[发明专利]一种基于深度学习和热交换法的导电型氧化镓制备方法

说明书

本申请涉及基于深度学习和热交换法的导电型氧化镓制备方法，预测方法包括：获取导电型氧化镓单晶的制备数据；制备数据包括：籽晶数据、环境数据、控制数据以及原料数据；控制数据包括：籽晶冷却介质流量，原料数据包括：掺杂类型数据及导电掺杂浓度；对制备数据进行预处理；将预处理的制备数据输入训练好的神经网络模型，得到导电型氧化镓单晶对应的预测性质数据；所述预测性质数据包括：预测载流子浓度。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，得到导电型氧化镓单晶对应的预测性质数据，通过调整制备数据，可以得到预定载流子浓度的导电型氧化镓。

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导电型氧化镓制备方法。

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，现有技术，采用热交换法制备导电型氧化镓时，无法得到预定载流子浓度的导电型氧化镓。

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导电型氧化镓制备方法，以预测得到预定载流子浓度的导电型氧化镓。

本发明实施例提供了一种基于深度学习和热交换法的导电型氧化镓预测方法，包括：

获取导电型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、控制数据以及原料数据；所述控制数据包括：籽晶冷却介质流量，所述原料数据包括：掺杂类型数据和导电掺杂浓度；

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导电型氧化镓单晶对应的预测性质数据；所述预测性质数据包括：预测载流子浓度。

所述的基于深度学习和热交换法的导电型氧化镓预测方法，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、所述控制数据以及所述原料数据，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、所述控制数据以及所述原料数据形成的矩阵。

所述的基于深度学习和热交换法的导电型氧化镓预测方法，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导电型氧化镓预测方法，所述根据所述籽晶数据、所述环境数据、所述控制数据以及所述原料数据，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、所述控制数据以及所述原料数据，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；所述制备向量中第四元素为所述掺杂类型数据和所述导电掺杂浓度中的一个；