CN111028893B - 一种晶体生长预测方法及装置 - Google Patents

一种晶体生长预测方法及装置 Download PDF

Info

Publication number
CN111028893B
CN111028893B CN201911033270.1A CN201911033270A CN111028893B CN 111028893 B CN111028893 B CN 111028893B CN 201911033270 A CN201911033270 A CN 201911033270A CN 111028893 B CN111028893 B CN 111028893B
Authority
CN
China
Prior art keywords
thermal field
crystal growth
network model
crystal
diagram
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911033270.1A
Other languages
English (en)
Other versions
CN111028893A (zh
Inventor
舒天宇
王雅儒
赵爱梅
刘圆圆
潘亚妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Tianyue Advanced Technology Co Ltd
Original Assignee
Shandong Tianyue Advanced Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Tianyue Advanced Technology Co Ltd filed Critical Shandong Tianyue Advanced Technology Co Ltd
Priority to CN201911033270.1A priority Critical patent/CN111028893B/zh
Publication of CN111028893A publication Critical patent/CN111028893A/zh
Application granted granted Critical
Publication of CN111028893B publication Critical patent/CN111028893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)

Abstract

本申请公开了一种晶体生长预测方法及装置，用以解决现有的预测方法计算量大、耗费时间长、无法进行在线预测的问题。该方法获取若干待预测的晶体生长的热场图；根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征；根据提取出的图片特征以及预先训练好的长短期记忆网络模型，预测预设时间后晶体生长的热场图的图片特征；根据所述预设时间段后晶体生长的热场图的图片特征，得到以下一项或多项：晶体生长的热场分布数据、晶体形状变化数据、晶体的应力分布数据。这种方法能够以较短的时间实现对晶体生长的预测，实现在线预测。

