[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

说明书

本发明公开了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，质量预测方法包括步骤：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。本发明可通过训练好的神经网络模型对高阻型氧化镓单晶的质量进行预测，因此可以调整制备数据得到预设电阻率的高阻型氧化镓单晶，使得高阻型氧化镓单晶的性能得到优化。

技术领域

本发明涉及氧化镓单晶制备领域，特别涉及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。

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。

提拉法是制备高阻型氧化镓的方法之一，现有技术，采用提拉法制备高阻型氧化镓时，由于影响高阻型氧化镓产品性能的因素较多，这使得高阻型氧化镓的制备参数难以控制，无法得到预定电阻率的高阻型氧化镓。

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提拉法的高阻型氧化镓的质量预测方法、制备方法及系统，旨在解决现有提拉法制备高阻型氧化镓单晶的过程均是依赖操作员的经验来设置参数，其重复性较差，且无法稳定制得预定电阻率的高阻型氧化镓单晶的问题。

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。

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：

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。

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，其中，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。

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，其中，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：