一种推断物性参数的方法及装置制造方法及图纸

本申请公开了一种推断物性参数的方法及装置，用以解决在某些特定条件下，难以获取准确的材料的物性参数，从而影响通过模拟软件进行模拟获得的模拟结果的问题。该方法根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型；确定预设工艺条件下待推断材料对应的实际结果参数；根据所述实际结果参数，采用所述神经网络模型与预设的数值优化算法，确定所述待推断材料的实际物性参数。本方法在机器学习的基础上，结合数值优化算法，能够获得尽可能准确的材料的物性参数，有利于对物性参数的准确把握，从而加强模拟结果与实际结果之间的一致性。

A method and device for inferring physical parameters

【技术实现步骤摘要】
一种推断物性参数的方法及装置
本申请涉及模拟晶体生长
，尤其涉及一种推断物性参数的方法及装置。
技术介绍
在工业生产过程中，材料的物性参数往往对生产过程及生产结果起到很大的影响。其中，材料的物性参数表示材料在制工、性能等方面能否达到生产要求的参数数据。特别是在模拟晶体生长过程中，不正确的材料的物性参数会导致对晶体生长过程中的温度分布、晶体凸率、晶体的形状等结果参数的预测不准确，从而使模拟结果与实际结果之间的误差较大。目前，要确定材料的物性参数，可从材料供应商处获取。但是，材料供应商给出的数据的准确性可能较低。尤其针对晶体生长过程中所需的材料的物性参数，由于晶体生长过程中的温度高达上千摄氏度，因此难以获取高温下的物性参数的准确数据，这不利于对晶体生长过程的准确模拟。
技术实现思路
本申请实施例提供一种推断物性参数的方法及装置，用以解决在例如高温等特定条件下，难以获取准确的材料的物性参数，从而影响通过模拟软件进行模拟获得的模拟结果的问题。本申请实施例提供的一种推断物性参数的方法，包括：根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型；确定预设工艺条件下所述待推断材料对应的实际结果参数；根据所述实际结果参数，采用所述神经网络模型与预设的数值优化算法，确定所述待推断材料的实际物性参数。本申请实施例提供的一种推断物性参数的装置，包括：训练模块，根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型；第一确定模块，确定预设工艺条件下所述待推断材料对应的实际结果参数；第二确定模块，根据所述实际结果参数，采用所述神经网络模型与预设的数值优化算法，确定所述待推断材料的实际物性参数。本申请实施例提供一种推断物性参数的方法及装置，通过训练神经网络模型，并采用数值优化算法进行反推，对若干初始值进行迭代优化，并从优化结果中确定出材料的物性参数的最优解，作为材料的实际物性参数。通过这种方法，能够在机器学习的基础上，结合数值优化算法，在难以获取材料的物性参数的情况下，根据实际结果参数，并通过多次迭代，以获得尽可能准确的材料的实际的物性参数。尤其针对晶体生长中采用的坩埚而言，通过本方法，可不再受晶体生长环境的高温的限制，也无需担心难以获取坩埚的物性参数。即使是在高温条件下，也可通过晶体生长的结果参数，反推确定最准确的材料的物性参数，从而进一步完善通过模拟获得的晶体的模拟结果参数。通过本方法获得的物性参数，能够使模拟软件根据该物性参数获得的模拟结果参数与实际结果参数尽可能一致，以缩小模拟结果与实际结果之间的误差，达到模拟结果与实际结果的一致。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本申请实施例提供的推断物性参数的方法流程图；图2为本申请实施例提供的L-BFGS算法优化原理示意图；图3(a)～图3(c)为本申请实施例提供的坩埚的物性参数优化结果示意图；图4(a)～图4(b)为本申请实施例提供的模拟结果参数与实际结果参数的关系示意图；图5为本申请实施例提供的推断物性参数的装置结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。图1为本申请实施例提供的推断物性参数的方法流程图，具体包括以下步骤：S101：根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型。在本申请实施例中，可通过训练神经网络模型，表示材料的物性参数与对应的结果参数之间的关系。具体的，神经网络模型的训练过程包括：第一步，根据预设的物性参数，通过模拟软件，确定相应的模拟结果参数。服务器可根据预设的物性参数，确定各物性参数对应的不同的取值范围。在各物性参数的相应取值范围内，确定各物性参数的可能的取值。对各物性参数的不同取值进行组合，可形成大量组合数据。将上述每个组合数据输入模拟软件，通过模拟软件进行仿真模拟，可针对每个组合数据，分别获得在预设工艺条件下相对应的模拟结果参数。其中，对晶体生长的模拟结果参数的获取，可通过模拟晶体生长的模拟软件获取。例如，模拟软件VirtualReactor等。以晶体生长过程为例，确定坩埚的不同的物性参数热导率λ、电导率σ与表面发射率ε，并通过模拟软件进行模拟，可确定相应的物性参数对应的晶体生长的模拟结果参数，包括晶体生长阶段中若干预设时刻对应的预设监测点的温度T，晶体生长的厚度H与晶体的凸率C。其中，晶体的凸率表示晶体的中间厚度与边缘厚度之间的差值。为方便描述，以下以晶体生长过程中所采用的坩埚为例，进行说明。但这并不构成对本申请所适用的范围的限制，本方法并不仅限于对坩埚的物性参数的推断，在其他具有相同原理的生产过程中，同样适用。第二步，建立训练数据集。服务器可根据确定出的模拟结果参数，与相应的各物性参数的取值，建立训练数据集。以晶体生长过程中采用的坩埚为例，则服务器可根据坩埚的物性参数热导率λ、电导率σ与表面发射率ε，与晶体生长的模拟结果参数，包括晶体生长阶段中若干预设时刻对应的预设监测点的温度T，晶体生长的厚度H与晶体的凸率C，建立训练数据集。第三步，采用建立好的训练数据集，训练神经网络模型。具体的，服务器可将材料的物性参数作为神经网络模型训练的输入数据，将相应的模拟结果参数作为神经网络模型训练的输出数据，来进行模型训练。通过机器学习，使神经网络模型能够学习在预设工艺条件下，材料的物性参数与相应的模拟结果参数之间的函数关系。在一个实施例中，服务器可采用BP神经网络模型，进行神经网络模型的训练。在训练过程中，可将训练数据集划分为训练集与测试集，其中，若训练数据集为300组，则训练集可包括200组训练数据，测试集可包括100组训练数据。服务器可采用训练集的数据对BP神经网络模型进行训练，并采用测试集的数据对训练完成的BP神经网络模型的准确性等进行验证。具体的，训练好的BP神经网络模型可包括三个全连接层，共33个神经元。其中，这三个全连接层分别包括16个、16个与5个神经元。其中，以晶体生长过程为例，则最后一层的5个神经元可分别对应晶体生长的结果参数中的三个预设监测点的温度、晶体的厚度与晶体的凸率。并且，在训练BP神经网络模型时，激活函数可采用Relu，优化方式可采用Adam，损失函数可采用平均绝对误差。S102：确定预设工艺条件下待推断材料对应的实际结果参数。在本申本文档来自技高网...

【技术保护点】
1.一种推断物性参数的方法，其特征在于，包括：/n根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型；/n确定预设工艺条件下所述待推断材料对应的实际结果参数；/n根据所述实际结果参数，采用所述神经网络模型与预设的数值优化算法，确定所述待推断材料的实际物性参数。/n

【技术特征摘要】
1.一种推断物性参数的方法，其特征在于，包括：
根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型；
确定预设工艺条件下所述待推断材料对应的实际结果参数；
根据所述实际结果参数，采用所述神经网络模型与预设的数值优化算法，确定所述待推断材料的实际物性参数。


2.根据权利要求1所述的方法，其特征在于，根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型，包括：
根据预设的若干物性参数，从预设的取值范围中，分别确定各物性参数的取值，并采用模拟软件，确定在预设工艺条件下相应的模拟结果参数的取值；
根据确定出的模拟结果参数与相应的各预设的物性参数的取值，建立训练数据集；
采用建立好的训练数据集，训练神经网络模型。


3.根据权利要求2所述的方法，其特征在于，所述神经网络模型为BP神经网络模型，所述BP神经网络模型包括3个全连接层，所述3个全连接层分别包括16个、16个、5个神经元。


4.根据权利要求3所述的方法，其特征在于，所述神经网络模型采用的激活函数为Relu，采用的优化方式为Adam，采用的损失函数为平均绝对误差。


5.根据权利要求1所述的方法，其特征在于，所述待推断材料为坩埚；
所述实际物性参数至少包括以下任意一项：热导率、电导率、表面发射率；
所述实际结果参数至少包括以下任意一项：晶体预设监测点的温度、晶体厚度、晶体的凸率。


6.根据权利要求5所述的方法，其特征在于，根据所述实际结果参数，采用所述神经网络模型与预设的数值优化算法，确定所述待推断材料的实际物性参数，包括：
确定物性参数的若干初始值；
采用所述神经网络模型，确定所述若干初始值对应...

【专利技术属性】
技术研发人员：舒天宇，王雅儒，张红岩，王秀平，黄长航，周国顺，
申请(专利权)人：山东天岳先进材料科技有限公司，
类型：发明
国别省市：山东;37