CN116168788B - 基于大数据的熔融液态硅晶分凝系数分析方法及系统 - Google Patents
基于大数据的熔融液态硅晶分凝系数分析方法及系统 Download PDFInfo
- Publication number
- CN116168788B CN116168788B CN202310451962.8A CN202310451962A CN116168788B CN 116168788 B CN116168788 B CN 116168788B CN 202310451962 A CN202310451962 A CN 202310451962A CN 116168788 B CN116168788 B CN 116168788B
- Authority
- CN
- China
- Prior art keywords
- data
- segregation coefficient
- silicon
- module
- content
- 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
Links
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 181
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 181
- 239000010703 silicon Substances 0.000 title claims abstract description 181
- 238000005204 segregation Methods 0.000 title claims abstract description 170
- 239000007788 liquid Substances 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 23
- 150000002500 ions Chemical class 0.000 claims abstract description 159
- 239000013078 crystal Substances 0.000 claims abstract description 82
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 239000002019 doping agent Substances 0.000 claims abstract description 10
- 238000010438 heat treatment Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 27
- 238000002425 crystallisation Methods 0.000 claims description 26
- 230000008025 crystallization Effects 0.000 claims description 26
- 238000012843 least square support vector machine Methods 0.000 claims description 24
- 239000002245 particle Substances 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000007711 solidification Methods 0.000 claims description 4
- 230000008023 solidification Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 abstract description 2
- 239000007787 solid Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C30—CRYSTAL GROWTH
- C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
- C30B15/00—Single-crystal growth by pulling from a melt, e.g. Czochralski method
- C30B15/02—Single-crystal growth by pulling from a melt, e.g. Czochralski method adding crystallising materials or reactants forming it in situ to the melt
