CN115983738A - 一种用于提升氮化镓制备效率方法和装置 - Google Patents
一种用于提升氮化镓制备效率方法和装置 Download PDFInfo
- Publication number
- CN115983738A CN115983738A CN202310273118.0A CN202310273118A CN115983738A CN 115983738 A CN115983738 A CN 115983738A CN 202310273118 A CN202310273118 A CN 202310273118A CN 115983738 A CN115983738 A CN 115983738A
- Authority
- CN
- China
- Prior art keywords
- preparation
- data
- finished product
- qualified
- efficiency
- 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.)
- Granted
Links
- 238000002360 preparation method Methods 0.000 title claims abstract description 683
- 229910002601 GaN Inorganic materials 0.000 title claims abstract description 89
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 19
- 230000000737 periodic effect Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 93
- 238000001000 micrograph Methods 0.000 claims description 46
- 238000004519 manufacturing process Methods 0.000 claims description 37
- 239000002994 raw material Substances 0.000 claims description 20
- 238000012797 qualification Methods 0.000 claims description 17
- 230000001413 cellular effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- GYHNNYVSQQEPJS-UHFFFAOYSA-N Gallium Chemical compound [Ga] GYHNNYVSQQEPJS-UHFFFAOYSA-N 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 229910052733 gallium Inorganic materials 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000635 electron micrograph Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Crystals, And After-Treatments Of Crystals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及氮化镓制备技术领域,揭露了一种用于提升氮化镓制备效率方法和装置,该方法包括:将历史氮化镓制备数据数据清洗成标准历史制备数据,按照制备周期将标准历史制备数据拆分为多个周期制备数据集;逐一选取周期制备数据集提取出制备参数数据集和制备成品数据集,计算出制备成品数据集对应的制备合格率;计算出目标制备数据集的合格制备效率;根据目标制备数据集构建初始制备分析模型,并利用所有的合格制备效率和合格制备效率对应的制备参数数据集对初始制备分析模型进行训练,得到制备效率模型;获取实时制备数据,利用制备效率模型分析出最佳制备效率并生成标准制备方法。本发明可以提高氮化镓的制备效率。
Description
技术领域
本发明涉及氮化镓制备技术领域,尤其涉及一种用于提升氮化镓制备效率方法和装置。
背景技术
氮化镓是氮和镓的化合物,是一种直接能隙的半导体,氮化镓凭借自身优异的光电性能和较为宽广的可调控带隙广泛应用于半导体行业,随着近年氮化镓充电技术的发展,市场上对于氮化镓的需求也与日俱增。
现有的氮化镓制备方法多为基于人为经验的制备方法,例如,根据经验的化学气相沉积法,利用高温下镍对氮源和镓源的催化作用,生成氮化镓晶体,实际过程中,基于人为经验的制备方法需要大量的实验验证,且每个人的经验不同,制备过程中的参数设置也不同,得到的氮化镓质量也参差不齐,缺乏经验的制备人员可能会导致制备后的氮化镓存在裂纹等缺陷,进而会导致进行氮化镓制备时的效率较低。
发明内容
本发明提供一种用于提升氮化镓制备效率方法和装置,其主要目的在于解决进行氮化镓制备时的效率较低的问题。
为实现上述目的,本发明提供的一种用于提升氮化镓制备效率方法,包括:
获取历史氮化镓制备数据,对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集;
逐一选取所述周期制备数据集作为目标制备数据集,从所述目标制备数据集中提取出制备参数数据集和制备成品数据集,计算出所述制备成品数据集对应的制备合格率,其中,所述计算出所述制备成品数据集对应的制备合格率,包括:
从所述制备成品数据集中提取出成品衍射谱图以及成品电镜图;
从所述成品衍射谱图中提取出衍射峰特征和晶格常数;
利用如下的纯净度公式根据所述衍射峰特征和所述晶格常数计算出所述制备成品数据集对应的制备纯净度:
其中,是指所述制备纯净度,是指所述衍射峰特征中的衍射峰高度,是预设的尖锐系数,是指所述衍射峰特征中的第二峰位,是指所述衍射峰特征中的第一峰位,是指所述晶格常数中的第一晶胞基矢,是指所述晶格常数中的第三晶胞基矢;
根据所述制备纯净度和所述成品电镜图计算出所述制备成品数据集对应的制备合格率;
从所述制备成品数据集中提取出成品质量,利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率;
根据所述目标制备数据集构建初始制备分析模型,并利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型;
