述全连接模块，通过所述全连接模块得到所述预处理的训练数据得到的预测生成性质数据。
具体地，将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型中的所述特征提取模块输出所述预处理的训练数据对应的特征向量，并将所述特征向量输入所述预训练模型中的所述全连接模块，得到所述全连接模块输出的所述预处理的训练数据对应的预测生成性质数据。
基于上述基于深度学习和热交换法的氧化镓预测方法，本实施例提供了一种基于深度学习和热交换法的氧化镓制备方法，所述制备方法包括：
B100、获取目标氧化镓单晶的目标性质数据。
具体地，如果需要得到目标氧化镓单晶时，可以先确定目标氧化镓单晶的目标性质数据，也就是说，确定想要得到的氧化镓单晶的性质数据。所述目标性质数据包括：目标裂纹数据、目标杂晶数据、目标衍射峰半高宽、目标衍射峰半高宽径向偏差值以及目标衍射峰半高宽轴向偏差值。
B200、根据所述目标性质数据以及训练好的神经网络模型，确定所述目标氧化镓单晶对应的目标制备数据；其中，所述目标制备数据包括：籽晶数据、环境数据以及控制数据；所述控制数据包括：线圈输入功率、线圈冷却功率以及籽晶冷却介质流量。
具体地，根据所述目标性质数据以及训练好的神经网络模型，确定所述目标氧化镓单晶对应的目标制备数据。需要说明的时，由于不同的制备数据可以得到相同的性质数据，因此，在根据所述目标性质数据以及训练好的神经网络模型，确定所述目标氧化镓单晶对应的目标制备数据时，目标制备数据并不是唯一的，根据多个目标制备数据中各数据的控制难易程度确定一个目标制备数据，从而便于得到目标氧化镓单晶。
在本实施例中的一种实现方式中，B200、根据所述目标性质数据以及训练好的神经网络模型，确定所述目标氧化镓单晶对应的目标制备数据，包括：
B210、获取预设制备数据，对所述预设制备数据进行预处理，得到预处理的预设制备数据。
B220、将所述预处理的预设制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述氧化镓单晶对应的预测性质数据。
B230、根据所述预测性质数据、所述目标性质数据，对所述预设制备数据进行修正，以得到所述目标氧化镓单晶对应的目标制备数据。
具体地，可以先预设制备数据，并对预设制备数据进行预处理，得到预处理的预设制备数据，具体预处理过程可以参考步骤S200。将预设制备数据输入训练好的神经网络模型，可以得到预测性质数据，然后根据所述预测性质数据、所述目标性质数据，对所述预设制备数据进行修正，当所述预测性质数据与所述目标性质数据之间的差值小于预设阈值时，则可以将该预设制备数据作为目标制备数据。在对预设制备数据进行修正时，可以进行自动修正，也可以进行人工修正。当然，也可以根据所述预测性质数据与所述目标性质数据，确定损失函数值，然后根据该损失函数值对预设制备数据进行修正，当该损失函数值满足预设修正条件时，可以将该预设制备数据作为目标制备数据。预设修正条件包括：损失函数值满足第二预设要求和/或所述预设制备数据的修正次数达到第二预设次数。
需要说明的是，预设制备数据包括：预设籽晶数据、预设环境数据以及预设控制数据；所述预设籽晶数据包括：预设籽晶衍射峰半高宽、预设籽晶衍射峰半高宽偏差值以及预设籽晶直径；所述预设环境数据包括：预设保温层热阻值、预设保温层热阻值偏差值、预设保温层形状因子；所述预设控制数据包括：预设线圈输入功率、预设线圈冷却功率以及预设籽晶冷却介质流量。
B300、基于热交换法，根据所述目标制备数据制备得到目标氧化镓单晶。
具体地，在得到目标制备数据后，则可以基于热交换法，根据所述目标制备数据制备得到目标氧化镓单晶。
基于上述预测方法或上述制备方法，本发明提供了一种基于深度学习和热交换法的氧化镓制备系统，该系统可以是计算机设备，内部结构如图4所示。该系统包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该系统的处理器用于提供计算和控制能力。该系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该系统的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于深度学习和热交换法的氧化镓的预测方法或基于深度学习和热交换法的氧化镓的制备方法。该系统的显示屏可以是液晶显示屏或者电子墨水显示屏，该系统的输入装置可以是显示屏上覆盖的触摸层，也可以是系统外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4所示的仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的系统的限定，具体的系统可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种基于深度学习和热交换法的氧化镓制备系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的预测方法的步骤，或所述的制备方法的步骤。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

Claims (10)

1.一种基于深度学习和热交换法的氧化镓预测方法，其特征在于，所述预测方法包括：
获取氧化镓单晶的制备数据；其中，所述制备数据包括：籽晶数据、环境数据以及控制数据；所述控制数据包括：籽晶冷却介质流量；
对所述制备数据进行预处理，得到预处理的制备数据；
将所述预处理的制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述氧化镓单晶对应的预测性质数据。
2.根据权利要求1所述的基于深度学习和热交换法的氧化镓预测方法，其特征在于，所述对所述制备数据进行预处理，得到预处理的制备数据，包括：
根据所述籽晶数据、所述环境数据以及所述控制数据，得到预处理的制备数据；其中，所述预处理的制备数据为由所述籽晶数据、所述环境数据以及所述控制数据形成的矩阵。
3.根据权利要求2所述的基于深度学习和热交换法的氧化镓预测方法，其特征在于，所述籽晶数据包括：籽晶衍射峰半高宽、籽晶衍射峰半高宽偏差值以及籽晶直径；
所述环境数据包括：保温层热阻值、保温层热阻值偏差值以及保温层形状因子；
所述控制数据还包括：线圈输入功率以及线圈冷却功率。
4.根据权利要求3所述的基于深度学习和热交换法的氧化镓预测方法，其特征在于，所述根据所述籽晶数据、所述环境数据以及所述控制数据，得到预处理的制备数据，包括：
根据所述籽晶数据、所述环境数据以及所述控制数据，确定制备向量；其中，所述制备向量中第一元素为所述籽晶衍射峰半高宽、所述籽晶衍射峰半高宽偏差值以及所述籽晶直径中的一个，所述制备向量中第二元素为所述保温层热阻值、保温层热阻值偏差值以及保温层形状因子中的一个，所述制备向量中第三元素为所述线圈输入功率、所述线圈冷却功率以及所述籽晶冷却介质流量中的一个；
根据所述制备向量，确定所述预处理的制备数据。
5.根据权利要求1所述的基于深度学习和热交换法的氧化镓预测方法，其特征在于，所述预测性质数据包括：预测裂纹数据、预测杂晶数据、预测衍射峰半高宽、预测衍射峰半高宽径向偏差值以及预测衍射峰半高宽轴向偏差值。
6.一种基于深度学习和热交换法的氧化镓制备方法，其特征在于，所述制备方法包括：
获取目标氧化镓单晶的目标性质数据；
根据所述目标性质数据以及训练好的神经网络模型，确定所述目标氧化镓单晶对应的目标制备数据；其中，所述目标制备数据包括：籽晶数据、环境数据以及控制数据；所述控制数据包括：籽晶冷却介质流量；
基于热交换法，根据所述目标制备数据制备得到目标氧化镓单晶。
7.根据权利要求6所述的基于深度学习和热交换法的氧化镓制备方法，其特征在于，根据所述目标性质数据以及训练好的神经网络模型，确定所述目标氧化镓单晶对应的目标制备数据，包括：
获取预设制备数据，对所述预设制备数据进行预处理，得到预处理的预设制备数据；
将所述预处理的预设制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到和所述氧化镓单晶对应的预测性质数据；
根据所述预测性质数据、所述目标性质数据，对所述预设制备数据进行修正，以得到所述目标氧化镓单晶对应的目标制备数据。
8.根据权利要求6所述的基于深度学习和热交换法的氧化镓预测方法，其特征在于，所述训练好的神经网络模型采用如下步骤训练得到：
获取氧化镓单晶的训练数据以及所述训练数据对应的实际性质数据；其中，所述训练数据包括：籽晶训练数据、环境训练数据以及控制训练数据；所述控制数据包括：籽晶冷却介质流量；
对所述训练数据进行预处理，得到预处理的训练数据；
将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据；
根据所述预测生成性质数据以及所述实际性质数据调整所述预设的神经网络模型的模型参数进行修正，以得到训练好的神经网络模型。
9.根据权利要求8所述的基于深度学习和热交换法的氧化镓预测方法，其特征在于，所述预设的神经网络模型包括：特征提取模块和全连接模块，
所述将所述训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述训练数据对应的预测生成性质数据，包括：
将所述训练数据输入所述特征提取模块，通过所述特征提取模块得到所述训练数据对应的特征向量；
将所述特征向量输入所述全连接模块，通过所述全连接模块得到所述训练数据得到的预测生成性质数据。
10.一种基于深度学习和热交换法的氧化镓制备系统，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的预测方法的步骤，或权利要求6至9中任一项所述的制备方法的步骤。
CN202011638983.3A 2020-12-31 2020-12-31 一种基于深度学习和热交换法的氧化镓制备方法及系统 Pending CN112836853A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011638983.3A CN112836853A (zh) 2020-12-31 2020-12-31 一种基于深度学习和热交换法的氧化镓制备方法及系统
PCT/CN2021/075545 WO2022141750A1 (zh) 2020-12-31 2021-02-05 一种基于深度学习和热交换法的氧化镓制备方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011638983.3A CN112836853A (zh) 2020-12-31 2020-12-31 一种基于深度学习和热交换法的氧化镓制备方法及系统