- C30B15/04—Single-crystal growth by pulling from a melt, e.g. Czochralski method adding crystallising materials or reactants forming it in situ to the melt adding doping materials, e.g. for n-p-junction
-
- C—CHEMISTRY; METALLURGY
- C30—CRYSTAL GROWTH
- C30B—SINGLE-CRYSTAL GROWTH; UNIDIRECTIONAL SOLIDIFICATION OF EUTECTIC MATERIAL OR UNIDIRECTIONAL DEMIXING OF EUTECTOID MATERIAL; REFINING BY ZONE-MELTING OF MATERIAL; PRODUCTION OF A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; SINGLE CRYSTALS OR HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; AFTER-TREATMENT OF SINGLE CRYSTALS OR A HOMOGENEOUS POLYCRYSTALLINE MATERIAL WITH DEFINED STRUCTURE; APPARATUS THEREFOR
- C30B29/00—Single crystals or homogeneous polycrystalline material with defined structure characterised by the material or by their shape
- C30B29/02—Elements
- C30B29/06—Silicon
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mathematical Physics (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Artificial Intelligence (AREA)
- Materials Engineering (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
本发明公开了基于大数据的熔融液态硅晶分凝系数分析方法及系统,涉及半导体技术领域。为了解决对硅熔液中的分凝系数进行分析时,通常只分析溶液中的分凝系数,这样分析出来的结果准确度不高的问题。基于大数据的熔融液态硅晶分凝系数分析方法,包括以下步骤:加热得到硅熔液,并预设硅熔液分凝系数,获取掺杂离子和浓度系数,计算得出第一分凝系数k1,对硅溶液进行凝固处理,对硅晶体区的离子数据进行分析,计算得到第二分凝系数k2,计算得到最终的分凝系数m。本发明能够获得高度准确的分析结果,进而在加工硅晶体时能够准确的添加掺杂剂,保证了硅晶体的成品质量。
Description
技术领域
本发明涉及半导体技术领域,特别涉及基于大数据的熔融液态硅晶分凝系数分析方法及系统。
背景技术
在拉制单晶硅棒的常规方案中,通常会利用掺杂技术将微量元素掺入单晶硅晶体,从而能够抑制对集成电路质量产生严重影响的空洞型(COP)缺陷以提高集成电路的成品率;还能够促进直拉单晶硅棒中的氧沉淀和二次诱生缺陷,由于杂质在不同相中的溶解度不一样,所以杂质在界面两边材料中分布的浓度是不同的,这就是所谓杂质的分凝现象,一般用分凝系数来描述,如何准确获得杂质的分凝系数是控制原位掺杂的关键参数之一,直接关系到如何精确控制硅晶体的掺杂浓度,因此需要对硅熔液的分凝系数进行分析,进而才能保证硅晶体成品后的质量,但是由于对硅熔液中的分凝系数进行分析时,通常只分析溶液中的分凝系数,这样分析出来的结果准确度不高。
发明内容
本发明的目的在于提供基于大数据的熔融液态硅晶分凝系数分析方法及系统,通过数据处理模块对获取的浓度系数和基础含量进行分析,并将获取的数据进行筛选并转换成具有参数数值的数据集,数据筛选主要是将与分凝系数无关的数据进行过滤,避免数据过多影响分凝系数分析的效果和时间,使得在对分凝系数进行分析时效率更高,通过对液体中的分凝系数和固体中的分凝系数进行计算,结合不同状态下的分凝系数分析具体的分凝系数,提高了分析结果的准确性,通过分凝系数模块来对固体中的分凝系数和液体中的分凝系数进行整合分析,能够获得高度准确的分析结果,进而在加工硅晶体时能够准确的添加掺杂剂,保证了硅晶体的成品质量,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
基于大数据的熔融液态硅晶分凝系数分析方法,包括以下步骤:
S1:向长晶炉腔中的坩埚内添加硅原料,对坩埚进行加热使硅原料熔融,得到硅熔液,并预设对应的硅熔液分凝系数;
S2:获取硅熔液中掺杂的掺杂离子,将获取的掺杂离子设为第一掺杂离子,根据预设的硅熔液分凝系数计算第一掺杂离子在硅溶液中的浓度,得到浓度系数,并根据浓度系数与第一掺杂离子的比例计算得出硅熔液中第一分凝系数 k1;
S3:对硅溶液进行凝固处理,凝固形成具有第二掺杂离子的硅晶体区,并预设对应的硅晶体分凝系数;
S4:对硅晶体区的离子含量数据进行分析,包括如下步骤:
S401:通过获取硅晶体区的离子含量数据,构建最小二乘支持向量机的模型函数:
,
其中,为最小二乘支持向量机的模型函数; />表示第 i种离子的含量权重;/>表示第 i种离子的含量值x下的含量函数;b表示离子含量阈值, i为正整数,且 i不为0;
S402:基于粒子群算法,求解最优值:
,
其中,表示粒子群算法的收缩因子,A1和A2表示非对称学习因子;/>表示第 i种离子的最大含量;/>表示第 i种离子的最小含量;
S403:将最优值融入最小二乘支持向量机的模型函数,获取离子含量最优解:
,
其中,n表示离子的总种类数; 为最小二乘支持向量机的最优模型函数;
S5:根于预设的硅晶体分凝系数获得结晶后的硅晶中掺杂离子的含量,将获取的掺杂离子设为第二掺杂离子,并根据第二掺杂离子在硅晶体区内的含量,计算得到第二分凝系数;
S6:根据得到的第一分凝系数和第二分凝系数/>,分析计算得到最终的分凝系数m。
进一步地,所述浓度系数的计算公式如下:
,
其中,为电子迁移率,/>为电阻率,q为电子电荷,/>为预设分凝系数。
进一步地,所述最终的分凝系数m的计算公式如下:
,
其中为第一分凝系数,/>为第二分凝系数。
进一步地,所述第一分凝系数的计算公式如下:
,
其中,p为浓度系数,b为第一掺杂离子的含量,为硅熔液中的预设分凝系数。
进一步地,所述第二分凝系数的计算公式如下:
,
其中,d为第二掺杂离子的含量,c为硅晶体区的密度,为硅晶体区的预设分凝系数。
进一步地,所述对硅晶体区的离子数据进行分析,还包括如下步骤:
获取硅晶体区的结晶数据,并基于预设的分凝系数,按照预设最大损失函数,去除无效结晶数据;其中,
结晶数据包括:离子浓度数据、电子迁移率数据、电阻率数据、空穴迁移率数据和电子电荷数据;
无效结晶数据为超过最大损失函数的结晶数据;
通过结晶数据,生成变量相关性图;
基于相关性图,确定硅晶中掺杂离子含量数据,并通过最小二乘支持向量机建模得到训练集和测试集;
采用最小二乘支持向量机对掺杂离子数据的训练集数据进行学习,并引入粒子群算法优化最小二乘支持向量机得到最优值;
根据最优值对掺杂离子数据的训练集数据进行重新学习,生成掺杂离子数据的最优分析模型,确定结晶后的硅晶中掺杂离子的含量。
进一步地,所述该系统包括:
源数据获取模块,用于
获取硅熔液中、硅晶体区中的第一掺杂离子和第二掺杂离子的基础源数据,并将获取的基础源数据输出到无线通讯模块;
无线通讯模块,用于
通过无线传输方式向数据处理模块发送获取的基础源数据信息;
数据处理模块,用于
对获取的基础源数据进行处理,筛选并转换为具有参数数值的数据集;
数据分析模块,用于
将数据处理模块中的数据集进行分析;
显示模块,用于
显示数据分析模块所分析出来的结果。
进一步地,所述数据分析模块包括计算模块、浓度检测模块和分凝系数模块,其中,
计算模块,用于
根据第一掺杂离子在硅熔液中的预设分凝系数,得到单位体内积硅熔液中第一掺杂离子的具体浓度,根据第二掺杂离子在硅晶体中的预设分凝系数,得到单位体内积硅熔液中第二掺杂离子的具体浓度;
浓度检测模块,用于
对硅熔液中的第一掺杂离子的浓度进行检测,含量检测模块用于对硅晶体区中的第二掺杂离子含量进行检测。
分凝系数模块,用于
根据第一分凝系数和第二分凝系数/>计算硅熔液中的有效分凝系数量,根据预设分凝系数计算得到单位硅晶体区中的第二掺杂离子的具体含量。
进一步地,所述计算模块包括:
第一计算模块,用于
计算第一掺杂离子在硅熔液中的浓度。
第二计算模块,用于
计算第二掺杂离子在硅晶体区的含量。
进一步地,所述数据处理模块包括:
数据筛选模块,用于
筛选源数据获取模块中的信息,过滤掉与分凝系数无关的信息。
数据转换模块,用于
将数据筛选模块筛选出来的有效信息转换成数据集。
所述数据处理模块的处理步骤包括:
建立分凝系数的参数数据库;
将源数据获取模块获取的数据信息与建立的数据库中的数据信息逐条对比;
将对比到的重合数据进行储存,并将重合数据传输至信息转换处进行转换,没有重合的则放弃该数据信息。
与现有技术相比,本发明的有益效果是:
1、本发明的基于大数据的熔融液态硅晶分凝系数分析方法及系统,通过源数据获取模块获取硅熔液中掺杂的掺杂离子数据,并将获取的掺杂离子设为第一掺杂离子,通过源数据获取模块对凝固后的硅溶液中的第二掺杂离子的基础含量进行检测,通过数据处理模块对获取的浓度系数和基础含量进行分析,并将获取的数据进行筛选并转换成具有参数数值的数据集,数据筛选主要是将与分凝系数无关的数据进行过滤,避免数据过多影响分凝系数分析的效果和时间,使得在对分凝系数进行分析时效率更高。