获取实时制备数据,利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率,并根据所述最佳制备效率生成标准制备方法。
可选地,所述对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,包括:
将所述历史氮化镓制备数据按照数据类型进行分类,得到多个初始制备数据集;
逐个选取所述初始制备数据集作为目标制备数据集,将所述目标制备数据集向量化成初始制备向量集;
对所述初始制备向量集进行特征聚类,得到多个制备种类数据类;
利用所述制备种类数据类对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据。
可选地,所述对所述初始制备向量集进行特征聚类,得到多个制备种类数据类,包括:
将所述初始制备向量集分为多个制备向量组,随机选取各所述制备向量组的初级中心向量,并计算所述初始制备向量集中各个制备向量与各所述初级中心向量的语义相似度;
根据所述语义相似度对所述初始制备向量集中的各制备向量进行分组,得到多个标准制备向量组;
计算出各个所述标准制备向量组的次级中心向量,计算出各个所述次级中心向量与对应的所述初级中心向量之间的中心相似度,并将所有的所述中心相似度的平均值作为平均中心相似度;
根据所述平均中心相似度将各所述标准制备向量组更新成制备种类数据类。
可选地,所述利用所述制备种类数据类对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,包括:
利用预设的占位数据替换所述历史氮化镓制备数据中的乱码数据与越位数据,得到占位制备数据;
逐个选取所述占位制备数据中的占位数据作为目标占位数据,将所述目标占位数据对应的所述制备种类数据类作为目标制备数据类;
利用所述目标制备数据类的聚类中心数据替换所述目标占位数据,得到标准历史制备数据。
可选地,所述根据所述制备纯净度和所述成品电镜图计算出所述制备成品数据集对应的制备合格率,包括:
对所述成品电镜图进行灰度化操作,得到灰度电镜图;
对所述灰度电镜图进行中值滤波操作,得到标准电镜图;
利用如下的制备合格率公式根据所述制备纯净度计算出所述标准电镜图对应的制备合格率:
其中,是指所述制备合格率,是指所述制备纯净度,是指所述标准电镜图的横向像素点总数,是指所述标准电镜图的纵向像素点总数,是指第个横向像素点,是指第个纵向像素点,是预设的取样窗口长度,是预设的取样窗口宽度,是指灰度值,是指所述标准电镜图中坐标为的像素点的灰度值,是指所述标准电镜图中坐标为的像素点的灰度值,是预设的粗糙度系数。
可选地,所述利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率,包括:
利用所述制备合格率乘以所述成品质量,得到合格成品质量;
从所述制备参数数据集中提取出原料质量;
利用所述合格成品质量除以所述原料质量,得到合格制备效率。
可选地,所述根据所述目标制备数据集构建初始制备分析模型,包括:
从所述目标制备数据集中提取出制备空间体积、制备压强、制备时间、原料质量以及制备温度;
根据所述制备空间体积、所述制备压强、所述制备时间、所述原料质量以及所述制备温度建立初始制备分析模型,其中,所述初始制备分析模型的公式如下:
其中,是预设的效率系数,是指所述制备时间,是指所述初始制备分析模型的时间系数,是指所述制备空间体积,是指所述制备压强,是指所述初始制备分析模型的压强系数,是预设的空气比热容系数,是预设的空气密度系数、是指所述制备温度,是指所述初始制备分析模型的温度系数,是指所述初始制备分析模型的分析合格效率。
可选地,所述利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型,包括:
利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集计算出所述初始制备分析模型所对应的模型损失值;
判断所述模型损失值是否小于预设的损失阈值;
若否,则利用所述模型损失值对所述初始制备分析模型中的模型系数进行更新,并返回所述利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集计算出所述初始制备分析模型所对应的模型损失值的步骤;
若是,则将所述初始制备分析模型作为制备效率模型。
可选地,所述利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集计算出所述初始制备分析模型所对应的模型损失值,包括:
逐个选取所述制备参数数据集作为目标制备参数数据集,利用所述初始制备分析模型计算出所述目标制备参数数据集对应的分析合格效率;
将所述目标制备参数数据集对应的合格制备效率作为目标合格制备效率,将所述分析合格效率和所述目标合格制备效率的差值绝对值作为目标损失值;
将所有的所述目标损失值之和作为标准损失值,并将所述标准损失值的平均数作为模型损失值。
为了解决上述问题,本发明还提供一种用于提升氮化镓制备效率装置,所述装置包括:
数据处理模块,用于获取历史氮化镓制备数据,对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集;
合格分析模块,用于逐一选取所述周期制备数据集作为目标制备数据集,从所述目标制备数据集中提取出制备参数数据集和制备成品数据集,计算出所述制备成品数据集对应的制备合格率,其中,所述计算出所述制备成品数据集对应的制备合格率,包括:从所述制备成品数据集中提取出成品衍射谱图以及成品电镜图;从所述成品衍射谱图中提取出衍射峰特征和晶格常数;利用如下的纯净度公式根据所述衍射峰特征和所述晶格常数计算出所述制备成品数据集对应的制备纯净度:
其中,是指所述制备纯净度,是指所述衍射峰特征中的衍射峰高度,是预设的尖锐系数,是指所述衍射峰特征中的第二峰位,是指所述衍射峰特征中的第一峰位,是指所述晶格常数中的第一晶胞基矢,是指所述晶格常数中的第三晶胞基矢;根据所述制备纯净度和所述成品电镜图计算出所述制备成品数据集对应的制备合格率;
制备效率模块,用于从所述制备成品数据集中提取出成品质量,利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率;
效率模型模块,用于根据所述目标制备数据集构建初始制备分析模型,并利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型;
方法生成模块,用于获取实时制备数据,利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率,并根据所述最佳制备效率生成标准制备方法。