Publications (1)

Publication Number Publication Date
CN112836853A true CN112836853A (zh) 2021-05-25

Family

ID=75926831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011638983.3A Pending CN112836853A (zh) 2020-12-31 2020-12-31 一种基于深度学习和热交换法的氧化镓制备方法及系统

Country Status (2)

Country Link
CN (1) CN112836853A (zh)
WO (1) WO2022141750A1 (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695287A (zh) * 2020-04-22 2020-09-22 山东天岳先进材料科技有限公司 一种预测SiC单晶炉内整体温度场的方法及设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006273684A (ja) * 2005-03-30 2006-10-12 Koha Co Ltd Ｉｉｉ族酸化物系単結晶の製造方法
CN103541008B (zh) * 2013-11-12 2016-01-06 上海硅酸盐研究所中试基地 一种大尺寸氧化镓单晶的生长方法及生长装置
EP3042986A1 (en) * 2015-01-09 2016-07-13 Forschungsverbund Berlin e.V. Method for growing beta phase of gallium oxide (ß-Ga2O3) single crystals from the melt contained within a metal crucible by controlling the partial pressure of oxygen.
CN107541776A (zh) * 2017-08-14 2018-01-05 同济大学 一种大尺寸氧化镓单晶的生长设备及方法
WO2019155471A1 (en) * 2018-02-07 2019-08-15 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
CN109487334A (zh) * 2018-11-22 2019-03-19 太原理工大学 一种基于随机分布的泡生法蓝宝石融晶接种态控制方法
JP7115688B2 (ja) * 2019-01-25 2022-08-09 株式会社デンソー 成膜装置及び半導体装置の製造方法
KR102012809B1 (ko) * 2019-04-05 2019-08-21 충남대학교산학협력단 쌍정결함밀도의 평가방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695287A (zh) * 2020-04-22 2020-09-22 山东天岳先进材料科技有限公司 一种预测SiC单晶炉内整体温度场的方法及设备

Also Published As

Publication number Publication date
WO2022141750A1 (zh) 2022-07-07

Similar Documents

Publication Publication Date Title
CN112853468A (zh) 一种基于深度学习和热交换法的导电型氧化镓制备方法
CN112859771A (zh) 一种基于深度学习和导模法的氧化镓的质量预测方法、制备方法及系统
CN112734009A (zh) 一种基于深度学习和坩埚下降法的氧化镓制备方法及系统
US12031230B2 (en) Quality prediction method, preparation method and system of high resistance gallium oxide based on deep learning and Czochralski method
CN112834700B (zh) 一种基于深度学习和导模法的高阻型氧化镓的质量预测方法、制备方法及系统
CN112836853A (zh) 一种基于深度学习和热交换法的氧化镓制备方法及系统
CN112863617A (zh) 一种基于深度学习和坩埚下降法的高阻型氧化镓制备方法
US12024790B2 (en) Quality prediction method, preparation method and system of conductive gallium oxide based on deep learning and Czochralski method
CN112863618A (zh) 一种基于深度学习和热交换法的高阻型氧化镓制备方法
CN112863619A (zh) 一种基于深度学习和坩埚下降法的导电型氧化镓制备方法
CN114117675B (zh) 一种操动机构温湿度场数值仿真方法及系统
CN115595667B (zh) 一种碲锌镉晶体智能生长方法、系统、设备及存储介质
WO2022141764A1 (zh) 一种基于深度学习和导模法的导电型氧化镓的质量预测方法、制备方法及系统
CN112853470A (zh) 一种基于深度学习和提拉法的氧化镓的质量预测方法、制备方法及系统
CN114201870B (zh) 用于分析核动力装置非能动特性的自适应多尺度耦合方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination