[发明专利]一种基于深度学习和坩埚下降法的导电型氧化镓制备方法

权利要求书

1.一种基于深度学习和坩埚下降法的导电型氧化镓预测方法，其特征在于，所述预测方法包括：

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。

2.根据权利要求1所述的基于深度学习和坩埚下降法的导电型氧化镓预测方法，其特征在于，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。

3.根据权利要求2所述的基于深度学习和坩埚下降法的导电型氧化镓预测方法，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；

所述环境数据包括：高温区保温层热阻值、高温区保温层热阻值偏差值、高温区保温层形状因子、低温区保温层热阻值、低温区保温层热阻值偏差值、低温区保温层形状因子以及生长驱动区保温层形状因子；

所述控制数据包括：高温区输入功率、高温区冷却功率、低温区输入功率、低温区冷却功率以及坩埚下降速度。

4.根据权利要求3所述的基于深度学习和坩埚下降法的导电型氧化镓预测方法，其特征在于，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高温区保温层热阻值、所述高温区保温层热阻值偏差值、所述高温区保温层形状因子、所述低温区保温层热阻值、所述低温区保温层热阻值偏差值、所述低温区保温层形状因子以及所述生长驱动区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高温区输入功率、所述高温区冷却功率、所述低温区输入功率、所述低温区冷却功率以及所述坩埚下降速度中的一个；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；

根据所述制备向量，确定所述预处理的制备数据。

5.根据权利要求1所述的基于深度学习和坩埚下降法的导电型氧化镓预测方法，其特征在于，所述预测性质数据还包括：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、预测载流子浓度径向偏差值以及预测载流子浓度轴向偏差值。

6.一种基于深度学习和坩埚下降法的导电型氧化镓制备方法，其特征在于，所述制备方法包括：

获取目标导电型氧化镓单晶的目标性质数据；所述目标性质数据包括：目标载流子浓度；

根据所述目标性质数据以及训练好的神经网络模型，确定所述目标导电型氧化镓单晶对应的目标制备数据；其中，所述目标制备数据包括：籽晶数据、环境数据、控制数据以及原料数据；所述原料数据包括：掺杂类型数据和导电掺杂浓度；

基于坩埚下降法，根据所述目标制备数据制备得到目标导电型氧化镓单晶。

7.根据权利要求6所述的基于深度学习和坩埚下降法的导电型氧化镓制备方法，其特征在于，所述根据所述目标性质数据以及训练好的神经网络模型，确定所述目标导电型氧化镓单晶对应的目标制备数据，包括：

获取预设制备数据，对所述预设制备数据进行预处理，得到预处理的预设制备数据；

将所述预处理的预设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；

根据所述预测性质数据、所述目标性质数据，对所述预设制备数据进行修正，以得到所述目标导电型氧化镓单晶对应的目标制备数据。