Description

一种晶体生长预测方法及装置
技术领域
本申请涉及晶体生长技术领域，尤其涉及一种晶体生长预测方法及装置。
背景技术
碳化硅晶体具有热导率高、临界击穿电场高、介电常数低、化学稳定性好等优点，被认为是制造光电子器件、高频大功率器件的理想的半导体材料，广泛应用在屏幕显示、航天航空、高温辐射环境、石油勘探、自动化等方面。
目前，晶体生长的方法包括物理气相传输法(Physical Vapor Transport，PVT)、化学气相沉积法(Chemical Vapor Deposition，CVD)、溶液法生长等。以碳化硅晶体生长所采用的PVT为例，碳化硅晶体生长所需的温度通常高达几千摄氏度，在这种高温环境下，为了获得晶体生长过程中的各种数据，包括热场分布、晶体形状变化、晶体的应力分布等数据，通常需要通过STR virtual reactor、ANSYS、COMSOL等模拟软件，对单晶生长过程进行数值模拟以及数值分析计算，以获得晶体生长过程中的各项数据。
而模拟软件在进行数值分析时，通常采用有限体积法进行计算。这一过程需要耗费巨大的计算量，从而导致进行一次数值分析以及预测需要耗费大量的时间，无法实现对晶体生长演化过程的在线精确预测，不利于对晶体生长过程的精确把握。
发明内容
本申请实施例提供一种晶体生长预测方法及装置，用以解决现有的预测方法计算量大、耗费时间长、无法进行在线预测的问题。
本申请实施例提供的一种晶体生长预测方法，包括：
获取若干待预测的晶体生长的热场图；
根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征；
根据提取出的图片特征以及预先训练好的长短期记忆网络模型，预测预设时间段后晶体生长的热场图的图片特征；
根据所述预设时间段后晶体生长的热场图的图片特征，得到以下一项或多项：晶体生长的热场分布数据、晶体形状变化数据、晶体的应力分布数据。
在一个实施例中，根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征之前，所述方法还包括：获取若干晶体生长的热场图，作为训练集数据；对所述训练集数据采用五折交叉验证方法，训练卷积神经网络模型，得到所述训练好的卷积神经网络模型。
在一个实施例中，所述预先训练好的长短期记忆网络模型通过以下方式获得：根据训练过程中卷积神经网络模型输出的图片特征，以及所述训练集数据，训练长短期记忆网络模型，得到所述训练好的长短期记忆网络模型。
在一个实施例中，获取若干晶体生长的热场图，作为训练集数据，具体包括：采用模拟软件，获得晶体生长过程的热场变化视频；根据预设时间间隔，从所述视频中截取若干热场图，作为训练集数据。
在一个实施例中，获取晶体生长的训练集数据，具体包括：分别获取晶体生长的热场图与应力分布图；将获得的相应时刻的热场图与应力分布图合并为热场应力分布图，作为训练集数据。
在一个实施例中，采用模拟软件，获得晶体生长过程的热场变化视频，具体包括：以晶体所在的反应炉的轴心为中心线，确定穿过所述中心线的纵剖面；采用模拟软件，获得晶体生长过程中在所述纵剖面的热场变化视频。
在一个实施例中，所述卷积神经网络模型包括三个卷积层、三个池化层、两个全连接层，其中，卷积核设置为5×5，步长为1，采用的激活函数为LeakyReLU，采用的梯度下降的优化函数为Adam。
在一个实施例中，所述长短期记忆网络模型的优化器为Adam，学习率为0.001。
在一个实施例中，所述预设时间段为0.1小时；获取若干待预测的晶体生长的热场图，具体包括：根据晶体生长的时间顺序，获取连续10张晶体生长的热场图。
本申请实施例提供的一种晶体生长预测装置，包括：
获取模块，用于获取若干晶体生长的热场图；
提取模块，用于根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征；
预测模块，用于根据提取出的图片特征以及预先训练好的长短期记忆网络模型，预测预设时间段后晶体生长的热场图的图片特征；
确定模块，用于根据所述预设时间段后晶体生长的热场图的图片特征，得到以下一项或多项：晶体生长的热场分布数据、晶体形状变化数据、晶体的应力分布数据。
本申请实施例提供一种晶体生长预测方法及装置，服务器可通过已知的晶体生长的热场图，采用预先训练好的卷积神经网络模型，提取热场图的图片特征，并采用预先训练好的长短期记忆网络模型，预测预设时间段后的晶体生长的热场图的图片特征。在预先完成卷积神经网络模型以及长短期记忆网络模型的训练后，对晶体生长过程的预测所需的时间可大幅缩短，仅需较短的时间即可实现对晶体生长的预测，即实现了在线预测，且通过较短的预设时间段，可实现对生长过程的细微变化的精准预测。
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晶体生长预测方法流程图；
图2为本申请实施例提供的晶体生长热场演变示意图；
图3为本申请实施例提供的预测模型原理示意图；
图4为本申请实施例提供的晶体生长预测装置结构示意图。