2、本发明的基于大数据的熔融液态硅晶分凝系数分析方法及系统,通过浓度检测模块检测硅熔液和硅晶体区第一掺杂离子的浓度和第二掺杂离子的含量,根据预设的硅熔液分凝系数计算第一掺杂离子在硅溶液中的浓度,得到浓度系数,根据浓度系数与第一掺杂离子的比例计算得出硅熔液中第一分凝系数,通过第二计算模块根据预设的分凝系数来计算硅晶体区的第二掺杂离子的含量,并根据第二掺杂离子在硅晶体区内的含量,计算得到第二分凝系数,通过对液体中的分凝系数和固体中的分凝系数进行计算,结合不同状态下的分凝系数分析具体的分凝系数,提高了分析结果的准确性,通过分凝系数模块来对固体中的分凝系数和液体中的分凝系数进行整合分析,能够获得高度准确的分析结果,进而在加工硅晶体时能够准确的添加掺杂剂,保证了硅晶体的成品质量。
附图说明
图1为本发明的基于大数据的熔融液态硅晶分凝系数分析系统的模块原理图;
图2为本发明的基于大数据的熔融液态硅晶分凝系数分析方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为了解决现有的但是由于对硅熔液中的分凝系数进行分析时,通常只分析溶液中的分凝系数,这样分析出来的结果准确度不高技术问题,请参阅图1-图2,本实施例提供以下技术方案:
基于大数据的熔融液态硅晶分凝系数分析方法,其特征在于,包括以下步骤:
S1:向长晶炉腔中的坩埚内添加硅原料,对坩埚进行加热使硅原料熔融,得到硅熔液,并预设对应的硅熔液分凝系数;
S2:获取硅熔液中掺杂的掺杂离子,将获取的掺杂离子设为第一掺杂离子,根据预设的硅熔液分凝系数计算第一掺杂离子在硅溶液中的浓度,得到浓度系数,并根据浓度系数与第一掺杂离子的比例计算得出硅熔液中第一分凝系数;
S3:对硅溶液进行凝固处理,凝固形成具有第二掺杂离子的硅晶体区,并预设对应的硅晶体分凝系数;
S4:对硅晶体区的离子含量数据进行分析,根于预设的硅晶体分凝系数获得结晶后的硅晶中掺杂离子的含量,将获取的掺杂离子设为第二掺杂离子,并根据第二掺杂离子在硅晶体区内的含量,计算得到第二分凝系数。
S5:根据得到的第一分凝系数和第二分凝系数/>,分析计算得到最终的分凝系数m。
浓度系数的计算公式如下:
,
其中,为电子迁移率,/>为电阻率,q为电子电荷,/>为预设分凝系数。
最终的分凝系数m的计算公式如下:
,
其中为第一分凝系数,/>为第二分凝系数。
第一分凝系数的计算公式如下:
,
其中,p为浓度系数,b为第一掺杂离子的含量,为硅熔液中的预设分凝系数。
第二分凝系数的计算公式如下:
,
其中,d为第二掺杂离子的含量,c为硅晶体区的密度,为硅晶体区的预设分凝系数。
具体的,通过浓度检测模块检测硅熔液和硅晶体区第一掺杂离子的浓度和第二掺杂离子的含量,根据预设的硅熔液分凝系数计算第一掺杂离子在硅溶液中的浓度,得到浓度系数,根据浓度系数与第一掺杂离子的比例计算得出硅熔液中第一分凝系数,通过第二计算模块根据预设的分凝系数来计算硅晶体区的第二掺杂离子的含量,并根据第二掺杂离子在硅晶体区内的含量,计算得到第二分凝系数,通过对液体中的分凝系数和固体中的分凝系数进行计算,结合不同状态下的分凝系数分析具体的分凝系数,提高了分析结果的准确性,通过分凝系数模块来对固体中的分凝系数和液体中的分凝系数进行整合分析,能够获得高度准确的分析结果。
进一步地,所述对硅晶体区的离子数据进行分析,包括如下步骤:
获取硅晶体区的结晶数据,并基于预设的分凝系数,按照预设最大损失函数,去除无效结晶数据;其中,
结晶数据包括:离子浓度数据、电子迁移率数据、电阻率数据、空穴迁移率数据和电子电荷数据;
无效结晶数据为超过最大损失函数的结晶数据;
通过结晶数据,生成变量相关性图;
基于相关性图,确定硅晶中掺杂离子含量数据,并通过最小二乘支持向量机建模得到训练集和测试集;
采用最小二乘支持向量机对掺杂离子数据的训练集数据进行学习,并引入粒子群算法优化最小二乘支持向量机得到最优值;
根据最优值对掺杂离子数据的训练集数据进行重新学习,生成掺杂离子数据的最优分析模型,确定结晶后的硅晶中掺杂离子的含量。
上述技术方案的原理在于:本发明引入了大数据的方式进行硅晶体区,掺杂离子数据的计算,现有技术中的计算,多采用的是评估计算技术,评估计算技术会带来大量的损失,而且,因为计算公式是统一的,所以,随着数据的改变,可能会得到多种结果,在实际的实施中,我们会选择最接近预期结果的计算结果作为目标结果,因此,可能存在错误。而本发明引入大数据之后,可以得到最优的计算结果。
在本发明的实施过程中,首先通过计算最大损失函数,确定了结晶数据中的无效结晶数据,也就是超出了最大损失函数数据之外的非常规或者离奇数据。变量相关性图是根据结晶数据中变量数据之间的相关性,例如:例子浓度数据增大,电子电荷数据增大等这些存在相关性的数据构成变量相关性图然后通过最小二乘支持向量机建模得到测试数据和训练数据,然后进行训练学习,得到掺杂离子的含量分析计算的第一模型;第一模型可以得到多种计算结果,但是为了得到最优的计算结果,本发明引入粒子群算法优化最小二乘支持向量机,通过最优值的重新学习,今儿得到最优分析模型,通过最优分析模型得到最优结果。
在一个可选实施例中,
S401:通过获取硅晶体区的离子含量数据,构建最小二乘支持向量机的模型函数:
,
其中,为最小二乘支持向量机的模型函数;/>表示第 i种离子的含量权重;/>表示第i种离子的含量值 x下的含量函数; b表示离子含量阈值, i为正整数,且 i不为0;
S402:基于粒子群算法,求解最优值:
,
其中,表示粒子群算法的收缩因子,A1和A2表示非对称学习因子;/>表示第 i种离子的最大含量;/>表示第 i种离子的最小含量;
S403:将最优值融入最小二乘支持向量机的模型函数,获取离子含量最优解:
,
其中, n表示离子的总种类数;为最小二乘支持向量机的最优模型函数。
上述技术方案中,本发明为了进行最优解的计算,首先基于回归函数搭建最小二乘支持向量机的模型函数,确定不同例子含量数据的初始解。初始解引入了离子含量阈值,对应着超出最大的算是函数,然后通过粒子群算法求取最优解。粒子群算法的最优解为离子含量的最优解,但是粒子群算法得到的最优解是非堆成学习下的最优解,并不能直接的计算出离子含量,需要和向量机融合得到最优解,因此,本发明融合向量机和粒子群算法,得到最小二乘支持向量机的最优模型函数,计算离子含量,确定最优分凝系数。
基于大数据的熔融液态硅晶分凝系数分析系统,应用在基于大数据的熔融液态硅晶分凝系数分析方法中,该系统包括:
源数据获取模块,用于
获取硅熔液中、硅晶体区中的第一掺杂离子和第二掺杂离子的基础源数据,并将获取的基础源数据输出到无线通讯模块。
无线通讯模块,用于
通过无线传输方式向数据处理模块发送获取的基础源数据信息。
数据处理模块,用于
对获取的基础源数据进行处理,筛选并转换为具有参数数值的数据集。
数据分析模块,用于
将数据处理模块中的数据集进行分析。
显示模块,用于
显示数据分析模块所分析出来的结果。
数据分析模块包括计算模块、浓度检测模块和分凝系数模块,其中,
计算模块,用于
根据第一掺杂离子在硅熔液中的预设分凝系数,得到单位体内积硅熔液中第一掺杂离子的具体浓度,根据第二掺杂离子在硅晶体中的预设分凝系数,得到单位体内积硅熔液中第二掺杂离子的具体浓度。
浓度检测模块,用于
对硅熔液中的第一掺杂离子的浓度进行检测,含量检测模块用于对硅晶体区中的第二掺杂离子含量进行检测。
分凝系数模块,用于
根据第一分凝系数 k1和第二分凝系数k2计算硅熔液中的有效分凝系数量,根据预设分凝系数计算得到单位硅晶体区中的第二掺杂离子的具体含量。
计算模块包括:
第一计算模块,用于
计算第一掺杂离子在硅熔液中的浓度。
第二计算模块,用于
计算第二掺杂离子在硅晶体区的含量。
数据处理模块包括:
数据筛选模块,用于
筛选源数据获取模块中的信息,过滤掉与分凝系数无关的信息。
数据转换模块,用于
将数据筛选模块筛选出来的有效信息转换成数据集。
数据处理模块的处理步骤包括:
建立分凝系数的参数数据库。
将源数据获取模块获取的数据信息与建立的数据库中的数据信息逐条对比。
将对比到的重合数据进行储存,并将重合数据传输至信息转换处进行转换,没有重合的则放弃该数据信息。
具体的,通过浓度检测模块检测硅熔液和硅晶体区第一掺杂离子的浓度和第二掺杂离子的含量,根据预设的硅熔液分凝系数计算第一掺杂离子在硅溶液中的浓度,得到浓度系数,根据浓度系数与第一掺杂离子的比例计算得出硅熔液中第一分凝系数,通过第二计算模块根据预设的分凝系数来计算硅晶体区的第二掺杂离子的含量,并根据第二掺杂离子在硅晶体区内的含量,计算得到第二分凝系数,通过对液体中的分凝系数和固体中的分凝系数进行计算,结合不同状态下的分凝系数分析具体的分凝系数,提高了分析结果的准确性,通过分凝系数模块来对固体中的分凝系数和液体中的分凝系数进行整合分析,能够获得高度准确的分析结果。
通过源数据获取模块获取硅熔液中掺杂的掺杂离子数据,并将获取的掺杂离子设为第一掺杂离子,通过源数据获取模块对凝固后的硅溶液中的第二掺杂离子的基础含量进行检测,通过数据处理模块对获取的浓度系数和基础含量进行分析,并将获取的数据进行筛选并转换成具有参数数值的数据集,数据筛选主要是将与分凝系数无关的数据进行过滤,避免数据过多影响分凝系数分析的效果和时间,使得在对分凝系数进行分析时效率更高,通过浓度检测模块检测硅熔液和硅晶体区第一掺杂离子的浓度和第二掺杂离子的含量,根据预设的硅熔液分凝系数计算第一掺杂离子在硅溶液中的浓度,得到浓度系数,根据浓度系数与第一掺杂离子的比例计算得出硅熔液中第一分凝系数,通过第二计算模块根据预设的分凝系数来计算硅晶体区的第二掺杂离子的含量,并根据第二掺杂离子在硅晶体区内的含量,计算得到第二分凝系数,通过对液体中的分凝系数和固体中的分凝系数进行计算,结合不同状态下的分凝系数分析具体的分凝系数,提高了分析结果的准确性,通过分凝系数模块来对固体中的分凝系数和液体中的分凝系数进行整合分析,能够获得高度准确的分析结果,进而在加工硅晶体时能够准确的添加掺杂剂,保证了硅晶体的成品质量。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于大数据的熔融液态硅晶分凝系数分析方法,其特征在于,包括以下步骤:
S1:向长晶炉腔中的坩埚内添加硅原料,对坩埚进行加热使硅原料熔融,得到硅熔液,并预设对应的硅熔液分凝系数;
S2:获取硅熔液中掺杂的掺杂离子,将获取的掺杂离子设为第一掺杂离子,根据预设的硅熔液分凝系数计算第一掺杂离子在硅溶液中的浓度,得到浓度系数,并根据浓度系数与第一掺杂离子的比例计算得出硅熔液中第一分凝系数k1;
S3:对硅溶液进行凝固处理,凝固形成具有第二掺杂离子的硅晶体区,并预设对应的硅晶体分凝系数;
S4:对硅晶体区的离子含量数据进行分析,包括如下步骤:
S401:通过获取硅晶体区的离子含量数据,构建最小二乘支持向量机的模型函数:
,
其中,f(x)为最小二乘支持向量机的模型函数;表示第i种离子的含量权重;/>表示第i种离子的含量值x下的含量函数;b表示离子含量阈值, i为正整数,且i不为0;
S402:基于粒子群算法,求解最优值:
,
其中,表示粒子群算法的收缩因子,A1和A2表示非对称学习因子;/>表示第i种离子的最大含量;/>表示第i种离子的最小含量;
S403:将最优值融入最小二乘支持向量机的模型函数,获取离子含量最优解:
,
其中,n表示离子的总种类数;为最小二乘支持向量机的最优模型函数;
S5:根于预设的硅晶体分凝系数获得结晶后的硅晶中掺杂离子的含量,将获取的掺杂离子设为第二掺杂离子,并根据第二掺杂离子在硅晶体区内的含量,计算得到第二分凝系数k2;
S6:根据得到的第一分凝系数k1和第二分凝系数k2,分析计算得到最终的分凝系数m。
2.如权利要求1所述的基于大数据的熔融液态硅晶分凝系数分析方法,其特征在于,所述浓度系数的计算公式如下:
,
其中,为电子迁移率,/>为电阻率,q为电子电荷,/>为预设分凝系数。
3.如权利要求2所述的基于大数据的熔融液态硅晶分凝系数分析方法,其特征在于,最终的分凝系数m的计算公式如下:
,
其中k1为第一分凝系数,k2为第二分凝系数。
4.如权利要求3所述的基于大数据的熔融液态硅晶分凝系数分析方法,其特征在于,所述第一分凝系数k1的计算公式如下:
,
其中,p为浓度系数,b为第一掺杂离子的含量,为硅熔液中的预设分凝系数。
5.如权利要求4所述的基于大数据的熔融液态硅晶分凝系数分析方法,其特征在于,所述第二分凝系数k2的计算公式如下:
,
其中,d为第二掺杂离子的含量,c为硅晶体区的密度,为硅晶体区的预设分凝系数。
6.如权利要求5所述的基于大数据的熔融液态硅晶分凝系数分析方法,其特征在于,对硅晶体区的离子数据进行分析,还包括如下步骤:
获取硅晶体区的结晶数据,并基于预设的硅晶体分凝系数,按照预设最大损失函数,去除无效结晶数据;其中,
结晶数据包括:离子浓度数据、电子迁移率数据、电阻率数据、空穴迁移率数据和电子电荷数据;
无效结晶数据为超过最大损失函数的结晶数据;
通过结晶数据,生成变量相关性图;
基于相关性图,确定硅晶中掺杂离子含量数据,并通过最小二乘支持向量机建模得到训练集和测试集;
采用最小二乘支持向量机对掺杂离子数据的训练集数据进行学习,并引入粒子群算法优化最小二乘支持向量机得到最优值;
根据最优值对掺杂离子数据的训练集数据进行重新学习,生成掺杂离子数据的最优分析模型,确定结晶后的硅晶中掺杂离子的含量。
7.基于大数据的熔融液态硅晶分凝系数分析系统,应用在如权利要求6所述的基于大数据的熔融液态硅晶分凝系数分析方法中,其特征在于,该系统包括:
源数据获取模块,用于
获取在硅熔液中、硅晶体区中的第一掺杂离子和第二掺杂离子的基础源数据,并将获取的基础源数据输出到无线通讯模块;
无线通讯模块,用于
用于通过无线传输方式向数据处理模块发送获取的基础源数据信息;
数据处理模块,用于
用于对获取的基础源数据进行处理,筛选并转换为具有参数数值的数据集;
数据分析模块,用于
将数据处理模块中的数据集进行分析;
显示模块,用于
显示数据分析模块所分析出来的结果。
8.如权利要求7所述的基于大数据的熔融液态硅晶分凝系数分析系统,其特征在于,所述数据分析模块包括计算模块、浓度检测模块和分凝系数模块,其中,
计算模块,用于
根据第一掺杂离子在硅熔液中的预设分凝系数,得到单位体内积硅熔液中第一掺杂离子的具体浓度,根据第二掺杂离子在硅晶体中的预设分凝系数,得到单位体内积硅熔液中第二掺杂离子的具体浓度;
浓度检测模块,用于
对硅熔液中的第一掺杂离子的浓度进行检测,含量检测模块用于对硅晶体区中的第二掺杂离子含量进行检测;
分凝系数模块,用于
根据第一分凝系数k1和第二分凝系数k2计算硅熔液中的有效分凝系数量,根据预设分凝系数计算得到单位硅晶体区中的第二掺杂离子的具体含量。
9.如权利要求8所述的基于大数据的熔融液态硅晶分凝系数分析系统,其特征在于,所述计算模块包括:
第一计算模块,用于
计算第一掺杂离子在硅熔液中的浓度;
第二计算模块,用于
计算第二掺杂离子在硅晶体区的含量。
10.如权利要求9所述的基于大数据的熔融液态硅晶分凝系数分析系统,其特征在于,所述数据处理模块包括:
数据筛选模块,用于
筛选源数据获取模块中的信息,过滤掉与分凝系数无关的信息;
数据转换模块,用于
将数据筛选模块筛选出来的有效信息转换成数据集;
所述数据处理模块的处理步骤包括:
建立分凝系数的参数数据库;
将源数据获取模块获取的数据信息与建立的数据库中的数据信息逐条对比;
将对比到的重合数据进行储存,并将重合数据传输至信息转换处进行转换,没有重合的则放弃该数据信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451962.8A CN116168788B (zh) | 2023-04-25 | 2023-04-25 | 基于大数据的熔融液态硅晶分凝系数分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451962.8A CN116168788B (zh) | 2023-04-25 | 2023-04-25 | 基于大数据的熔融液态硅晶分凝系数分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168788A CN116168788A (zh) | 2023-05-26 |
CN116168788B true CN116168788B (zh) | 2023-08-11 |
Family
ID=86418639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310451962.8A Active CN116168788B (zh) | 2023-04-25 | 2023-04-25 | 基于大数据的熔融液态硅晶分凝系数分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168788B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104630878A (zh) * | 2015-02-05 | 2015-05-20 | 中国电子科技集团公司第二十六研究所 | 大尺寸板状Ce3+离子掺杂的稀土正硅酸盐系列闪烁晶体水平定向凝固制备方法 |
JP2016060667A (ja) * | 2014-09-18 | 2016-04-25 | 信越半導体株式会社 | 抵抗率制御方法、追加ドーパント投入装置、並びに、n型シリコン単結晶 |
CN105951172A (zh) * | 2016-05-30 | 2016-09-21 | 上海超硅半导体有限公司 | N型/p型单晶硅晶锭的制造方法 |
CN108365186A (zh) * | 2018-01-11 | 2018-08-03 | 湖南立方新能源科技有限责任公司 | 一种硅基复合负极材料及其制备方法 |
CN115341284A (zh) * | 2022-08-29 | 2022-11-15 | 中国科学院合肥物质科学研究院 | 一种高浓度梯度钕掺杂钆钇铝石榴石激光晶体及其制备方法 |
CN115595667A (zh) * | 2022-10-18 | 2023-01-13 | 湖南大合新材料有限公司(Cn) | 一种碲锌镉晶体智能生长方法、系统、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6222013B2 (ja) * | 2014-08-29 | 2017-11-01 | 信越半導体株式会社 | 抵抗率制御方法 |
-
2023
- 2023-04-25 CN CN202310451962.8A patent/CN116168788B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016060667A (ja) * | 2014-09-18 | 2016-04-25 | 信越半導体株式会社 | 抵抗率制御方法、追加ドーパント投入装置、並びに、n型シリコン単結晶 |
CN104630878A (zh) * | 2015-02-05 | 2015-05-20 | 中国电子科技集团公司第二十六研究所 | 大尺寸板状Ce3+离子掺杂的稀土正硅酸盐系列闪烁晶体水平定向凝固制备方法 |
WO2016123866A1 (zh) * | 2015-02-05 | 2016-08-11 | 中国电子科技集团公司第二十六研究所 | 大尺寸板状Ce3+离子掺杂的稀土正硅酸盐系列闪烁晶体水平定向凝固制备方法 |
CN105951172A (zh) * | 2016-05-30 | 2016-09-21 | 上海超硅半导体有限公司 | N型/p型单晶硅晶锭的制造方法 |
CN108365186A (zh) * | 2018-01-11 | 2018-08-03 | 湖南立方新能源科技有限责任公司 | 一种硅基复合负极材料及其制备方法 |
CN115341284A (zh) * | 2022-08-29 | 2022-11-15 | 中国科学院合肥物质科学研究院 | 一种高浓度梯度钕掺杂钆钇铝石榴石激光晶体及其制备方法 |
CN115595667A (zh) * | 2022-10-18 | 2023-01-13 | 湖南大合新材料有限公司(Cn) | 一种碲锌镉晶体智能生长方法、系统、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
多晶硅定向凝固工艺过程杂质分凝系数的模拟;S.Nakano et al.;《第二届晶体硅太阳电池及材料科学与技术国际研讨会论文集》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116168788A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101748477B (zh) | 用于单晶硅生长过程控制的智能pid控制方法及其系统 | |
KR101904078B1 (ko) | 실리콘 단결정 중 질소농도 산출방법 및 저항율 시프트량 산출방법 | |
CN113584576B (zh) | 晶体直径生长的自动控制方法、装置、电子设备和存储介质 | |
CN115528810B (zh) | 一种基于电力设备的测温数据运检分析管理系统 | |
EP0917192A1 (en) | Method of determining the model of oxygen precipitation behaviour in a silicon monocrystalline wafer, method of determining a process for producing silicon monocrystalline wafers using said model, and recording medium carrying a program for determining the oxygen precipitation behaviour model in a silicon monocrystalline wafer | |
CN116168788B (zh) | 基于大数据的熔融液态硅晶分凝系数分析方法及系统 | |
JPH0732186B2 (ja) | シリコン結晶の評価方法及びこれを用いた半導体装置の製造方法 | |
CN104866975B (zh) | 一种多晶硅锭的质量判定方法 | |
CN109827637B (zh) | 基于集员估计粒子滤波理论的硅熔液液位估计方法 | |
EP4290470A1 (en) | Rock identification method, system and apparatus, terminal, and readable storage medium | |
CN116522096B (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
CN117476124B (zh) | 一种聚偏氟乙烯助剂加注智能控制管理系统 | |
CN117557806A (zh) | 硅棒生长视觉监测方法、装置、设备及存储介质 | |
CN106353301A (zh) | 一种二氧化硅的检测方法 | |
Strauch et al. | Analysis of grain structure evolution based on optical measurements of mc Si wafers | |
KR100316314B1 (ko) | 비정질화영역 결정방법 및 장치 | |
KR100912345B1 (ko) | 단결정 성장 공정 파라미터를 이용한 산소농도 예측방법 및그 프로그램이 기록된 기록매체 | |
KR20200098612A (ko) | 반도체 잉곳의 열 이력을 검증하는 방법 | |
CN113280906B (zh) | 基于计算机视觉的泡生法籽晶最佳接种时机振动感知方法 | |
CN111327630B (zh) | 基于全对称多胞形理论的攻击检测与修正方法 | |
CN113687633A (zh) | 一种钢筋质量管理系统和方法 | |
CN114387248A (zh) | 一种硅料熔化度监测方法、存储介质、终端和拉晶设备 | |
CN115132291A (zh) | 一种掺杂剂的投料量确定方法及装置和计算机存储介质 | |
CN102932686A (zh) | 在遥控器中处理传感器数据的方法 | |
JP6547614B2 (ja) | シリコン結晶の金属不純物分析方法及び評価方法 |
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 |