本发明实施例通过对获取的历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,可以确保后续使用标准历史制备数据进行数据训练时得到的模型的准确性,通过按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集,可以产生多个训练样本数据,方便后续进行统一训练,通过从所述目标制备数据集中提取出制备参数数据集和制备成品数据集,计算出所述制备成品数据集对应的制备合格率,可以对每次制备后得到的氮化镓成品进行合格评分,进而方便后续对氮化镓的制备效率进行计量,通过利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率,可以对每个制备周期对应的制备效果进行数值化计算,方便后续制备效率模型的量化与分析。
通过根据所述目标制备数据集构建初始制备分析模型,并利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型,能够调整所述初始制备分析模型中的模型参数,进而确定所述制备参数数据集中的各个制备参数与合格制备效率之间的关系,从而方便后续效率分析,通过获取实时制备数据,利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率,并根据所述最佳制备效率生成标准制备方法,可以根据实时制备数据调整制备参数,从而提高氮化镓制备效率。因此本发明提出的用于提升氮化镓制备效率方法和装置,可以解决进行氮化镓制备时的效率较低的问题。
附图说明
图1为本发明一实施例提供的用于提升氮化镓制备效率方法的流程示意图;
图2为本发明一实施例提供的计算制备合格率的流程示意图;
图3为本发明一实施例提供的计算模型损失值的流程示意图;
图4为本发明一实施例提供的用于提升氮化镓制备效率装置的功能模块图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种用于提升氮化镓制备效率方法。所述用于提升氮化镓制备效率方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述用于提升氮化镓制备效率方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的用于提升氮化镓制备效率方法的流程示意图。在本实施例中,所述用于提升氮化镓制备效率方法包括:
S1、获取历史氮化镓制备数据,对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集。
本发明实施例中,所述历史氮化镓制备数据是指过去时间段内的氮化镓制备过程中记录的数据,包括镓源类型、氮源类型、原料质量、催化剂类型、反应时间、反应温度、反应压强以及成品质量等数据。
本发明实施例中,所述对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,包括:
将所述历史氮化镓制备数据按照数据类型进行分类,得到多个初始制备数据集;
逐个选取所述初始制备数据集作为目标制备数据集,将所述目标制备数据集向量化成初始制备向量集;
对所述初始制备向量集进行特征聚类,得到多个制备种类数据类;
利用所述制备种类数据类对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据。
详细地,所述将所述目标制备数据集向量化成初始制备向量集是指利用独热编码等向量映射方法将所述目标制备数据集中的各个制备数据向量化成制备向量。
本发明实施例中,所述对所述初始制备向量集进行特征聚类,得到多个制备种类数据类,包括:
将所述初始制备向量集分为多个制备向量组,随机选取各所述制备向量组的初级中心向量,并计算所述初始制备向量集中各个制备向量与各所述初级中心向量的语义相似度;
根据所述语义相似度对所述初始制备向量集中的各制备向量进行分组,得到多个标准制备向量组;
计算出各个所述标准制备向量组的次级中心向量,计算出各个所述次级中心向量与对应的所述初级中心向量之间的中心相似度,并将所有的所述中心相似度的平均值作为平均中心相似度;
根据所述平均中心相似度将各所述标准制备向量组更新成制备种类数据类。
具体地,所述随机选取各所述制备向量组的初级中心向量是指随机在各所述制备向量组中选取一个制备向量作为该制备向量组的初级中心向量;所述计算所述初始制备向量集中各个制备向量与各所述初级中心向量的语义相似度是指以余弦相似度算法计算各所述初级中心向量对应的数据向量与所述初始制备向量集中各个制备向量的数据向量之间的相似度。
详细地,所述根据所述语义相似度对所述初始制备向量集中的各制备向量进行分组,得到多个标准制备向量组是指将所述初始制备向量集中的各制备向量分类到语义相似度最近的初始中心向量所对应的类中;所述计算出各个所述次级中心向量与对应的所述初级中心向量之间的中心相似度是指将所述次级中心向量与对应的所述初级中心向量之间语义相似度作为中心相似度。
具体地,所述根据所述平均中心相似度将各所述标准制备向量组更新成制备种类数据类是指更具所述平均中心相似度的大小对所述标准制备向量组进行迭代更新,直至所述平均中心相似度大于预设的相似度阈值时,将此时的标准制备向量组作为制备种类数据类,并将此时所述标准制备向量组的次级中心向量对应的制备数据作为聚类中心数据。
详细地,所述利用所述制备种类数据类对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,包括:
利用预设的占位数据替换所述历史氮化镓制备数据中的乱码数据与越位数据,得到占位制备数据;
逐个选取所述占位制备数据中的占位数据作为目标占位数据,将所述目标占位数据对应的所述制备种类数据类作为目标制备数据类;
利用所述目标制备数据类的聚类中心数据替换所述目标占位数据,得到标准历史制备数据。
具体地,所述占位数据可以是特定的占位符,例如空格,所述乱码数据是指例如@、#以及^等无实际意义的数据,所述越位数据是指超出数据值域的数据,例如时间为-5。
详细地,所述制备周期是指每次制备时的时间周期,按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集是指从所述标准历史制备数据中逐个选取一个制备周期对应的数据汇集成该制备周期的周期制备数据集。
本发明实施例中,通过对获取的历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,可以确保后续使用标准历史制备数据进行数据训练时得到的模型的准确性,通过按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集,可以产生多个训练样本数据,方便后续进行统一训练。