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晶体生长预测方法流程图，具体包括以下步骤：
S101：获取若干待预测的晶体生长的热场图。
在本申请实施例中，服务器在进行晶体生长的预测时，可从此次待预测的晶体的生长过程中，获取若干已知的晶体生长的热场图，用以进行晶体生长的后续过程的预测。
其中，由于在晶体刚开始生长时，并不存在已知的晶体生长的热场图。因此，在初始阶段，服务器可通过模拟软件，获取晶体在反应炉中生长的初态热场图。其中，初态热场图表示反应炉开始加热时，表示反应炉内所有位置的温度的示意图。此时，晶体还没有开始生长，但反应炉内的热场已经开始发生变化。
在通过模拟软件形成热场图时，模拟软件需要对反应炉内成千上万个温度点通过微分方程等方式进行计算求解，以获得各个点的温度，从而形成反应炉在某一时刻的热场图。在本申请实施例中，由于初态热场图表示晶体刚开始生长时的特定时刻的状态，因此，通过模拟软件获取晶体生长的初态热场图所需的工作量与计算量相对较小，所需时间也较短。
进一步地，服务器在根据若干已知的晶体生长的热场图，预测后续过程中晶体生长的热场图时，可采用迭代的方式进行预测。即始终采用一定数量的热场图进行预测，但采用新预测出的热场图数据，对其中时间最靠前的热场图进行替换。通过这种方法，能够对作为预测依据的热场图数据(即预测模型的输入)进行持续的更新，以使预测模型能够根据晶体生长的最新状态进行预测。
更进一步地，服务器在通过若干已知的晶体生长的热场图，预测后续过程中晶体生长的热场图时，可根据晶体生长的时间顺序，获取10张连续的热场图，作为预测模型的输入。根据晶体在一段时间内的连续多张图片进行预测，能够使预测模型更加准确的掌握晶体的生长状态及趋势，以此增加预测的准确性与可靠性。
S102：根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征，以及根据提取出的图片特征以及预先训练好的长短期记忆网络模型，预测预设时间段后晶体生长的热场图的图片特征。
在本申请实施例中，服务器在获取若干晶体生长的热场图后，可将这些热场图作为输入数据，输入至预先训练好的卷积神经网络模型中，由模型进行特征的提取，之后，通过预先训练好的长短期记忆网络模型，可预测出预设时间段后的晶体生长的热场图。其中，当预设时间段为0.1小时的时候，是预测模型能够预测的最短时间内的晶体的生长趋势。此外，预设时间段还可根据需要设置，如1小时，2小时等。
以碳化硅晶体为例，由于碳化硅晶体生长的过程较长，通常需要120小时左右，并且，在其生长过程中，晶体的生长变化过程较为缓慢。因此，经过0.1小时的生长，碳化硅晶体也可能只有细微的变化。于是，通过预测0.1小时后晶体的生长，可实现对碳化硅晶体生长的细微变化的精准预测。
进一步地，在本申请实施例中，卷积神经网络模型与长短期记忆网络模型可组成预测模型。预测模型可通过以下方式训练获得；
第一步，服务器可通过模拟软件获取训练集数据，用于对预测模型进行训练。具体的，服务器可通过模拟软件，模拟晶体的生长过程，并根据晶体的生长过程的全部或部分，生成相应的热场图变化的视频数据。于是，服务器可根据预设时间间隔，从视频数据中截取若干热场图，并将截取到的所有热场图作为训练集数据。如图2所示，图2可表示碳化硅晶体在不同的时间点(如1小时、2小时、100小时等)的热场图变化情况。于是，服务器可在碳化硅晶体生长的120小时的时间内，通过设置较小的预设时间间隔，获取大量碳化硅晶体生长的热场图，作为训练集数据。
此外，服务器在获取训练集数据时，还可根据反应炉的工艺条件的变化，或者根据反应炉的结构的变化，获取晶体在不同的工艺条件下、以及不同的反应炉的结构下的晶体生长数据。其中，反应炉的工艺条件的变化指的是对反应炉的温度、功率、气流量等数据的控制，反应炉的结构变化指的是反应炉内坩埚等设备的结构变化。那么，服务器在获取训练集数据时，不仅可采集晶体120小时的一次生长过程，还可对晶体在不同工艺条件下以及不同反应炉结构下的多次生长过程的热场图均进行采集。
第二步，服务器可采用获取到的训练集数据，对预测模型进行训练。
在本申请实施例中，预测模型可为卷积神经网络(Convolutional NeuralNetworks,CNN)模型与长短期记忆网络(Long Short-Term Memory，LSTM)模型的结合。
具体的，CNN模型用于提取热场图的图片特征。服务器可将获得的训练集数据中的热场图输入CNN模型，使CNN模型通过模型中的卷积层对各热场图的图片特征进行提取。之后，CNN模型可通过模型中的池化层，对卷积层提取出的若干特征进行选择与过滤。最终，通过CNN模型的全连接层以及输出层，可输出相应的热场图的特征向量。其中，CNN模型还可包括flatten层与dropout层。flatten层用于对热场图输入的矩阵形式的数据进行处理，使之转化为一维的特征向量，dropout层用于防止CNN模型的过拟合。
在一个实施例中，如表1所示，CNN模型的结构具体可包括三个卷积层、三个池化层与两个全连接层。卷积层的卷积核可设置为5×5，步长为1，池化层的池化核可设置为2×2。并且，在三个卷积层后，可分别设置三个dropout层。在卷积层与全连接层之间，可设置flatten层。其中，激活函数可采用LeakyReLU，池化层可采用最大池化法，梯度下降的优化函数可采用Adam。
表1
layer name size
1 Input 120×60×3
2 Conv2D+LeakyReLU 116×56×16
3 Dropout 116×56×16
4 Max-pooling2D 58×28×32
5 Conv2D+LeakyReLU 54×24×32
6 Dropout 54×24×32
7 Max-pooling2D 27×12×32
8 Conv2D+LeakyReLU 24×9×8
9 Dropout 24×9×8
10 Max-pooling2D 12×4×8
11 Flatten 384
12 Dense+LeakyReLU 200
13 Dense+LeakyReLU 25000
14 Output 50×50×10
在表1中，第一行分别表示CNN网络结构的“层数”、“名称”与“输出数据的向量维度”。
具体的，LSTM模型用于根据CNN模型输出的热场图的特征向量，预测预设时间段后的晶体生长的热场图的特征向量。LSTM的基本单元包括输入门、输出门、遗忘门三个模块，分别控制下一个模块的信息添加、传递和删除。其中，LSTM模型的优化器可为Adam，学习率可设置为0.001。
在本申请实施例中，在训练预测模型的过程中，可通过五折交叉验证的方法，对预测模型进行训练。具体的，针对获取的训练集数据，可随机将这些数据划分为五份，并在每次训练时，采用其中四份进行训练，另外一份进行验证。对每次训练过程得到的误差求平均值，即为预测模型的泛化误差，可以此来调整预测模型中的各个参数。
此外，服务器根据获取到的不同工艺条件以及不同反应炉结构条件下，晶体的生长数据，对预测模型进行训练后，可使预测模型能够针对不同的工艺条件以及不同的反应炉结构，预测晶体在相应的条件下的不同的生长情况，使预测模型的应用范围更加广泛。
第三步，服务器可对训练完成的预测模型进行测试及评估。具体的，服务器在上述第一步中获取训练集数据时，可同样获取若干热场图，作为测试集数据。于是，服务器可将测试集数据中的部分数据作为参考值，以其他部分数据输入训练好的预测模型，获得预测值数据，并与测试集中的参考值数据进行比较，计算两者的相关性系数以及均方根误差，以此来评估预测模型的预测效果的好坏。
S103：根据获得的预设时间段后晶体生长的热场图的图片特征，以及全连接层，得到预设时间段后晶体生长的热场图。
在本申请实施例中，通过LSTM模型可预测出预设时间段后晶体生长的热场图的特征向量。服务器可根据得到的特征向量，确定晶体生长的热场分布数据、晶体形状变化数据、晶体的应力分布数据中的任意一项或多项数据。
具体的，服务器可根据设置在LSTM模型后的全连接层，反推得到相应的特征向量对应的热场图，从而得到预测出的预设时间段后的晶体生长的热场图。如图3所示，t1～t10所示的若干张热场图表示预先获得的待预测的热场图，通过将这些热场图输入至CNN模型，可得到这些热场图相应的特征向量。之后，通过LSTM模型的预测，可获得预测出的t11所示的预设时间段后的特征向量。最终，通过全连接层的处理，可根据t11表示的特征向量，获得预设时间段后(即t11)的晶体生长的热场图。
在本申请实施例中，服务器可通过预先训练好的预测模型，通过获取晶体生长过程中若干已知的热场图，输入预测模型中，来预测预设时间后晶体生长的热场图。与通过模拟软件进行预测相比较，本方法无需通过对热场图中的各个温度点的数值进行微分方程的计算，来实现对热场图的预测。而是通过将模拟软件中由数据点组成的热场图，转化为预测模型中由像素点(即图片特征)组成的热场图，大大减少了对晶体生长预测的计算量的需求。
在本申请实施例中，服务器可通过图形处理器(Graphics Processing Unit，GPU)对图片进行处理，于是，通过预测模型进行晶体生长预测时，可在毫秒量级的时间单位内得到预测结果，大大提高了预测速度，缩短了预测时间。通过这种方法，能够在晶体的生长过程中，随时根据晶体生长情况的变化，预测晶体的后续生长情况。并且，与通过模拟软件计算相比，这种方法大大缩短了计算时间，能够实现对晶体生长的在线预测，以及精准预测。
进一步地，服务器还可通过模拟器获取晶体生长的应力分布图以及晶体形状图，并将获取到的晶体生长的相应时刻的热场图与应力分布图合并，获得热场应力分布图。于是，服务器可通过训练预测模型，同时实现对晶体生长的应力分布以及热场演变的预测。
更进一步地，服务器在通过模拟软件获取晶体生长的热场图时，由于晶体生长的反应炉为对称结构，则模拟软件可以该反应炉的轴心为中心线，确定穿过该中心线的纵剖面，仅计算该纵剖面包括的温度点的温度值，甚至仅计算该纵剖面在中心线一侧的一半包括的温度点的温度值，以此就能达到对反应炉全体的计算。通过这种方法，能够减小模拟软件的工作量与计算量，缩短计算时间。
以上为本申请实施例提供的晶体生长预测方法，基于同样的发明思路，本申请实施例还提供了相应的晶体生长预测装置，如图4所示。
图4为本申请实施例提供的晶体生长预测装置结构示意图，具体包括：
获取模块301，用于获取若干晶体生长的热场图；
提取模块302，用于根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征；
预测模块303，用于根据提取出的图片特征以及预先训练好的长短期记忆网络模型，预测预设时间段后晶体生长的热场图的图片特征；
确定模块304，用于根据所述预设时间段后晶体生长的热场图的图片特征，得到以下一项或多项：晶体生长的热场分布数据、晶体形状变化数据、晶体的应力分布数据。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种晶体生长预测方法，其特征在于，包括：
获取若干待预测的晶体生长的热场图；
根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征；
根据提取出的图片特征以及预先训练好的长短期记忆网络模型，预测预设时间段后晶体生长的热场图的图片特征；
根据所述预设时间段后晶体生长的热场图的图片特征，得到以下一项或多项：晶体生长的热场分布数据、晶体形状变化数据、晶体的应力分布数据；
其中，根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征之前，所述方法还包括：
获取若干晶体生长的热场图，作为训练集数据；
对所述训练集数据采用五折交叉验证方法，训练卷积神经网络模型，得到所述训练好的卷积神经网络模型；
其中，获取若干晶体生长的热场图，作为训练集数据，具体包括：
采用模拟软件，获得晶体生长过程的热场变化视频；
根据预设时间间隔，从所述视频中截取若干热场图，作为训练集数据；
其中，获取晶体生长的训练集数据，具体包括：
分别获取晶体生长的热场图与应力分布图；
将获得的相应时刻的热场图与应力分布图合并为热场应力分布图，作为训练集数据。
2.根据权利要求1所述的方法，其特征在于，所述预先训练好的长短期记忆网络模型通过以下方式获得：
根据训练过程中卷积神经网络模型输出的图片特征，以及所述训练集数据，训练长短期记忆网络模型，得到所述训练好的长短期记忆网络模型。
3.根据权利要求1所述的方法，其特征在于，采用模拟软件，获得晶体生长过程的热场变化视频，具体包括：
以晶体所在的反应炉的轴心为中心线，确定穿过所述中心线的纵剖面；
采用模拟软件，获得晶体生长过程中在所述纵剖面的热场变化视频。
4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括三个卷积层、三个池化层、两个全连接层，其中，卷积核设置为5×5，步长为1，采用的激活函数为LeakyReLU，采用的梯度下降的优化函数为Adam。
5.根据权利要求1所述的方法，其特征在于，所述长短期记忆网络模型的优化器为Adam，学习率为0.001。
6.根据权利要求1所述的方法，其特征在于，所述预设时间段为0.1小时；
获取若干待预测的晶体生长的热场图，具体包括：
根据晶体生长的时间顺序，获取连续10张晶体生长的热场图。
7.一种晶体生长预测装置，其特征在于，包括：
获取模块，用于获取若干待预测的晶体生长的热场图；
提取模块，用于根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征；
预测模块，用于根据提取出的图片特征以及预先训练好的长短期记忆网络模型，预测预设时间段后晶体生长的热场图的图片特征；
确定模块，用于根据所述预设时间段后晶体生长的热场图的图片特征，得到以下一项或多项：晶体生长的热场分布数据、晶体形状变化数据、晶体的应力分布数据；
其中，所述装置还能够：
获取若干晶体生长的热场图，作为训练集数据；
对所述训练集数据采用五折交叉验证方法，训练卷积神经网络模型，得到所述训练好的卷积神经网络模型；
其中，所述装置具体还能够：
采用模拟软件，获得晶体生长过程的热场变化视频；
根据预设时间间隔，从所述视频中截取若干热场图，作为训练集数据；
其中，所述装置具体还能够：
分别获取晶体生长的热场图与应力分布图；
将获得的相应时刻的热场图与应力分布图合并为热场应力分布图，作为训练集数据。
CN201911033270.1A 2019-10-28 2019-10-28 一种晶体生长预测方法及装置 Active CN111028893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911033270.1A CN111028893B (zh) 2019-10-28 2019-10-28 一种晶体生长预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911033270.1A CN111028893B (zh) 2019-10-28 2019-10-28 一种晶体生长预测方法及装置

Publications (2)

Publication Number Publication Date
CN111028893A CN111028893A (zh) 2020-04-17
CN111028893B true CN111028893B (zh) 2023-09-26

Family

ID=70200137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911033270.1A Active CN111028893B (zh) 2019-10-28 2019-10-28 一种晶体生长预测方法及装置

Country Status (1)

Country Link
CN (1) CN111028893B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695287B (zh) * 2020-04-22 2023-04-25 山东天岳先进科技股份有限公司 一种预测SiC单晶炉内整体温度场的方法及设备
CN113699592B (zh) * 2020-05-22 2023-07-07 天津理工大学 一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用
CN113130017B (zh) * 2020-06-05 2024-01-30 北京星云联众科技有限公司 基于人工智能的晶体生长分析方法及系统
CN112734009A (zh) * 2020-12-31 2021-04-30 杭州富加镓业科技有限公司 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
CN112863618A (zh) * 2020-12-31 2021-05-28 杭州富加镓业科技有限公司 一种基于深度学习和热交换法的高阻型氧化镓制备方法
CN112834700B (zh) * 2020-12-31 2023-03-21 杭州富加镓业科技有限公司 一种基于深度学习和导模法的高阻型氧化镓的质量预测方法、制备方法及系统
CN112853470A (zh) * 2020-12-31 2021-05-28 杭州富加镓业科技有限公司 一种基于深度学习和提拉法的氧化镓的质量预测方法、制备方法及系统
CN112853468A (zh) * 2020-12-31 2021-05-28 杭州富加镓业科技有限公司 一种基于深度学习和热交换法的导电型氧化镓制备方法
CN112863619A (zh) * 2020-12-31 2021-05-28 杭州富加镓业科技有限公司 一种基于深度学习和坩埚下降法的导电型氧化镓制备方法
CN113327652B (zh) * 2021-05-11 2023-07-25 扬州大学 基于注意力机制和图卷积神经网络的晶体性质预测方法
CN115616520B (zh) * 2022-12-20 2023-03-14 成都远望探测技术有限公司 一种基于激光和毫米波云雷达的卷云冰晶形状识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103231025A (zh) * 2013-04-18 2013-08-07 西安交通大学 一种可控壁厚的定向凝固铸型的制备方法
CN108682006A (zh) * 2018-04-25 2018-10-19 南京农业大学 非接触式罐装堆肥腐熟判断方法
CN109902863A (zh) * 2019-02-15 2019-06-18 浙江财经大学 一种基于多因素时空相关性的风速预测方法及装置
WO2019117886A1 (en) * 2017-12-13 2019-06-20 Hewlett-Packard Development Company, L.P. Thermal behavior prediction from a contone map

