[发明专利]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

说明书

本发明公开了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，质量预测方法包括步骤：获取导模法制备氧化镓单晶的制备数据，所述制备数据包括籽晶数据、环境数据以及控制数据，所述控制数据包括模具口缝隙的宽度与厚度；对所述制备数据进行预处理，得到预处理制备数据；将所述预处理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质量数据。本发明可通过训练好的神经网络模型对氧化镓单晶的质量进行预测，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。

技术领域

本发明涉及氧化镓晶体制备领域，特别涉及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。

背景技术

β-Ga₂O₃(氧化镓)是一种直接带隙宽禁带半导体材料，禁带宽度约为4.8～4.9eV。它具有禁带宽度大、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，在高温、高频、大功率电力电子器件领域有着广泛的应用前景。此外还可用于LED芯片，日盲紫外探测、各种传感器元件及摄像元件等。

目前，批量制备大尺寸氧化镓晶体主要采用导模法制备技术。导模法是一种成熟的单晶制备技术，其具有异形晶体生长、生长速度快、生长成本低的优点。导模法是在导模法基础上改良获得的一种晶体生长方法，晶体生长设备及生长工艺探索相对更加复杂。导模法需要在坩埚内放置模具，晶体生长界面位于模具上表面，高温下由于表面张力的作用，熔体沿模具中的毛细管上升到模具上表面。熔体沿毛细管上升高度H由公式决定，其中，γ为熔体表面张力，θ为熔体与毛细管之间的接触角，ρ为熔体密度，g为重力加速度，r为毛细管半径。

与导模法相比，采用导模法制备氧化镓晶体具有以下优点：

1、模具毛细管中熔体对流较弱，熔体中杂质离子从毛细管上升至固液界面后较难重新返回坩埚，晶体中的杂质离子分凝系数一般接近于1，晶体上下杂质分布一致性好；

2、晶体生长固液界面位于模具上方，界面形状可以通过模具表面几何形状调控，固液界面位于温场中的位置始终不变，且不受坩埚中熔体扰动影响，因此导模法中晶体生长固液界面更加稳定；

3、导模法晶体生长速度较快，有利于降低能耗，可以生长异形晶体，降低晶体加工成本及加工损耗。

然而，在采用导模法制备氧化镓晶体的过程中，模具口附近的温度场分布、籽晶的选择、籽晶杆提拉速度、晶体生长气氛环境以及加热功率、冷却功率等参数的变化均会对制得的氧化镓晶体质量产生较大影响。现有导模法制备氧化镓晶体的过程均是依赖操作员的经验来设置参数，其重复性较差，从而导致制得的氧化镓晶体产品稳定性较差。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供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，旨在解决现有导模法制备氧化镓晶体的过程均是依赖操作员的经验来设置参数，其重复性较差，导致制得的氧化镓晶体质量以及稳定性较差的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种基于深度学习和导模法的氧化镓质量预测方法，其中，包括步骤：

获取导模法制备氧化镓单晶的制备数据，所述制备数据包括籽晶数据、环境数据以及控制数据，所述控制数据包括模具口缝隙的宽度与厚度；

对所述制备数据进行预处理，得到预处理制备数据；

将所述预处理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质量数据。

所述基于深度学习和导模法的氧化镓质量预测方法，其中，对所述制备数据进行预处理，得到预处理制备数据的步骤包括：