S2、逐一选取所述周期制备数据集作为目标制备数据集,从所述目标制备数据集中提取出制备参数数据集和制备成品数据集,计算出所述制备成品数据集对应的制备合格率。
本发明实施例中,所述制备参数数据集是指制备过程中制备的原料以及过程中的操作参数等数据,例如原料的配比,催化剂的类型与质量,反应的时间与范围过程中的环境参数等数据,所述制备成品数据集是指制备结束后得到的氮化镓成品相关的数据,例如成品质量、氮化镓成品的外貌图片以及射频能谱图。
本发明实施例中,参照图2所示,所述计算出所述制备成品数据集对应的制备合格率,包括:
S21、从所述制备成品数据集中提取出成品衍射谱图以及成品电镜图;
S22、从所述成品衍射谱图中提取出衍射峰特征和晶格常数;
S23、利用如下的纯净度公式根据所述衍射峰特征和所述晶格常数计算出所述制备成品数据集对应的制备纯净度:
其中,是指所述制备纯净度,是指所述衍射峰特征中的衍射峰高度,是预设的尖锐系数,是指所述衍射峰特征中的第二峰位,是指所述衍射峰特征中的第一峰位,是指所述晶格常数中的第一晶胞基矢,是指所述晶格常数中的第三晶胞基矢;
S24、根据所述制备纯净度和所述成品电镜图计算出所述制备成品数据集对应的制备合格率。
详细地,所述成品衍射谱图是指对制备结束后得到的氮化镓成品经过衍射仪衍射后得到的XRD谱图,所述成品电镜图是指对所述氮化镓成品进行扫描电子显微镜(scanningelectron microscope,简称SEM)成像后得到的图片。
具体地,所述衍射峰特征是指所述XRD谱图中衍射峰的相关特征,例如衍射峰的高度以及衍射峰的峰位,其中,所述高度是指辐射的强度,所述峰位是指衍射峰对应的起始角度和结束角度,所述晶格常数(lattice constant)是指晶胞的边长,即每一个平行六面体单元的边长,它是晶体结构的一个重要基本参数,所述尖锐系数是预设的用于表征氮化镓的XRD谱图中衍射峰的尖锐度的系数。
本发明实施例中,通过利用所述纯净度公式根据所述衍射峰特征和所述晶格常数计算出所述制备成品数据集对应的制备纯净度可以根据衍射峰的尖锐度和晶体的晶格常数确定氮化镓晶体的纯净度,从而提高所述制备纯净度的准确度。
本发明实施例中,所述根据所述制备纯净度和所述成品电镜图计算出所述制备成品数据集对应的制备合格率,包括:
对所述成品电镜图进行灰度化操作,得到灰度电镜图;
对所述灰度电镜图进行中值滤波操作,得到标准电镜图;
利用如下的制备合格率公式根据所述制备纯净度计算出所述标准电镜图对应的制备合格率:
其中,是指所述制备合格率,是指所述制备纯净度,是指所述标准电镜图的横向像素点总数,是指所述标准电镜图的纵向像素点总数,是指第个横向像素点,是指第个纵向像素点,是预设的取样窗口长度,是预设的取样窗口宽度,是指灰度值,是指所述标准电镜图中坐标为的像素点的灰度值,是指所述标准电镜图中坐标为的像素点的灰度值,是预设的粗糙度系数。
详细地,所述对所述成品电镜图进行灰度化操作,得到灰度电镜图,是指逐个选取所述成品电镜图中的像素点,获取所述像素点的三色分量,并按照0.3倍红色分量加上0.59倍绿色分量加上0.11倍蓝色分量的公式计算出所述像素点的灰度值,并根据所述灰度值将所述成品电镜图灰度化成灰度电镜图。
具体地,所述对所述灰度电镜图进行中值滤波操作,得到标准电镜图是指利用中值滤波窗口逐个计算出所述灰度电镜图中与所述中值滤波窗口对应的均值灰度,并利用该均值灰度对该核心像素的灰度值进行更新,得到标准电镜图。
本发明实施例中,通过利用所述制备合格率公式根据所述制备纯净度计算出所述标准电镜图对应的制备合格率可以确定所述氮化镓成品在扫描电子显微镜下的结晶状况,并根据结晶的平滑度和所述制备纯净度确定所述氮化镓成品的制备合格率。
本发明实施例中,通过从所述目标制备数据集中提取出制备参数数据集和制备成品数据集,计算出所述制备成品数据集对应的制备合格率,可以对每次制备后得到的氮化镓成品进行合格评分,进而方便后续对氮化镓的制备效率进行计量。
S3、从所述制备成品数据集中提取出成品质量,利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率。
本发明实施例中,所述成品质量是指所述制备成品数据集对应的制备得到的氮化镓成品的质量,所述合格制备效率是用于度量所述制备成品数据集所对应的制备氮化镓的效率。
本发明实施例中,所述利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率,包括:
利用所述制备合格率乘以所述成品质量,得到合格成品质量;
从所述制备参数数据集中提取出原料质量;
利用所述合格成品质量除以所述原料质量,得到合格制备效率。
本发明实施例中,通过利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率,可以对每个制备周期对应的制备效果进行数值化计算,方便后续制备效率模型的量化与分析。
S4、根据所述目标制备数据集构建初始制备分析模型,并利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型。
本发明实施例中,所述初始制备分析模型是指用于确定制备过程中参数变量与合格制备效率之间关系的关系模型。
本发明实施例中,所述根据所述目标制备数据集构建初始制备分析模型,包括:
从所述目标制备数据集中提取出制备空间体积、制备压强、制备时间、原料质量以及制备温度;
根据所述制备空间体积、所述制备压强、所述制备时间、所述原料质量以及所述制备温度建立初始制备分析模型,其中,所述初始制备分析模型的公式如下:
其中,是预设的效率系数,是指所述制备时间,是指所述初始制备分析模型的时间系数,是指所述制备空间体积,是指所述制备压强,是指所述初始制备分析模型的压强系数,是预设的空气比热容系数,是预设的空气密度系数、是指所述制备温度,是指所述初始制备分析模型的温度系数,是指所述初始制备分析模型的分析合格效率。
详细地,所述制备空间体积是指所述目标制备数据集对应的氮化镓制备实验中的制备室的体积,所述制备压强是指制备过程中的加压压强,所述制备时间是指所述制备周期的时长,所述原料质量是指所述制备过程中用到的氮原料与镓原料的质量,所述制备温度是指制备过程中所述制备室中的升温温度。
详细地,通过根据所述制备空间体积、所述制备压强、所述制备时间、所述原料质量以及所述制备温度建立初始制备分析模型,可以结合制备过程中的原料损失、热能损失、动能损失、制备合格率以及时间周期等制备参数与合格制备效率之间的关系模型。
详细地,所述利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型,包括:
利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集计算出所述初始制备分析模型所对应的模型损失值;
判断所述模型损失值是否小于预设的损失阈值;
若否,则利用所述模型损失值对所述初始制备分析模型中的模型系数进行更新,并返回所述利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集计算出所述初始制备分析模型所对应的模型损失值的步骤;
若是,则将所述初始制备分析模型作为制备效率模型。
具体地,可以利用梯度下降算法根据所述模型损失值对所述初始制备分析模型中的模型系数进行更新,其中,所述模型系数是指是指所述初始制备分析模型的时间系数、温度系数和压强系数。
本发明实施例中,参照图3所示,所述利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集计算出所述初始制备分析模型所对应的模型损失值,包括:
S31、逐个选取所述制备参数数据集作为目标制备参数数据集,利用所述初始制备分析模型计算出所述目标制备参数数据集对应的分析合格效率;
S32、将所述目标制备参数数据集对应的合格制备效率作为目标合格制备效率,将所述分析合格效率和所述目标合格制备效率的差值绝对值作为目标损失值;
S33、将所有的所述目标损失值之和作为标准损失值,并将所述标准损失值的平均数作为模型损失值。
本发明实施例中,通过根据所述目标制备数据集构建初始制备分析模型,并利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型,能够调整所述初始制备分析模型中的模型参数,进而确定所述制备参数数据集中的各个制备参数与合格制备效率之间的关系,从而方便后续效率分析。
S5、获取实时制备数据,利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率,并根据所述最佳制备效率生成标准制备方法。
本发明实施例中,所述实时制备数据是指实时制备周期中已经确定的制备参数,例如制备的周期时长,所述最佳制备效率是指满足所述实时制备数据的条件下,所述制备效率模型所能达到的最高制备效率。
详细地,所述利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率是指将所述是指制备数据中的数据带入所述制备效率模型,求解此时所述制备效率模型中的最大的分析合格效率,并将该分析合格效率作为最佳制备效率。
具体地,所述根据所述最佳制备效率生成标准制备方法是指根据所述最佳制备效率所对应的制备压强、制备时间以及制备温度生成标准制备方法。
本发明实施例中,通过获取实时制备数据,利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率,并根据所述最佳制备效率生成标准制备方法,可以根据实时制备数据调整制备参数,从而提高氮化镓制备效率。
本发明实施例通过对获取的历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,可以确保后续使用标准历史制备数据进行数据训练时得到的模型的准确性,通过按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集,可以产生多个训练样本数据,方便后续进行统一训练,通过从所述目标制备数据集中提取出制备参数数据集和制备成品数据集,计算出所述制备成品数据集对应的制备合格率,可以对每次制备后得到的氮化镓成品进行合格评分,进而方便后续对氮化镓的制备效率进行计量,通过利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率,可以对每个制备周期对应的制备效果进行数值化计算,方便后续制备效率模型的量化与分析。
通过根据所述目标制备数据集构建初始制备分析模型,并利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型,能够调整所述初始制备分析模型中的模型参数,进而确定所述制备参数数据集中的各个制备参数与合格制备效率之间的关系,从而方便后续效率分析,通过获取实时制备数据,利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率,并根据所述最佳制备效率生成标准制备方法,可以根据实时制备数据调整制备参数,从而提高氮化镓制备效率。因此本发明提出的用于提升氮化镓制备效率方法,可以解决进行氮化镓制备时的效率较低的问题。
如图4所示,是本发明一实施例提供的用于提升氮化镓制备效率装置的功能模块图。
本发明所述用于提升氮化镓制备效率装置100可以安装于电子设备中。根据实现的功能,所述用于提升氮化镓制备效率装置100可以包括数据处理模块101、合格分析模块102、制备效率模块103、效率模型模块104及方法生成模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据处理模块101,用于获取历史氮化镓制备数据,对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集;
所述合格分析模块102,用于逐一选取所述周期制备数据集作为目标制备数据集,从所述目标制备数据集中提取出制备参数数据集和制备成品数据集,计算出所述制备成品数据集对应的制备合格率,其中,所述计算出所述制备成品数据集对应的制备合格率,包括:从所述制备成品数据集中提取出成品衍射谱图以及成品电镜图;从所述成品衍射谱图中提取出衍射峰特征和晶格常数;利用如下的纯净度公式根据所述衍射峰特征和所述晶格常数计算出所述制备成品数据集对应的制备纯净度:
其中,是指所述制备纯净度,是指所述衍射峰特征中的衍射峰高度,是预设的尖锐系数,是指所述衍射峰特征中的第二峰位,是指所述衍射峰特征中的第一峰位,是指所述晶格常数中的第一晶胞基矢,是指所述晶格常数中的第三晶胞基矢;根据所述制备纯净度和所述成品电镜图计算出所述制备成品数据集对应的制备合格率;
所述制备效率模块103,用于从所述制备成品数据集中提取出成品质量,利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率;
所述效率模型模块104,用于根据所述目标制备数据集构建初始制备分析模型,并利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型;
所述方法生成模块105,用于获取实时制备数据,利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率,并根据所述最佳制备效率生成标准制备方法。
详细地,本发明实施例中所述用于提升氮化镓制备效率装置100中所述的各模块在使用时采用与上述图1至图3中所述的用于提升氮化镓制备效率方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统实施例中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种用于提升氮化镓制备效率方法,其特征在于,所述方法包括:
S1:获取历史氮化镓制备数据,对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集;
S2:逐一选取所述周期制备数据集作为目标制备数据集,从所述目标制备数据集中提取出制备参数数据集和制备成品数据集,计算出所述制备成品数据集对应的制备合格率,其中,所述计算出所述制备成品数据集对应的制备合格率,包括:
S21:从所述制备成品数据集中提取出成品衍射谱图以及成品电镜图;
S22:从所述成品衍射谱图中提取出衍射峰特征和晶格常数;
S23:利用如下的纯净度公式根据所述衍射峰特征和所述晶格常数计算出所述制备成品数据集对应的制备纯净度:
其中,是指所述制备纯净度,是指所述衍射峰特征中的衍射峰高度,是预设的尖锐系数,是指所述衍射峰特征中的第二峰位,是指所述衍射峰特征中的第一峰位,是指所述晶格常数中的第一晶胞基矢,是指所述晶格常数中的第三晶胞基矢;
S24:根据所述制备纯净度和所述成品电镜图计算出所述制备成品数据集对应的制备合格率;
S3:从所述制备成品数据集中提取出成品质量,利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率;
S4:根据所述目标制备数据集构建初始制备分析模型,并利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型;
S5:获取实时制备数据,利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率,并根据所述最佳制备效率生成标准制备方法。
2.如权利要求1所述的用于提升氮化镓制备效率方法,其特征在于,所述对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,包括:
将所述历史氮化镓制备数据按照数据类型进行分类,得到多个初始制备数据集;
逐个选取所述初始制备数据集作为目标制备数据集,将所述目标制备数据集向量化成初始制备向量集;
对所述初始制备向量集进行特征聚类,得到多个制备种类数据类;
利用所述制备种类数据类对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据。
3.如权利要求2所述的用于提升氮化镓制备效率方法,其特征在于,所述对所述初始制备向量集进行特征聚类,得到多个制备种类数据类,包括:
将所述初始制备向量集分为多个制备向量组,随机选取各所述制备向量组的初级中心向量,并计算所述初始制备向量集中各个制备向量与各所述初级中心向量的语义相似度;
根据所述语义相似度对所述初始制备向量集中的各制备向量进行分组,得到多个标准制备向量组;
计算出各个所述标准制备向量组的次级中心向量,计算出各个所述次级中心向量与对应的所述初级中心向量之间的中心相似度,并将所有的所述中心相似度的平均值作为平均中心相似度;
根据所述平均中心相似度将各所述标准制备向量组更新成制备种类数据类。
4.如权利要求2所述的用于提升氮化镓制备效率方法,其特征在于,所述利用所述制备种类数据类对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,包括:
利用预设的占位数据替换所述历史氮化镓制备数据中的乱码数据与越位数据,得到占位制备数据;
逐个选取所述占位制备数据中的占位数据作为目标占位数据,将所述目标占位数据对应的所述制备种类数据类作为目标制备数据类;
利用所述目标制备数据类的聚类中心数据替换所述目标占位数据,得到标准历史制备数据。
5.如权利要求1所述的用于提升氮化镓制备效率方法,其特征在于,所述根据所述制备纯净度和所述成品电镜图计算出所述制备成品数据集对应的制备合格率,包括:
对所述成品电镜图进行灰度化操作,得到灰度电镜图;
对所述灰度电镜图进行中值滤波操作,得到标准电镜图;
利用如下的制备合格率公式根据所述制备纯净度计算出所述标准电镜图对应的制备合格率:
其中,是指所述制备合格率,是指所述制备纯净度,是指所述标准电镜图的横向像素点总数,是指所述标准电镜图的纵向像素点总数,是指第个横向像素点,是指第个纵向像素点,是预设的取样窗口长度,是预设的取样窗口宽度,是指灰度值,是指所述标准电镜图中坐标为的像素点的灰度值,是指所述标准电镜图中坐标为的像素点的灰度值,是预设的粗糙度系数。
6.如权利要求1所述的用于提升氮化镓制备效率方法,其特征在于,所述利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率,包括:
利用所述制备合格率乘以所述成品质量,得到合格成品质量;
从所述制备参数数据集中提取出原料质量;
利用所述合格成品质量除以所述原料质量,得到合格制备效率。
7.如权利要求1所述的用于提升氮化镓制备效率方法,其特征在于,所述根据所述目标制备数据集构建初始制备分析模型,包括:
从所述目标制备数据集中提取出制备空间体积、制备压强、制备时间、原料质量以及制备温度;
根据所述制备空间体积、所述制备压强、所述制备时间、所述原料质量以及所述制备温度建立初始制备分析模型,其中,所述初始制备分析模型的公式如下:
其中,是预设的效率系数,是指所述制备时间,是指所述初始制备分析模型的时间系数,是指所述制备空间体积,是指所述制备压强,是指所述初始制备分析模型的压强系数,是预设的空气比热容系数,是预设的空气密度系数、是指所述制备温度,是指所述初始制备分析模型的温度系数,是指所述初始制备分析模型的分析合格效率。
8.如权利要求1所述的用于提升氮化镓制备效率方法,其特征在于,所述利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型,包括:
利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集计算出所述初始制备分析模型所对应的模型损失值;
判断所述模型损失值是否小于预设的损失阈值;
若否,则利用所述模型损失值对所述初始制备分析模型中的模型系数进行更新,并返回所述利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集计算出所述初始制备分析模型所对应的模型损失值的步骤;
若是,则将所述初始制备分析模型作为制备效率模型。
9.如权利要求8所述的用于提升氮化镓制备效率方法,其特征在于,所述利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集计算出所述初始制备分析模型所对应的模型损失值,包括:
逐个选取所述制备参数数据集作为目标制备参数数据集,利用所述初始制备分析模型计算出所述目标制备参数数据集对应的分析合格效率;
将所述目标制备参数数据集对应的合格制备效率作为目标合格制备效率,将所述分析合格效率和所述目标合格制备效率的差值绝对值作为目标损失值;
将所有的所述目标损失值之和作为标准损失值,并将所述标准损失值的平均数作为模型损失值。
10.一种用于提升氮化镓制备效率装置,其特征在于,所述装置包括:
数据处理模块,用于获取历史氮化镓制备数据,对所述历史氮化镓制备数据进行数据清洗,得到标准历史制备数据,按照制备周期将所述标准历史制备数据拆分为多个周期制备数据集;
合格分析模块,用于逐一选取所述周期制备数据集作为目标制备数据集,从所述目标制备数据集中提取出制备参数数据集和制备成品数据集,计算出所述制备成品数据集对应的制备合格率,其中,所述计算出所述制备成品数据集对应的制备合格率,包括:从所述制备成品数据集中提取出成品衍射谱图以及成品电镜图;从所述成品衍射谱图中提取出衍射峰特征和晶格常数;利用如下的纯净度公式根据所述衍射峰特征和所述晶格常数计算出所述制备成品数据集对应的制备纯净度:
其中,是指所述制备纯净度,是指所述衍射峰特征中的衍射峰高度,是预设的尖锐系数,是指所述衍射峰特征中的第二峰位,是指所述衍射峰特征中的第一峰位,是指所述晶格常数中的第一晶胞基矢,是指所述晶格常数中的第三晶胞基矢;根据所述制备纯净度和所述成品电镜图计算出所述制备成品数据集对应的制备合格率;
制备效率模块,用于从所述制备成品数据集中提取出成品质量,利用所述制备参数数据集、所述制备合格率以及所述成品质量计算出所述目标制备数据集的合格制备效率;
效率模型模块,用于根据所述目标制备数据集构建初始制备分析模型,并利用所有的所述合格制备效率和所述合格制备效率对应的制备参数数据集对所述初始制备分析模型进行训练,得到制备效率模型;
方法生成模块,用于获取实时制备数据,利用所述制备效率模型对所述实时制备数据进行极值分析,得到最佳制备效率,并根据所述最佳制备效率生成标准制备方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310273118.0A CN115983738B (zh) | 2023-03-21 | 2023-03-21 | 一种用于提升氮化镓制备效率的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310273118.0A CN115983738B (zh) | 2023-03-21 | 2023-03-21 | 一种用于提升氮化镓制备效率的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983738A true CN115983738A (zh) | 2023-04-18 |
CN115983738B CN115983738B (zh) | 2023-06-27 |
Family
ID=85974505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310273118.0A Active CN115983738B (zh) | 2023-03-21 | 2023-03-21 | 一种用于提升氮化镓制备效率的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983738B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373932A (zh) * | 2023-12-06 | 2024-01-09 | 广东仁懋电子有限公司 | 一种基于低功耗氮化镓的芯片制备方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001049250A (ja) * | 1999-08-10 | 2001-02-20 | Futaba Corp | 蛍光体 |
CN102634849A (zh) * | 2005-04-04 | 2012-08-15 | 东北技术使者株式会社 | GaN 单晶生长方法、GaN 基板制备方法、GaN 系元件制备方法以及GaN 系元件 |
CN104779329A (zh) * | 2014-01-15 | 2015-07-15 | 株式会社东芝 | 氮化物半导体元件和氮化物半导体晶片 |
CN110085658A (zh) * | 2019-04-24 | 2019-08-02 | 中山大学 | 氧化镓半导体及其制备方法 |
CN111316448A (zh) * | 2017-11-09 | 2020-06-19 | 株式会社半导体能源研究所 | 半导体装置及半导体装置的制造方法 |
CN111433679A (zh) * | 2017-12-04 | 2020-07-17 | Asml荷兰有限公司 | 确定与图案化过程有关的信息的方法、减小测量数据中的误差的方法、校准量测过程的方法、选择量测目标的方法 |
CN112016676A (zh) * | 2020-08-18 | 2020-12-01 | 武汉大学 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
CN113677983A (zh) * | 2019-04-19 | 2021-11-19 | 科磊股份有限公司 | 结合x射线计量数据集合以改进参数评估的方法及系统 |
CN113850801A (zh) * | 2021-10-18 | 2021-12-28 | 深圳晶泰科技有限公司 | 晶型预测方法、装置及电子设备 |
CN115599761A (zh) * | 2021-08-05 | 2023-01-13 | 日立金属株式会社(Jp) | 数据库、材料数据处理系统以及数据库的制作方法 |
-
2023
- 2023-03-21 CN CN202310273118.0A patent/CN115983738B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001049250A (ja) * | 1999-08-10 | 2001-02-20 | Futaba Corp | 蛍光体 |
CN102634849A (zh) * | 2005-04-04 | 2012-08-15 | 东北技术使者株式会社 | GaN 单晶生长方法、GaN 基板制备方法、GaN 系元件制备方法以及GaN 系元件 |
CN104779329A (zh) * | 2014-01-15 | 2015-07-15 | 株式会社东芝 | 氮化物半导体元件和氮化物半导体晶片 |
CN111316448A (zh) * | 2017-11-09 | 2020-06-19 | 株式会社半导体能源研究所 | 半导体装置及半导体装置的制造方法 |
CN111433679A (zh) * | 2017-12-04 | 2020-07-17 | Asml荷兰有限公司 | 确定与图案化过程有关的信息的方法、减小测量数据中的误差的方法、校准量测过程的方法、选择量测目标的方法 |
CN113677983A (zh) * | 2019-04-19 | 2021-11-19 | 科磊股份有限公司 | 结合x射线计量数据集合以改进参数评估的方法及系统 |
CN110085658A (zh) * | 2019-04-24 | 2019-08-02 | 中山大学 | 氧化镓半导体及其制备方法 |
CN112016676A (zh) * | 2020-08-18 | 2020-12-01 | 武汉大学 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
CN115599761A (zh) * | 2021-08-05 | 2023-01-13 | 日立金属株式会社(Jp) | 数据库、材料数据处理系统以及数据库的制作方法 |
CN113850801A (zh) * | 2021-10-18 | 2021-12-28 | 深圳晶泰科技有限公司 | 晶型预测方法、装置及电子设备 |
Non-Patent Citations (5)
Title |
---|
"氮化镓相图预测及其高压熔化特性研究", 《物理学报》, vol. 71, no. 19, pages 1 - 9 * |
D. RAFAJA等: "X-Ray diffraction analysis and modeling of the depth profile of lattice strains in AlGaN stacks", 《THIN SOLID FILMS》, vol. 732, pages 1 - 10 * |
J. A. AGUIAR等: "Decoding crystallography from high-resolution electron imaging and diffraction datasets with deep learning", 《SCIENCE ADVANCES》, pages 1 - 9 * |
明帮铭: "低维氮化镓纳米线结构调控及性能预测", 《中国博士学位论文全文数据库工程科技Ⅰ辑》, pages 020 - 102 * |
薛小霜;王芬;崔珊;: "氮化温度对有机沉淀法制备GaN纳米粉体的影响", 陕西科技大学学报(自然科学版), no. 05, pages 36 - 39 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373932A (zh) * | 2023-12-06 | 2024-01-09 | 广东仁懋电子有限公司 | 一种基于低功耗氮化镓的芯片制备方法及系统 |
CN117373932B (zh) * | 2023-12-06 | 2024-02-23 | 广东仁懋电子有限公司 | 一种基于低功耗氮化镓的芯片制备方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115983738B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879989B (zh) | 基于小样本机器学习模型的ads-b信号目标识别方法 | |
CN113379699A (zh) | 基于深度学习的输电线路绝缘子缺陷检测方法 | |
CN115983738B (zh) | 一种用于提升氮化镓制备效率的方法和装置 | |
CN111861023B (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN111259900A (zh) | 一种卫星遥感图像的语义分割方法 | |
CN108934016B (zh) | 小区场景类别的划分方法、装置、计算机设备和存储介质 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
CN115795329B (zh) | 一种基于大数据网格下的用电异常行为分析方法和装置 | |
CN109886937A (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
CN115659284B (zh) | 一种大数据融合平台 | |
CN107276807B (zh) | 一种基于社区动态紧密度的层次化网络社区树剪枝方法 | |
CN117479218A (zh) | 一种基于模式识别的无线电频谱数据压缩方法 | |
CN114492210B (zh) | 一种高光谱卫星星载数据智能解译系统及其实现方法 | |
CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN111444824A (zh) | 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法 | |
CN117078821A (zh) | 基于深度学习的植物快速三维渲染与表征提取工具 | |
CN113315673B (zh) | 一种针对企业无线网络接入点吞吐量细粒度估计的方法 | |
CN115564100A (zh) | 光伏功率预测方法、系统及设备 | |
CN114897691A (zh) | 一种基于标准化流的图像压缩感知重构方法和系统 | |
CN115512164A (zh) | 一种基于光谱分析和视频分类算法联用的物质分析方法 | |
Wang et al. | Pedestrian wind flow prediction using spatial-frequency generative adversarial network | |
CN117407737A (zh) | 一种基于聚类的云端负荷库建立方法 | |
CN109241070A (zh) | 一种基于大数据的气象数据不一致性的时间维度统一方法 | |
CN114898152B (zh) | 嵌入式弹性自扩展通用学习系统 | |
CN113221949B (zh) | 一种影响新能源出力的多尺度天气过程分类方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |