[发明专利]一种基于深度学习和提拉法的高阻型氧化镓的质量预测方法、制备方法及系统

权利要求书

1.一种基于深度学习和提拉法的高阻型氧化镓质量预测方法，其特征在于，包括步骤：

获取提拉法制备高阻型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，所述环境数据包括掺杂元素类型、掺杂元素浓度；

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高阻型氧化镓单晶对应的预测质量数据，所述预测质量数据包括预测电阻率。

2.根据权利要求1所述基于深度学习和提拉法的高阻型氧化镓质量预测方法，其特征在于，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：

根据所述籽晶数据、环境数据以及控制数据，得到预处理制备数据，所述预处理制备数据为由所述籽晶数据、环境数据以及控制数据形成的矩阵。

3.根据权利要求2所述基于深度学习和提拉法的高阻型氧化镓质量预测方法，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；

所述环境数据还包括：上保温罩热阻值、上保温罩热阻值偏差值、晶体生长通道形状因子、晶体生长观察孔形状因子、下保温罩热阻值、下保温罩热阻值偏差值、坩埚与感应线圈的相对高度、加热环与感应线圈的相对高度；

所述控制数据包括：加热功率、冷却功率、气氛类型、腔体压力、气体流量、籽晶杆提拉速度、晶体转速、析晶率，以及晶体与坩埚直径比。

4.根据权利要求3所述基于深度学习和提拉法的高阻型氧化镓质量预测方法，其特征在于，根据所述籽晶数据、环境数据以及控制数据，得到预处理制备数据的步骤包括：

根据所述籽晶数据、环境数据以及控制数据，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、籽晶衍射峰半高宽偏差值以及籽晶直径中的一个；所述制备向量中第二元素为所述上保温罩热阻值、上保温罩热阻值偏差值、晶体生长通道形状因子、晶体生长观察孔形状因子、下保温罩热阻值、下保温罩热阻值偏差值，坩埚与感应线圈的相对高度、加热环与感应线圈的相对高度、掺杂元素浓度以及掺杂元素类型中的一个，所述掺杂元素类型包括Fe、Ca、Zn、Co、Ti、Ni、Mg、Al和Cu；所述制备向量中第三元素为所述加热功率、冷却功率、气氛类型、腔体压力、气体流量、籽晶杆提拉速度、晶体转速、析晶率，以及晶体与坩埚直径比中的一个；

根据所述制备向量，确定所述预处理制备数据。

5.根据权利要求1所述基于深度学习和提拉法的高阻型氧化镓质量预测方法，其特征在于，所述预测质量数据还包括：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、预测衍射峰半高宽轴向偏差值、预测电阻率径向偏差值以及预测电阻率轴向偏差值。

6.根据权利要求1所述基于深度学习和提拉法的高阻型氧化镓质量预测方法，其特征在于，所述训练好的神经网络模型采用如下训练步骤训练得到：

获取提拉法制备高阻型氧化镓单晶的训练数据，以及对应的实际质量数据，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；

对所述训练数据进行预处理，得到预处理训练数据；

将所述预处理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与所述预处理训练数据对应的预测训练生成质量数据；

根据所述预测训练生成质量数据以及所述实际质量数据对所述预设的神经网络模型的模型参数进行调整修正，得到训练好的神经网络模型。

7.根据权利要求6所述基于深度学习和提拉法的高阻型氧化镓质量预测方法，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，

将所述预处理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与所述预处理训练数据对应的预测训练生成质量数据的步骤包括：

将所述预处理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与所述预处理训练数据对应的特征向量；

将所述特征向量输入到所述全连接模块，通过所述全连接模块得到与所述预处理训练数据对应的预测训练生成质量数据。