[發明專利]一種基于深度學習和導模法的導電型氧化鎵的質量預測方法、制備方法及系統

在審

• 申請號: 202011638965.5
• 申請日: 2020-12-31
• 公開（公告）號: CN112837758A
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 齊紅基;王曉亮;陳端陽;賽青林
• 申請（專利權）人: 杭州富加鎵業科技有限公司
• 主分類號: G16C20/10
• 分類號: G16C20/10;G16C20/70;C30B29/16;C30B15/34;C30B15/20
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 徐凱凱

1.一種基于深度學習和導模法的導電型氧化鎵質量預測方法，其特征在于，包括步驟：

獲取導模法制備導電型氧化鎵單晶的制備數據，所述制備數據包括籽晶數據、環境數據以及控制數據，所述控制數據包括摻雜元素濃度、摻雜元素類型；

對所述制備數據進行預處理，得到預處理制備數據；

將所述預處理制備數據輸入訓練好的神經網絡模型，通過所述訓練好的神經網絡模型得到所述導電型氧化鎵單晶對應的預測質量數據，所述預測質量數據包括預測載流子濃度。

2.根據權利要求1所述基于深度學習和導模法的導電型氧化鎵質量預測方法，其特征在于，對所述制備數據進行預處理，得到預處理制備數據的步驟包括：

根據所述籽晶數據、環境數據以及控制數據，得到預處理制備數據，所述預處理制備數據為由所述籽晶數據、環境數據以及控制數據形成的矩陣。

3.根據權利要求2所述基于深度學習和導模法的導電型氧化鎵質量預測方法，其特征在于，所述籽晶數據包括：籽晶衍射峰半高寬、籽晶衍射峰半高寬偏差值、籽晶厚度以及籽晶寬度；

所述環境數據還包括：上保溫罩熱阻值、上保溫罩熱阻值偏差值、晶體生長通道形狀因子、晶體生長觀察孔形狀因子、下保溫罩熱阻值、下保溫罩熱阻值偏差值、坩堝與加熱線圈的相對高度、加熱環與加熱線圈的相對高度、模具口縫隙的寬度、模具口縫隙的厚度；

所述控制數據包括：加熱功率、冷卻功率、氣氛類型、腔體壓力、氣體流量、籽晶桿提拉速度。

4.根據權利要求3所述基于深度學習和導模法的導電型氧化鎵質量預測方法，其特征在于，根據所述籽晶數據、環境數據以及控制數據，得到預處理制備數據的步驟包括：

根據所述籽晶數據、環境數據以及控制數據，確定制備向量；其中，所述制備向量中第一元素為所述籽晶衍射峰半高寬、籽晶衍射峰半高寬偏差值、籽晶厚度以及籽晶寬度中的一個；所述制備向量中第二元素為所述上保溫罩熱阻值、上保溫罩熱阻值偏差值、晶體生長通道形狀因子、晶體生長觀察孔形狀因子、下保溫罩熱阻值、下保溫罩熱阻值偏差值、坩堝與加熱線圈的相對高度、加熱環與加熱線圈的相對高度、模具口縫隙的寬度、模具口縫隙的厚度、摻雜元素濃度以及摻雜元素類型中的一個，所述摻雜元素類型包括Si、Ge、Sn、Zr、Hf、In、Ta、Nb、V、W和Mo；所述制備向量中第三元素為所述加熱功率、冷卻功率、氣氛類型、腔體壓力、氣體流量、籽晶桿提拉速度中的一個；

根據所述制備向量，確定所述預處理制備數據。

5.根據權利要求1所述基于深度學習和導模法的導電型氧化鎵質量預測方法，其特征在于，所述預測質量數據包括：預測裂紋數據、預測雜晶數據、預測衍射峰半高寬、預測衍射峰半高寬偏差值、預測導電型氧化鎵晶體放肩對稱性、預測導電型氧化鎵晶體左邊沿收放度、預測導電型氧化鎵晶體右邊沿收放度、預測導電型氧化鎵晶體厚度、預測導電型氧化鎵晶體厚度偏差、預測載流子濃度徑向偏差值以及預測載流子濃度軸向偏差值。

6.根據權利要求1所述基于深度學習和導模法的導電型氧化鎵質量預測方法，其特征在于，所述訓練好的神經網絡模型采用如下訓練步驟訓練得到：

獲取導模法制備導電型氧化鎵單晶的訓練數據，以及對應的實際質量數據，其中，所述訓練數據包括：籽晶訓練數據、環境訓練數據以及控制訓練數據；

對所述訓練數據進行預處理，得到預處理訓練數據；

將所述預處理訓練數據輸入預設的神經網絡模型，通過所述預設的神經網絡模型得到與所述預處理訓練數據對應的預測訓練生成質量數據；

根據所述預測訓練生成質量數據以及所述實際質量數據對所述預設的神經網絡模型的模型參數進行調整修正，得到訓練好的神經網絡模型。