【技术实现步骤摘要】
本专利技术涉及优化sic晶体生长的方法，属于人工智能机器学习的应用领域。
技术介绍
1、相比于第一代si(硅)半导体，第三代sic(碳化硅)半导体的禁带宽度比较大(不同的晶型带隙变化范围为2.3-3.3ev)，宽带隙特性使得sic具有强的击穿电场(2.5mv/cm，si的10倍)，同时具有高饱和电子漂移速率(si的2倍)，高热导率(si的3倍)，这些优异的性能使得sic成为高频、抗辐射、耐腐蚀、耐高温、高功率电子器件的首选半导体材料。
2、目前pvt(物理气相传输)方法是量产sic单晶的主流生长方法。一方面，pvt技术生长sic单晶控制参数太多，如坩埚结构、保温材料结构、生长温度、温度场分布、惰性气体偏压、气体流量、感应线圈形状、感应线圈移动、热场里面各种材料的密度、热导率等等，每个参数的变化范围较大，并且不同参数之间存在一定的关联。另一方面，使用pvt方法生产sic晶体的生产成本较贵，且炉内温度过高，加热腔体密封不能直接观测，一般采用数值模拟对坩埚内的生长环境进行仿真研究来推算温度场的分布。合理的温度场分布对于sic晶体生长的质量起着至关重要的影响，一般生长炉内温度范围在2100℃-2400℃的情况下是满足晶体生长的温度需求，且sic籽晶处温度较低，sic粉料表面处温度较高，自下而上形成合理的轴向温度分布。此外，随着sic晶体尺寸的增大石墨坩埚的内径变大，热应力由内向外增加，合理的径向温度分布(sic籽晶边缘处与sic籽晶中心处的温度差)也是晶体生长质量好坏的关键因素，过大的径向温度会导致晶体内部热应力过高，晶体呈
3、传统采用数值模拟pvt温度场，需要多次建模和多次计算，耗费时间长、计算成本较大，并且工艺参数较多，不同参数的改变都会影响温度场的分布，各个参数之间具有一定的关联性，这导致对温度场分布的分析较为困难，模拟出来的温度场分布合理性较差，不满足sic晶体生长的温度场要求。
技术实现思路
1、本专利技术的目的是为了解决传统采用数值模拟pvt温度场，需要多次建模和多次计算，耗费时间长、计算成本较大，并且模拟出来的温度场分布合理性较差，不满足sic晶体生长的温度场要求的问题，提出了基于机器学习优化pvt法sic晶体生长的方法。
2、基于机器学习优化pvt法sic晶体生长的方法，所述方法包括以下内容：
3、步骤1、采集多组影响sic晶体生长的历史控制参数值和每组历史控制参数值所产生的历史轴向温度差及径向温度差形成数据集，其中，将多组影响sic晶体生长的历史控制参数值作为多组特征值，将每组历史控制参数值所产生的历史轴向温度差及径向温度差作为多组目标值，将数据集分成训练集和验证集；
4、步骤2、将训练集中的每组特征值作为多种模型的输入，将每组特征值所对应的目标值作为多种模型的输出，对各模型进行训练，得到各个训练完成的模型；
5、步骤3、将验证集中的每组特征值输入至各个训练完成的模型中，输出每组目标值；
6、步骤4、根据验证集中的目标值与各种训练完成的模型输出的目标值，计算评估指标，从获得的多个评估指标中选取最接近预设指标值的评估指标所对应的训练完成的模型作为性能最优的模型；
7、步骤5、基于特征工程构建多组待测的影响sic晶体生长的控制参数值，将每组待测的影响sic晶体生长的控制参数值输入至性能最优模型中，预测出每组轴向温度差及径向温度差，从多组轴向温度差及径向温度差中选出符合标准轴向温度差及径向温度差的一组轴向温度差及径向温度差，将该轴向温度差及径向温度差所对应的影响sic晶体生长的控制参数值作为最优的参数，利用该最优的参数实现sic晶体生长。
8、进一步的，步骤1中，还包括：对数据集进行规范化处理，得到处理后数据集，将处理后数据集分成训练集和验证集。
9、进一步的，步骤2中，多种模型包括梯度提升回归树、随机森林回归、极端随机回归树和bp神经回归网络。
10、进一步的，评估指标包括均方误差、平均绝对误差或决定系数。
11、进一步的，决定系数的预设指标值为1。
12、本专利技术的有益效果是：
13、通过机器学习预测温度场分布，可以探究不同参数对于温度场的影响，解决多参数之间的交叉关联，建立耦合关系模型，解决人脑无法完成的复杂逻辑。利用数值模拟仿真建立一定量的数据集，并利用不同的机器学习算法模型进行训练，快速预测出sic晶体生长合理的温度场分布和相关的工艺参数，节省sic晶体生长实验试错的大量人力物力成本，大大提高sic晶体生长质量和效率。
14、利用机器学习结合多物理场方法和实验参数，对现有的pvt方法制备高质量sic晶体的工艺进行人工智能优化。通过对机器学习模型进行反复训练，使其性能越来越优越，最终得到一种成熟的基于机器学习预测sic晶体生长工艺的人工智能系统。利用训练好的机器学习模型进行预测，可以得到不同工艺参数条件下的轴向温度分布和径向温度分布。通过确立合适的轴向温度差和径向温度差，得到基于此目标值下的最佳生长工艺参数。
15、采用机器学习，只需要几秒钟就能预测出轴向温度分布和径向温度分布，相比传统的数值模拟方向，预测结果快，准确性高。
本文档来自技高网...【技术保护点】
1.基于机器学习优化PVT法SiC晶体生长的方法，其特征在于，所述方法包括以下内容：
2.根据权利要求1所述的基于机器学习优化PVT法SiC晶体生长的方法，其特征在于，步骤1中，还包括：对数据集进行规范化处理，得到处理后数据集，将处理后数据集分成训练集和验证集。
3.根据权利要求1所述的基于机器学习优化PVT法SiC晶体生长的方法，其特征在于，步骤2中，多种模型包括梯度提升回归树、随机森林回归、极端随机回归树和BP神经回归网络。
4.根据权利要求1所述的基于机器学习优化PVT法SiC晶体生长的方法，其特征在于，评估指标包括均方误差、平均绝对误差或决定系数。
5.根据权利要求4所述的基于机器学习优化PVT法SiC晶体生长的方法，其特征在于，决定系数的预设指标值为1。
【技术特征摘要】
1.基于机器学习优化pvt法sic晶体生长的方法，其特征在于，所述方法包括以下内容：
2.根据权利要求1所述的基于机器学习优化pvt法sic晶体生长的方法，其特征在于，步骤1中，还包括：对数据集进行规范化处理，得到处理后数据集，将处理后数据集分成训练集和验证集。
3.根据权利要求1所述的基于机器学习优化pvt法sic晶体生长的方法，其...
【专利技术属性】
技术研发人员：冯宏剑，屠威，梁潇文，
申请(专利权)人：陕西晶芯高能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。