[發明專利]一種基于深度學習和熱交換法的高阻型氧化鎵制備方法

在審

• 申請號: 202011639082.6
• 申請日: 2020-12-31
• 公開（公告）號: CN112863618A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 齊紅基;王曉亮;陳端陽
• 申請（專利權）人: 杭州富加鎵業科技有限公司
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C20/30;G06N3/08;C30B29/16;C30B11/00
• 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熱交換法的高阻型氧化鎵預測方法，其特征在于，所述預測方法包括：

獲取高阻型氧化鎵單晶的制備數據；其中，所述制備數據包括：籽晶數據、環境數據、控制數據以及原料數據；所述控制數據包括：籽晶冷卻介質流量，所述原料數據包括：摻雜類型數據及摻雜濃度；

對所述制備數據進行預處理，得到預處理的制備數據；

將所述預處理的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高阻型氧化鎵單晶對應的預測性質數據；所述預測性質數據包括：預測電阻率。

2.根據權利要求1所述的基于深度學習和熱交換法的高阻型氧化鎵預測方法，其特征在于，所述對所述制備數據進行預處理，得到預處理的制備數據，包括：

根據所述籽晶數據、所述環境數據、所述控制數據以及所述原料數據，得到預處理的制備數據；其中，所述預處理的制備數據為由所述籽晶數據、所述環境數據、所述控制數據以及所述原料數據形成的矩陣。

3.根據權利要求2所述的基于深度學習和熱交換法的高阻型氧化鎵預測方法，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以及籽晶直徑；

所述環境數據包括：保溫層熱阻值、保溫層熱阻值偏差值以及保溫層形狀因子；

所述控制數據還包括：線圈輸入功率以及線圈冷卻功率。

4.根據權利要求3所述的基于深度學習和熱交換法的高阻型氧化鎵預測方法，其特征在于，所述根據所述籽晶數據、所述環境數據、所述控制數據以及所述原料數據，得到預處理的制備數據，包括：

根據所述籽晶數據、所述環境數據、所述控制數據以及所述原料數據，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、所述籽晶衍射峰半高寬偏差值以及所述籽晶直徑中的一個，所述制備向量中第二元素為所述保溫層熱阻值、保溫層熱阻值偏差值以及保溫層形狀因子中的一個，所述制備向量中第三元素為所述線圈輸入功率、所述線圈冷卻功率以及所述籽晶冷卻介質流量中的一個；所述制備向量中第四元素為所述摻雜類型數據和所述摻雜濃度中的一個；

根據所述制備向量，確定所述預處理的制備數據。

5.根據權利要求1所述的基于深度學習和熱交換法的高阻型氧化鎵預測方法，其特征在于，所述預測性質數據還包括：預測裂紋數據、預測雜晶數據、預測衍射峰半高寬、預測衍射峰半高寬徑向偏差值、預測衍射峰半高寬軸向偏差值、預測電阻率徑向偏差值以及預測電阻率軸向偏差值。

6.一種基于深度學習和熱交換法的高阻型氧化鎵制備方法，其特征在于，所述制備方法包括：

獲取目標高阻型氧化鎵單晶的目標性質數據；所述目標性質數據包括：目標電阻率；

根據所述目標性質數據以及訓練好的神經網絡模型，確定所述目標高阻型氧化鎵單晶對應的目標制備數據；其中，所述目標制備數據包括：籽晶數據、環境數據、控制數據以及原料數據；所述控制數據包括：籽晶冷卻介質流量，所述原料數據包括：摻雜類型數據和摻雜濃度；

基于熱交換法，根據所述目標制備數據制備得到目標高阻型氧化鎵單晶。

7.根據權利要求6所述的基于深度學習和熱交換法的高阻型氧化鎵制備方法，其特征在于，所述根據所述目標性質數據以及訓練好的神經網絡模型，確定所述目標高阻型氧化鎵單晶對應的目標制備數據，包括：

獲取預設制備數據，對所述預設制備數據進行預處理，得到預處理的預設制備數據；

將所述預處理的預設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高阻型氧化鎵單晶對應的預測性質數據；

根據所述預測性質數據、所述目標性質數據，對所述預設制備數據進行修正，以得到所述目標高阻型氧化鎵單晶對應的目標制備數據。