一种基于深度学习和热交换法的氧化镓制备方法及系统技术方案

本申请涉及基于深度学习和热交换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；控制数据包括：籽晶冷却介质流量；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，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。

【技术实现步骤摘要】
一种基于深度学习和热交换法的氧化镓制备方法及系统
本申请涉及氧化镓制备
，特别是涉及一种基于深度学习和热交换法的氧化镓制备方法及系统。
技术介绍
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。热交换法是制备氧化镓的方法之一，采用热交换法制备氧化镓时，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。
技术实现思路
本专利技术所要解决的技术问题是，提供一种基于深度学习和热交换法的氧化镓制备方法及系统，以优化氧化镓的性能。本专利技术实施例提供了一种基于深度学习和热交换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：籽本文档来自技高网...

【技术保护点】
1.一种基于深度学习和热交换法的氧化镓预测方法，其特征在于，所述预测方法包括：/n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；所述控制数据包括：籽晶冷却介质流量；/n对所述制备数据进行预处理，得到预处理的制备数据；/n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。/n

【技术特征摘要】
1.一种基于深度学习和热交换法的氧化镓预测方法，其特征在于，所述预测方法包括：
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；所述控制数据包括：籽晶冷却介质流量；
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。


2.根据权利要求1所述的基于深度学习和热交换法的氧化镓预测方法，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。


3.根据权利要求2所述的基于深度学习和热交换法的氧化镓预测方法，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：保温层热阻值、保温层热阻值偏差值以及保温层形状因子；
所述控制数据还包括：线圈输入功率以及线圈冷却功率。


4.根据权利要求3所述的基于深度学习和热交换法的氧化镓预测方法，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保温层热阻值、保温层热阻值偏差值以及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线圈输入功率、所述线圈冷却功率以及所述籽晶冷却介质流量中的一个；
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热交换法的氧化镓预测方法，其特征在于，所述预测性质数据包括：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以及预测衍射峰半高宽轴向偏差值。


6.一种基于深度学习和热交换法的氧化镓制备方法，其特征在于，所述制备方法包括：
获取目标氧化镓单晶的目标性质数据；
根据所述目标性质数据以及训练好的神经网络模型，确定所述目标氧化镓单晶对应的目标制备数...

【专利技术属性】
技术研发人员：齐红基，王晓亮，陈端阳，
申请(专利权)人：杭州富加镓业科技有限公司，
类型：发明
国别省市：浙江;33