一种基于深度学习和热交换法的导电型氧化镓制备方法技术

本申请涉及基于深度学习和热交换法的导电型氧化镓制备方法，预测方法包括：获取导电型氧化镓单晶的制备数据；制备数据包括：籽晶数据、环境数据、控制数据以及原料数据；控制数据包括：籽晶冷却介质流量，原料数据包括：掺杂类型数据及导电掺杂浓度；对制备数据进行预处理；将预处理的制备数据输入训练好的神经网络模型，得到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。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，得到导电型氧化镓单晶对应的预测性质数据，通过调整制备数据，可以得到预定载流子浓度的导电型氧化镓。

【技术实现步骤摘要】
一种基于深度学习和热交换法的导电型氧化镓制备方法
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导电型氧化镓制备方法。
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，现有技术，采用热交换法制备导电型氧化镓时，无法得到预定载流子浓度的导电型氧化镓。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导电型氧化镓制备方法，以预测得到预定载流子浓度的导电型氧化镓。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导电型氧化镓预测方法，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；所述控制数据包括：籽晶冷却介质流量，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。所述的基于深度学习和热交换法的导电型氧化镓预测方法，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、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。所述的基于深度学习和热交换法的导电型氧化镓预测方法，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：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。所述的基于深度学习和热交换法的导电型氧化镓预测方法，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；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。所述的基于深度学习和热交换法的导电型氧化镓预测方法，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、预测衍射峰半高宽轴向偏差值、预测载流子浓度、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。一种基于深度学习和热交换法的导电型氧化镓制备方法，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；所述控制数据包括：籽晶冷却介质流量，所述原料数据包括：掺杂类型数据和导电掺杂浓度；基于热交换法，根据所述目标制备数据制备得到目标导电型氧化镓单晶。所述的基于深度学习和热交换法的导电型氧化镓制备方法，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。所述的基于深度学习和热交换法的导电型氧化镓制备方法，其中，所述训练好的神经网络模型采用如下步骤训练得到：获取导电型氧化镓单晶的训练数据以及所述训练数据对应的实际性质数据；其中，所述训练数据包括：籽晶训练数据、环境训练数据、控制训练数据以及原料训练数据；所述控制训练数据包括：籽晶冷却介质流量训练数据，所述原料训练数据包括：掺杂类型数据和导电掺杂浓度；对所述训练数据进行预处理，得到预处理的训练数据；将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据；所述预测生成性质数据包括：预测生成载流子浓度；根据所述预测生成性质数据以及所述实际性质数据调整所述预设的神经网络模型的模型参数进行修正，以得到训练好的神经网络模型。所述的基于深度学习和热交换法的导电型氧化镓制备方法，其中，所述预设的神经网络模型包括：特征提取模块和全连接模块，所述将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据，包括：将所述预处理的训练数据输入所述特征提取模块，通过所述特征提取模块得到所述预处理的训练数据对应的特征向量；将所述特征向量输入所述全连接模块，通过所述全连接模块得到所述预处理的训练数据得到的预测生成性质数据。一种基于深度学习和热交换法的导电型氧化镓制备系统，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的预测方法的步骤，或上述任一项所述的制备方法的步骤。与现有技术相比，本专利技术实施例具有以下优点：先将制备数据进行预处理，得到预处理的制备数据，然后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所述导电型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可以对导电型氧化镓单晶的性能进行预测，因此可以通过调整制备数据，可以得到预定载流子浓度的导电型氧化镓。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中基于深度学习和热交换法的导电型氧化镓预测方法的流程图；图2为本专利技术本文档来自技高网...

【技术保护点】
1.一种基于深度学习和热交换法的导电型氧化镓预测方法，其特征在于，所述预测方法包括：/n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；所述控制数据包括：籽晶冷却介质流量，所述原料数据包括：掺杂类型数据和导电掺杂浓度；/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。/n

【技术特征摘要】
1.一种基于深度学习和热交换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；所述控制数据包括：籽晶冷却介质流量，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热交换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热交换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：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；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热交换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热交换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...

【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