[发明专利]一种基于深度学习和坩埚下降法的氧化镓制备方法及系统

说明书

本申请涉及基于深度学习和坩埚下降法的氧化镓制备方法及系统，预测方法包括：获取氧化镓单晶的制备数据；制备数据包括：籽晶数据、环境数据以及控制数据；对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，通过训练好的神经网络模型得到氧化镓单晶对应的预测性质数据。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，得到氧化镓单晶对应的预测性质数据，通过训练好的神经网络模型对氧化镓单晶的性能进行预测，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坩埚下降法的氧化镓制备方法及系统。

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。坩埚下降法是制备氧化镓的方法之一，采用坩埚下降法制备氧化镓时，氧化镓的制备难以控制，氧化镓产品性能的影响因素太多，无法得到性质较佳的氧化镓。

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坩埚下降法的氧化镓制备方法及系统，以优化氧化镓的性能。

本发明实施例提供了一种基于深度学习和坩埚下降法的氧化镓预测方法，包括：

获取氧化镓单晶的制备数据；其中，所述制备数据包括：籽晶数据、环境数据以及控制数据；

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氧化镓单晶对应的预测性质数据。

所述的基于深度学习和坩埚下降法的氧化镓预测方法，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、所述环境数据以及所述控制数据，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、所述环境数据以及所述控制数据形成的矩阵。

所述的基于深度学习和坩埚下降法的氧化镓预测方法，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：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。

所述的基于深度学习和坩埚下降法的氧化镓预测方法，所述根据所述籽晶数据、所述环境数据以及所述控制数据，得到预处理的制备数据，包括：

根据所述籽晶数据、所述环境数据以及所述控制数据，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、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；