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103231025A (zh) * 2013-04-18 2013-08-07 西安交通大学 一种可控壁厚的定向凝固铸型的制备方法
WO2019117886A1 (en) * 2017-12-13 2019-06-20 Hewlett-Packard Development Company, L.P. Thermal behavior prediction from a contone map
CN108682006A (zh) * 2018-04-25 2018-10-19 南京农业大学 非接触式罐装堆肥腐熟判断方法
CN109902863A (zh) * 2019-02-15 2019-06-18 浙江财经大学 一种基于多因素时空相关性的风速预测方法及装置

Also Published As

Publication number Publication date
CN111028893A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN111028893B (zh) 一种晶体生长预测方法及装置
CN111695287B (zh) 一种预测SiC单晶炉内整体温度场的方法及设备
TWI444844B (zh) 模擬參數校正技術
CN114548368B (zh) 一种基于多层核超限学习机的锂电池温度场预测模型的建模方法以及预测方法
TWI831893B (zh) 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體
CN113033825B (zh) 一种隐私保护的模型训练方法、系统及装置
Berger et al. Intelligent co-simulation: neural network vs. proper orthogonal decomposition applied to a 2D diffusive problem
CN114912364A (zh) 天然气井流量预测方法、装置、设备及计算机可读介质
Ding et al. Resolution of unknown heat source inverse heat conduction problems using particle swarm optimization
Liu et al. Exponential stability of genetic regulatory networks with mixed delays by periodically intermittent control
CN107061032B (zh) 一种发动机运行状态的预测方法及预测系统
Jiang et al. Robust fault detection for networked control systems with nonlinear disturbances and imperfect measurements
CN113051820A (zh) 基于卷积神经网络的跨流域气动参数模拟方法
CN109598059B (zh) 一种基于代理模型的热防护系统优化设计方法及设计系统
CN108197424A (zh) 大规模网络教育中网络学习行为幂律分布概率建模方法
CN110705132B (zh) 一种基于多源异质数据的制导控制系统性能融合评估方法
JP2016031739A (ja) 生産制御支援装置および生産制御支援方法
CN111210877B (zh) 一种推断物性参数的方法及装置
CN116468104A (zh) 基于变分原理的面向神经算子训练与偏微分方程组求解的统一方法、介质及产品
CN105354385B (zh) 一种半导体工艺仿真中的网格排序实现方法
CN109635330A (zh) 一种基于直接法的复杂优化控制问题准确和快速求解方法
Yi et al. Probabilistic tracking control for non-Gaussian stochastic process using novel iterative learning algorithms
CN109240089B (zh) 在概率目标约束下随机控制系统跟踪控制器的设计方法
CN112084723A (zh) 光纤预制棒一次拉伸工艺仿真方法及装置
Niu et al. Study on a combined prediction method based on BP neural network and improved Verhulst model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: No.99, Tianyue South Road, Huaiyin District, Jinan City, Shandong Province

Applicant after: Shandong Tianyue advanced technology Co.,Ltd.

Address before: 250100 AB Block 1106-6-01, Century Fortune Center, West Side of Xinyu Road, Jinan High-tech Zone, Shandong Province

Applicant before: SICC Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant