JP2023547495A - ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法 - Google Patents
ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法 Download PDFInfo
- Publication number
- JP2023547495A JP2023547495A JP2023526453A JP2023526453A JP2023547495A JP 2023547495 A JP2023547495 A JP 2023547495A JP 2023526453 A JP2023526453 A JP 2023526453A JP 2023526453 A JP2023526453 A JP 2023526453A JP 2023547495 A JP2023547495 A JP 2023547495A
- Authority
- JP
- Japan
- Prior art keywords
- data
- gallium oxide
- manufacturing
- predicted
- conductive gallium
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 161
- AJNVQOSZGJRYEI-UHFFFAOYSA-N digallium;oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Ga+3].[Ga+3] AJNVQOSZGJRYEI-UHFFFAOYSA-N 0.000 title claims abstract description 109
- 229910001195 gallium oxide Inorganic materials 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 239000013078 crystal Substances 0.000 claims abstract description 154
- 238000003062 neural network model Methods 0.000 claims abstract description 93
- 239000002994 raw material Substances 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 35
- 239000002826 coolant Substances 0.000 claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 109
- 239000013598 vector Substances 0.000 claims description 35
- 238000002360 preparation method Methods 0.000 claims description 25
- 238000001816 cooling Methods 0.000 claims description 20
- 238000009413 insulation Methods 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000007493 shaping process Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 description 14
- 239000007789 gas Substances 0.000 description 5
- 230000006698 induction Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 229910005191 Ga 2 O 3 Inorganic materials 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 239000000112 cooling gas Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000002019 doping agent Substances 0.000 description 3
- 239000000110 cooling liquid Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- 229910052735 hafnium Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 229910052758 niobium Inorganic materials 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 229910052715 tantalum Inorganic materials 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- 229910052726 zirconium Inorganic materials 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
- C30B29/00—Single crystals or homogeneous polycrystalline material with defined structure characterised by the material or by their shape
- C30B29/10—Inorganic compounds or compositions
-
- 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
-
- 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
- C30B11/00—Single-crystal growth by normal freezing or freezing under temperature gradient, e.g. Bridgman-Stockbarger method
- C30B11/006—Controlling or regulating
-
- 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
- C30B11/00—Single-crystal growth by normal freezing or freezing under temperature gradient, e.g. Bridgman-Stockbarger method
- C30B11/14—Single-crystal growth by normal freezing or freezing under temperature gradient, e.g. Bridgman-Stockbarger method characterised by the seed, e.g. its crystallographic orientation
-
- 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
- C30B29/10—Inorganic compounds or compositions
- C30B29/16—Oxides
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Inorganic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
【課題】本発明はディープラーニングと熱交換法による導電性酸化ガリウムの製造方法に関するものである。【解決手段】本発明のディープラーニングと熱交換法による導電性酸化ガリウムの予測方法は、導電性酸化ガリウム単結晶の製造データを獲得するステップであって、製造データは、種晶データ、環境データ、制御データ及び原料データを含み、制御データは種晶冷却媒体流量を含み、原料データはドーピングタイプデータと導電性ドーピング濃度を含むステップと、製造データを予め処理することにより事前処理製造データを獲得するステップと、事前処理製造データをトレーニング済みニューラルネットワークモデルに入力することにより導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得するステップであって、前記予測プロパティーデータは予測キャリア濃度を含むステップとを含む。製造データを予め処理することにより事前処理製造データを獲得した後、事前処理製造データをトレーニング済みニューラルネットワークモデルに入力することにより導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得し、製造データを調節することにより所定のキャリア濃度を有している導電性酸化ガリウムを獲得することができる。
Description
本発明は、酸化ガリウムの製造分野に属し、特に、ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法に関する。
酸化ガリウム(Ga2O3)単結晶は、透明な半導体酸化物であり、広い禁制帯を有している半導体材料に属する。通常、相酸化ガリウム(-Ga2O3)は安定性がよく、-Ga2O3は、禁制帯の幅が広く、飽和電子のドリフト速度が速く、熱伝導率が高く、破壊電界強度(breakdown field strength)が強く、化学性能の安定性がよいなどの利点を有している。禁制帯の幅が広いことにより-Ga2O3は高い絶縁破壊電圧(breakdown voltage)を有している。また、飽和電子のドリフト速度が速く、熱伝導率が高く、化学性能の安定性がよいなどの利点を有していることにより、-Ga2O3単結晶は電子部品の分野において幅広く使用されている。熱交換法は酸化ガリウムを製造する1つの方法である。従来の熱交換法で導電性酸化ガリウムを製造する場合、所定のキャリア濃度を有している導電性酸化ガリウムを獲得することができなかった。
したがって、従来技術の欠点を解決するとともに改良する必要がある。
本発明が解決しようとする技術的課題は、ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法を提供することにより、所定のキャリア濃度を有している導電性酸化ガリウムを予測することにある。
本発明の実施例においてディープラーニングと熱交換法による導電性酸化ガリウムの予測方法を提供する。その予測方法は、
導電性酸化ガリウム単結晶の製造データを獲得するステップであって、前記製造データは、種晶データ、環境データ、制御データ及び原料データを含み、前記制御データは種晶冷却媒体流量を含み、前記原料データはドーピングタイプデータと導電性ドーピング濃度を含むステップと、
前記製造データを予め処理することにより事前処理製造データを獲得するステップと、
前記事前処理製造データをトレーニング済みニューラルネットワークモデルに入力した後、前記トレーニング済みニューラルネットワークモデルにより前記導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得するステップであって、前記予測プロパティーデータは予測キャリア濃度を含むステップとを含む。
導電性酸化ガリウム単結晶の製造データを獲得するステップであって、前記製造データは、種晶データ、環境データ、制御データ及び原料データを含み、前記制御データは種晶冷却媒体流量を含み、前記原料データはドーピングタイプデータと導電性ドーピング濃度を含むステップと、
前記製造データを予め処理することにより事前処理製造データを獲得するステップと、
前記事前処理製造データをトレーニング済みニューラルネットワークモデルに入力した後、前記トレーニング済みニューラルネットワークモデルにより前記導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得するステップであって、前記予測プロパティーデータは予測キャリア濃度を含むステップとを含む。
前記ディープラーニングと熱交換法による導電性酸化ガリウムの予測方法において、前記製造データを予め処理することにより事前処理製造データを獲得する前記ステップは、
前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより事前処理製造データを獲得するステップであって、前記事前処理製造データは、前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより形成されるマトリックスであるステップを含む。
前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより事前処理製造データを獲得するステップであって、前記事前処理製造データは、前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより形成されるマトリックスであるステップを含む。
前記ディープラーニングと熱交換法による導電性酸化ガリウムの予測方法において、前記種晶データは、種晶の回折スパイクの半値全幅、種晶の回折スパイクの半値全幅の偏差値及び種晶直径を含み、前記環境データは、保温層の熱抵抗値、保温層の熱抵抗値の偏差値及び保温層の形状因子を含み、前記制御データはコイル入力パワーとコイル冷却パワーを更に含む。
前記ディープラーニングと熱交換法による導電性酸化ガリウムの予測方法において、前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより事前処理製造データを獲得するステップは、
前記種晶データ、前記環境データ及び前記制御データによりプレパレーションベクターを確定するステップであって、前記プレパレーションベクター中の第一の要素は、前記種晶の回折スパイクの半値全幅、前記種晶の回折スパイクの半値全幅の偏差値及び前記種晶直径のうちいずれか1つであり、前記プレパレーションベクター中の第二の要素は、前記保温層の熱抵抗値、前記保温層の熱抵抗値の偏差値及び前記保温層の形状因子のうちいずれか1つであり、前記プレパレーションベクター中の第三の要素は、前記コイル入力パワー、前記コイル冷却パワー及び前記種晶冷却媒体流量のうちいずれか1つであり、前記プレパレーションベクター中の第四の要素は前記ドーピングタイプデータと前記導電性ドーピング濃度のうちいずれか1つであるステップと、
前記プレパレーションベクターにより前記事前処理製造データを確定するステップとを含む。
前記種晶データ、前記環境データ及び前記制御データによりプレパレーションベクターを確定するステップであって、前記プレパレーションベクター中の第一の要素は、前記種晶の回折スパイクの半値全幅、前記種晶の回折スパイクの半値全幅の偏差値及び前記種晶直径のうちいずれか1つであり、前記プレパレーションベクター中の第二の要素は、前記保温層の熱抵抗値、前記保温層の熱抵抗値の偏差値及び前記保温層の形状因子のうちいずれか1つであり、前記プレパレーションベクター中の第三の要素は、前記コイル入力パワー、前記コイル冷却パワー及び前記種晶冷却媒体流量のうちいずれか1つであり、前記プレパレーションベクター中の第四の要素は前記ドーピングタイプデータと前記導電性ドーピング濃度のうちいずれか1つであるステップと、
前記プレパレーションベクターにより前記事前処理製造データを確定するステップとを含む。
前記ディープラーニングと熱交換法による導電性酸化ガリウムの予測方法において、前記予測プロパティーデータは、予測クラックデータ、予測ヘテロ結晶データ、予測回折スパイクの半値全幅、予測回折スパイクの半値全幅の直径方向の偏差値、予測回折スパイクの半値全幅の軸方向の偏差値、予測キャリア濃度、予測キャリア濃度の直径方向の偏差値及び予測キャリア濃度の軸方向の偏差値を含む。
本発明のディープラーニングと熱交換法による導電性酸化ガリウムの製造方法において、前記製造方法は、
目標導電性酸化ガリウム単結晶の目標プロパティーデータを獲得するステップであって、前記目標プロパティーデータは目標キャリア濃度を含むステップと、
前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定するステップであって、前記目標製造データは、種晶データ、環境データ、制御データ及び原料データを含み、前記制御データは種晶冷却媒体流量を含み、前記原料データはドーピングタイプデータと導電性ドーピング濃度を含むステップと、
熱交換法と前記目標製造データにより目標導電性酸化ガリウム単結晶を製造するステップとを含む。
目標導電性酸化ガリウム単結晶の目標プロパティーデータを獲得するステップであって、前記目標プロパティーデータは目標キャリア濃度を含むステップと、
前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定するステップであって、前記目標製造データは、種晶データ、環境データ、制御データ及び原料データを含み、前記制御データは種晶冷却媒体流量を含み、前記原料データはドーピングタイプデータと導電性ドーピング濃度を含むステップと、
熱交換法と前記目標製造データにより目標導電性酸化ガリウム単結晶を製造するステップとを含む。
前記ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法において、前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定するステップは、
事前設定の製造データを獲得した後、前記事前設定の製造データに対して事前処理をすることにより事前処理及び事前設定の製造データを獲得するステップと、
前記事前処理及び事前設定の製造データをトレーニング済みニューラルネットワークモデルに入力した後、前記トレーニング済みニューラルネットワークモデルにより前記導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得するステップと、
前記予測プロパティーデータと前記目標プロパティーデータにより前記事前設定の製造データを修正することにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを獲得するステップとを含む。
事前設定の製造データを獲得した後、前記事前設定の製造データに対して事前処理をすることにより事前処理及び事前設定の製造データを獲得するステップと、
前記事前処理及び事前設定の製造データをトレーニング済みニューラルネットワークモデルに入力した後、前記トレーニング済みニューラルネットワークモデルにより前記導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得するステップと、
前記予測プロパティーデータと前記目標プロパティーデータにより前記事前設定の製造データを修正することにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを獲得するステップとを含む。
前記ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法において、下記ステップのトレーニングにより前記トレーニング済みニューラルネットワークモデルを獲得することができる。すなわち、
導電性酸化ガリウム単結晶のトレーニングデータと前記トレーニングデータに対応する実際のプロパティーデータを獲得するステップであって、前記トレーニングデータは、種晶トレーニングデータ、環境トレーニングデータ、制御トレーニングデータ及び原料トレーニングデータを含み、前記制御データは種晶冷却媒体流量のトレーニングデータを含み、前記原料トレーニングデータはドーピングタイプデータと導電性ドーピング濃度を含むステップと、
前記トレーニングデータを予め処理することにより事前処理トレーニングデータを獲得するステップと、
前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップであって、前記予測形成プロパティーデータは予測形成キャリア濃度を含むステップと、
前記予測形成プロパティーデータと前記実際のプロパティーデータにより前記事前設定ニューラルネットワークモデルのモデルパラメータを修正するステップとにより、トレーニング済みニューラルネットワークモデルを獲得することができる。
導電性酸化ガリウム単結晶のトレーニングデータと前記トレーニングデータに対応する実際のプロパティーデータを獲得するステップであって、前記トレーニングデータは、種晶トレーニングデータ、環境トレーニングデータ、制御トレーニングデータ及び原料トレーニングデータを含み、前記制御データは種晶冷却媒体流量のトレーニングデータを含み、前記原料トレーニングデータはドーピングタイプデータと導電性ドーピング濃度を含むステップと、
前記トレーニングデータを予め処理することにより事前処理トレーニングデータを獲得するステップと、
前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップであって、前記予測形成プロパティーデータは予測形成キャリア濃度を含むステップと、
前記予測形成プロパティーデータと前記実際のプロパティーデータにより前記事前設定ニューラルネットワークモデルのモデルパラメータを修正するステップとにより、トレーニング済みニューラルネットワークモデルを獲得することができる。
前記ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法において、前記事前設定ニューラルネットワークモデルは特徴抽出モジュールと完全接続モジュールを含み、
前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップは、
前記事前処理トレーニングデータを前記特徴抽出モジュールに入力した後、前記特徴抽出モジュールにより前記事前処理トレーニングデータに対応する特徴ベクトルを獲得するステップと、
前記特徴ベクトルを前記完全接続モジュールに入力した後、前記完全接続モジュールにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップとを含む。
前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップは、
前記事前処理トレーニングデータを前記特徴抽出モジュールに入力した後、前記特徴抽出モジュールにより前記事前処理トレーニングデータに対応する特徴ベクトルを獲得するステップと、
前記特徴ベクトルを前記完全接続モジュールに入力した後、前記完全接続モジュールにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップとを含む。
本発明のディープラーニングと熱交換法による導電性酸化ガリウムの製造システムにおいて、前記システムは記憶装置と処理装置を含み、前記記憶装置にはコンピュータプログラムが記憶されており、前記処理装置が前記コンピュータプログラムを実行することにより前記いずれか一項に記載される前記予測方法のステップまたは前記いずれか一項に記載される製造方法のステップを実施することができる。
従来技術と比較すると、本発明の事項により次のような発明の効果を奏することができる。本発明は、まず、製造データを予め処理することにより事前処理製造データを獲得する。次に、前記事前処理製造データをトレーニング済みニューラルネットワークモデルに入力した後、前記トレーニング済みニューラルネットワークモデルにより導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得し、トレーニング済みニューラルネットワークモデルにより導電性酸化ガリウムの性能を予測することができる。したがって、製造データを調節することにより所定のキャリア濃度を有している導電性酸化ガリウムを獲得することができる。
本発明の実施例または従来技術に係る技術的事項をより詳細に説明するため、以下、本発明の実施例または従来技術に係る図面を簡単に説明する。なお、下記図面は本発明の一部分の実施例にしか過ぎないものであるため、この技術分野の技術者は創造的な研究をしなくても下記図面により他の図面を想像することができ、そのような図面があっても本発明に含まれることは勿論である。
本発明の実施例に係るディープラーニングと熱交換法による導電性酸化ガリウムの予測方法を示す流れ図である。
本発明の実施例に係る結晶成長炉の構造を示す図である。
本発明の実施例に係る結晶が成長炉内に位置している位置と温度を示す図である。
この発明の実施例に係るディープラーニングと熱交換法による導電性酸化ガリウムの製造システムの内部構造を示す図である。
この技術分野の技術者に本発明の事項をより理解してもらうため、以下、本発明の実施例に係る図面により本発明の技術的事項をより詳細に説明する。なお、下記実施例は、本発明の例示にしか過ぎないものであり、本発明のすべての実施例を表すものでない。この技術分野の技術者は創造的な研究をしなくても下記実施例により他の実施例を想像することができ、そのような実施例があっても本発明に含まれることは勿論である。
図2に示すとおり、熱交換器で熱量を放出させることにより、結晶成長区域には下が冷たくかつ上が熱い縦方向の温度グラジェント(temperature gradient)が形成される。熱交換器内の気体流量を制御するとともに加熱パワーと冷却パワーを調節することにより温度グラジェントを制御する。それにより坩堝内の溶体は下から上に向く方向に徐々に凝固することにより結晶が形成される。
以下、図面により本発明の実施例を詳細に説明するが、下記実施例により本発明を限定する意図はない。
図1~図3を参照すると、それらの図面には本発明の実施例に係るディープラーニング(deep learning)と熱交換法(heat exchanger method)による導電性酸化ガリウム(Gallium oxide)の予測方法が示されている。前記予測方法は下記ステップを含む。
ステップS100において、導電性酸化ガリウム単結晶の製造データを獲得する。前記製造データは、種晶(seed crystal)データ、環境データ、制御データ及び原料データを含み、前記制御データは種晶冷却媒体流量を含み、前記原料データはドーピングタイプ(Doping type)データと導電性ドーピング(Conductive doping)濃度を含む。
具体的には、製造データは導電性酸化ガリウム単結晶の製造に用いられるデータである。導電性酸化ガリウム単結晶の製造データを獲得するステップにおいて、前記製造データは必要により設定される製造データである。例えば、所定の製造データにより所定の性能を有している導電性酸化ガリウム単結晶を獲得するとき、前記製造データを確定しかつ製造データを予め処理することにより事前処理製造データを獲得することができる。次に、前記事前処理製造データをトレーニング済みニューラルネットワークモデル(neural network model)に入力した後、トレーニング済みニューラルネットワークモデルにより予測プロパティーデータを獲得することができる。その場合、測定をしなくても、確定される製造データにより導電性酸化ガリウム単結晶のプロパティーデータを予測することができる。
製造データは、種晶データ、環境データ、制御データ及び原料データを含む。種晶データは導電性酸化ガリウム単結晶の製造過程に用いられる種晶のデータを指し、環境データは導電性酸化ガリウム単結晶の製造過程に単結晶が位置している環境のデータを指し、制御データは導電性酸化ガリウム単結晶の製造過程に結晶の成長を制御するデータを指す。原料データは導電性酸化ガリウム単結晶の製造過程に用いられる原料のデータを指し、導電性ドーピング濃度は酸化ガリウム中の導電性ドーパント(dopant)の濃度を指す。導電性ドーパントは、Si、Ge、Sn、Zr、Hf、In、Ta、Nb、V、W、Mo等を含む。ドーピングタイプデータはドーパントのタイプを表すデータである。種晶冷却媒体流量は坩堝(crucible)の底部の種晶の付近を冷却させる気体の流量を指す。
ステップS200において、前記製造データに対して事前処理をすることにより事前処理製造データを獲得する。
具体的には、製造データを獲得した後、製造データを予め処理することにより事前処理製造データを獲得する。事前処理製造データをトレーニング済みニューラルネットワークモデルに入力した後、トレーニング済みニューラルネットワークモデルにより事前処理製造データを処理する。
本発明の実施例において、前記製造データに対して事前処理をすることにより事前処理製造データを獲得するステップS200は下記ステップを含む。
ステップS210において、前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより事前処理製造データを獲得する。前記事前処理製造データは、前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより形成されるマトリックスである。
具体的には、制御データを獲得した後、制御データを予め処理することにより事前処理製造データを獲得する。制御データに含まれている複数のサブデータ(例えば、種晶データ、環境データ、制御データ及び原料データ)はサブデータ間に影響を与えるおそれがあるが、今の段階でサブデータ間に与える影響の程度を把握することができない。したがって、製造データを予め処理することにより、製造データ中の各サブデータを再び配列させ、事前処理製造データを獲得する必要がある。
本発明の実施例において、前記種晶データは、種晶の回折スパイク(Diffraction Spikes)の半値全幅(full width at half maximum)、種晶の回折スパイクの半値全幅の偏差値及び種晶直径を含む。前記環境データは、保温層の熱抵抗値(Thermal resistance value)、保温層の熱抵抗値の偏差値及び保温層の形状因子を含む。前記制御データはコイル入力パワーとコイル冷却パワーを含む。
具体的には、X線回折計(X-ray diffractometer)で種晶を測定することにより種晶の回折スパイクの半値全幅を獲得することができる。種晶の回折スパイクの半値全幅の偏差値は種晶の回折スパイクの半値全幅の直径方向の偏差値と種晶の回折スパイクの半値全幅の軸方向の偏差値を含む。直径方向は水平面に沿う方向を指し、軸方向は水平面の垂直方向に沿う方向を指す。すなわち、垂直方向の軸線を指す。種晶の回折スパイクの半値全幅の直径方向の偏差値を測定するとき、種晶の直径方向の両側において種晶の回折スパイクの半値全幅を測定した後、種晶の直径方向の両側に位置している2つの種晶の回折スパイクの半値全幅の偏差値を算出することにより、種晶の回折スパイクの半値全幅の直径方向の偏差値を獲得することができる。種晶の回折スパイクの半値全幅の軸方向の偏差値を測定するとき、種晶の軸方向の両側において種晶の回折スパイクの半値全幅を測定した後、種晶の軸方向の両側に位置している2つの種晶の回折スパイクの半値全幅の偏差値を算出することにより、種晶の回折スパイクの半値全幅の軸方向の偏差値を獲得することができる。
熱交換法で酸化ガリウムを製造するとき、冷却気体は下から上に流動することにより、坩堝の上方の温度は坩堝の下部の温度より高い。図2に示すとおり、冷却気体を坩堝の下部から吹き入れるとき、冷却気体は下から上に流動する。それにより坩堝内の酸化ガリウムの溶体は酸化ガリウム単結晶に成長することができる。坩堝1の底部は内径が逓減する先端部が形成され、種晶は坩堝1の先端部に位置している。結晶が成長するとき、坩堝の下部から冷却媒体を注入することにより、坩堝内の温度は下部から上部に向いて徐々に低下する。溶体3は、種晶が位置している坩堝1の底部において成長し、かつ結晶2に成長することができる。種晶は、坩堝1内の酸化ガリウムが完全に溶解するとき、坩堝1の先端部に位置することができる。坩堝1の先端部には冷却媒体輸送管が連結され、冷却媒体輸送管により冷却媒体を輸送することができる。種晶冷却媒体として水、気体、油を採用することができるが、気体を種晶冷却媒体として使用することが好ましい。
図2に示すとおり、誘導コイル4の外部には保温層が設けられ、保温層は温度を維持することに使用される。保温層の熱抵抗値は所定の時間内に所定の熱量が保温層を通過するとき保温層の両側に形成される温度差を指す。保温層の熱抵抗値が大きければ大きいほど、保温層が熱量の伝導を抵抗する能力がより大きく、保温層の保温の効果がより優れていることを意味する。
保温層の熱抵抗値の偏差値は保温層の直径方向の熱抵抗値の偏差値と保温層の軸方向の熱抵抗値の偏差値を含む。保温層の直径方向の熱抵抗値の偏差値は保温層の直径方向の両側において保温層の熱抵抗値を測定した後、保温層の直径方向の両側に位置している2つの保温層の熱抵抗値の偏差値を算出することにより、保温層の直径方向の熱抵抗値の偏差値を獲得することができる。保温層の軸方向の熱抵抗値の偏差値は保温層の軸方向の両側において保温層の熱抵抗値を測定した後、保温層の軸方向の両側に位置している2つの保温層の熱抵抗値の偏差値を算出することにより、保温層の軸方向の熱抵抗値の偏差値を獲得することができる。
保温層の形状因子は保温層の形状のサイズに関する数値を指す。例えば、円柱形の保温層を採用するとき、保温層の形状因子は保温層の直径と保温層の高さを含み、立方体の保温層を採用するとき、保温層の形状因子は、保温層の長さ、保温層の幅及び保温層の高さを含む。
コイル入力パワーは結晶が成長するとき誘導コイルに入力されるパワーを指し、コイル冷却パワーは冷却に対応するパワーを指す。誘導コイルとして中空のコイルを使用し、冷却をするとき誘導コイルに冷却媒体を注入することにより誘導コイルを冷却コイルに交換させ、冷却媒体が冷却コイルにおいて流動することにより冷却をすることができる。コイル冷却パワーは冷却媒体のタイプと冷却媒体の流量により確定される。冷却媒体のタイプは、水、油、気体であってもよく、冷却媒体の流量は冷却媒体の流速と冷却コイルの直径により確定される。種晶冷却液体流量は冷却を実施するときの冷却液体の流量を指す。
本発明の実施例において、前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより事前処理製造データを獲得する前記ステップS210は下記ステップを含む。
ステップS211において、前記種晶データ、前記環境データ及び前記制御データによりプレパレーションベクター(Preparation vector)を確定する。前記プレパレーションベクター中の第一の要素は、前記種晶の回折スパイクの半値全幅、前記種晶の回折スパイクの半値全幅の偏差値及び前記種晶直径のうちいずれか1つであり、前記プレパレーションベクター中の第二の要素は、前記保温層の熱抵抗値、前記保温層の熱抵抗値の偏差値及び前記保温層の形状因子のうちいずれか1つであり、前記プレパレーションベクター中の第三の要素は、前記コイル入力パワー、前記コイル冷却パワー及び前記種晶冷却媒体流量のうちいずれか1つであり、前記プレパレーションベクター中の第四の要素は前記ドーピングタイプデータと前記導電性ドーピング濃度のうちいずれか1つである。
ステップS212において、前記プレパレーションベクターにより前記事前処理製造データを確定する。
具体的には、種晶データA、環境データB、制御データC及び原料データDによりプレパレーションベクター(A、B、C、D)を確定する。種晶データAは、種晶の回折スパイクの半値全幅A1、種晶の回折スパイクの半値全幅の偏差値A2及び前記種晶直径A3において選択するものである。制御データCは、コイル入力パワーC1、コイル冷却パワーC2及び種晶冷却媒体流量C3において選択するものである。原料データDはドーピングタイプデータD1と導電性ドーピング濃度D2において選択するものである。つまり、プレパレーションベクター(A、B、C、D)中のAは、A1、A2、A3のうちいずれか1つであり、Bは、B1、B2、B3のうちいずれか1つであり、Cは、C1、C2、C3のうちいずれか1つであり、Dは、D1、D2のうちいずれか1つである。それらにより54個のプレパレーションベクターを形成することができる。
すべてのプレパレーションベクターを番号の順番に配列させることによりマトリックスを形成し、それにより事前処理製造データを獲得する。
具体的には、事前処理製造データは次のとおりである。
他の配列方式を採用することにより事前処理製造データを獲得することができる。
ステップS300において、前記事前処理製造データをトレーニング済みニューラルネットワークモデルに入力した後、前記トレーニング済みニューラルネットワークモデルにより前記導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得する。前記予測プロパティーデータは予測キャリア濃度を含む。
前記予測プロパティーデータは、予測クラックデータ(Crack data)、予測ヘテロ結晶データ(Heterocrystal data)、予測回折スパイクの半値全幅、予測回折スパイクの半値全幅の直径方向の偏差値、予測回折スパイクの半値全幅の軸方向の偏差値、予測キャリア濃度の直径方向の偏差値及び予測キャリア濃度の軸方向の偏差値を含む。
クラックデータはクラックのレベルを表すデータであり、予測クラックデータはクラックのレベルを予測するデータである。クラックは複数のレベルを含むことができる。例えば、クラックのレベルが3つである場合、クラックデータは、1、2及び3を含むことができる。
ヘテロ結晶データはヘテロ結晶のレベルを表すデータであり、予測ヘテロ結晶データはヘテロ結晶のレベルを予測するデータである。ヘテロ結晶は複数のレベルを含むことができる。例えば、ヘテロ結晶のレベルが3つである場合、ヘテロ結晶データは、1、2及び3を含むことができる。
予測回折スパイクの半値全幅は予測する回折スパイクの半値全幅を指し、予測回折スパイクの半値全幅の直径方向の偏差値は直径方向の両側の回折スパイクの半値全幅の予測偏差値を指し、予測回折スパイクの半値全幅の軸方向の偏差値は軸方向の両側の回折スパイクの半値全幅の予測偏差値を指す。
事前処理製造データをトレーニング済みニューラルネットワークモデルに入力した後、トレーニング済みニューラルネットワークモデルにより予測プロパティーデータを獲得することができる。なお、予測プロパティーデータは1つまたは複数であってもよい。例えば、予測プロパティーデータは予測プロパティーデータのみを含むことができる。
本発明の実施例において、下記ステップのトレーニングにより前記トレーニング済みニューラルネットワークモデルを獲得することができる。
ステップA100において、導電性酸化ガリウム単結晶のトレーニングデータと前記トレーニングデータに対応する実際のプロパティーデータを獲得する。前記トレーニングデータは、種晶トレーニングデータ、環境トレーニングデータ、制御トレーニングデータ及び原料トレーニングデータを含み、前記原料トレーニングデータはドーピングタイプデータと導電性ドーピング濃度を含む。
具体的には、トレーニングデータは導電性酸化ガリウム単結晶の製造とトレーニングに用いられるデータを指し、実際のプロパティーデータは製造された導電性酸化ガリウム単結晶の実際のプロパティーを表すデータである。トレーニングデータと実際のプロパティーデータによりトレーニングセット(Training set)を形成し、トレーニングセットにより事前設定ニューラルネットワークモデルをトレーニングすることによりトレーニング済みニューラルネットワークモデルを獲得することができる。前記制御データはコイル入力パワーとコイル冷却パワーを含む。前記種晶トレーニングデータは、種晶の回折スパイクの半値全幅トレーニングデータ、種晶の回折スパイクの半値全幅の偏差値トレーニングデータ及び種晶直径トレーニングデータを含む。前記環境トレーニングデータは、保温層の熱抵抗値トレーニングデータ、保温層の熱抵抗値の偏差値トレーニングデータ及び保温層の形状因子トレーニングデータを含む。前記制御トレーニングデータは種晶冷却媒体流量を含み、前記制御トレーニングデータはコイル入力パワートレーニングデータとコイル冷却パワートレーニングデータを更に含むことができる。前記原料トレーニングデータはドーピングタイプトレーニングデータと導電性ドーピング濃度トレーニングデータを含む。前記実際のプロパティーデータは実際のキャリア濃度を含む。前記実際のプロパティーデータは、実際のクラックデータ、実際のヘテロ結晶データ、実際の回折スパイクの半値全幅、実際の回折スパイクの半値全幅の直径方向の偏差値、実際の回折スパイクの半値全幅の軸方向の偏差値、実際のキャリア濃度の直径方向の偏差値及び実際のキャリア濃度の軸方向の偏差値を更に含むことができる。
トレーニングデータと実際のプロパティーデータによりトレーニングセットを形成し、前記トレーニングセットにより事前設定ニューラルネットワークモデルをトレーニングすることによりトレーニング済みニューラルネットワークモデルを獲得することができる。
コレクトデータ(collect data)によりトレーニングセットを獲得するとき、熱交換法により導電性酸化ガリウム単結晶を製造し、かつ製造される導電性酸化ガリウム単結晶のデータをトレーニングデータとする。導電性酸化ガリウム単結晶を獲得した後、導電性酸化ガリウム単結晶のプロパティーを分析することにより実際のプロパティーデータを獲得する。ニューラルネットワークモデルのトレーニングを容易に実施するため、より多いデータを採集してトレーニングセットを形成することができる。
ステップA200において、前記トレーニングデータを予め処理することにより事前処理トレーニングデータを獲得する。
具体的には、トレーニングデータを獲得した後、トレーニングデータに対して事前処理をすることにより事前処理トレーニングデータを獲得する。事前処理の過程はステップS200を参照することができる。
ステップA300において、前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得する。前記予測形成プロパティーデータは予測形成キャリア濃度を含む。
具体的には、事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、事前設定ニューラルネットワークモデルにより予測形成プロパティーデータを獲得する。前記予測形成プロパティーデータは、予測形成クラックデータ、予測形成ヘテロ結晶データ、予測形成回折スパイクの半値全幅、予測形成回折スパイクの半値全幅の直径方向の偏差値、予測形成回折スパイクの半値全幅の軸方向の偏差値、予測形成キャリア濃度の直径方向の偏差値及び予測形成キャリア濃度の軸方向の偏差値を更に含む。
ステップA400において、前記予測形成プロパティーデータと前記実際のプロパティーデータにより前記事前設定ニューラルネットワークモデルのモデルパラメータ(Model parameter)を修正することにより、トレーニング済みニューラルネットワークモデルを獲得する。
具体的には、前記予測形成プロパティーデータと前記実際のプロパティーデータにより前記事前設定ニューラルネットワークモデルのモデルパラメータを修正し、かつ前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力するステップを実施し続ける。前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップ(すなわち、ステップA300)を実施し、かつ事前設定トレーニング条件(Training conditions)を満たすまで前記ステップを繰り返すことにより、トレーニング済みニューラルネットワークモデルを獲得することができる。
具体的には、前記予測形成プロパティーデータと前記実際のプロパティーデータにより前記事前設定ニューラルネットワークモデルのモデルパラメータを修正し、かつ前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力するステップを実施し続ける。前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップを実施し、かつ事前設定トレーニング条件を満たすまで前記ステップを繰り返すことにより、トレーニング済みニューラルネットワークモデルを獲得する。つまり、前記事前設定ニューラルネットワークモデルが事前設定トレーニング条件を満たすと、トレーニング済みニューラルネットワークモデルを獲得することができる。前記事前設定ニューラルネットワークモデルが事前設定トレーニング条件を満たさないと、ステップA300に戻って、前記事前設定ニューラルネットワークモデルが事前設定トレーニング条件を満たすまで前記ステップを繰り返すことにより、トレーニング済みニューラルネットワークモデルを獲得する。
本発明の実施例において、前記予測形成プロパティーデータと前記実際のプロパティーデータにより前記事前設定ニューラルネットワークモデルの損失関数値(function value)を確定し、前記損失関数値により前記事前設定ニューラルネットワークモデルのモデルパラメータを修正する。具体的には、グラジェント方法により前記事前設定ニューラルネットワークモデルのパラメータを修正する。前記事前設定ニューラルネットワークモデルの損失関数値を確定した後、前記損失関数値により事前設定ニューラルネットワークモデルのパラメータのグラジェント、前記事前設定ニューラルネットワークモデルのパラメータ及び事前設定トレーニング頻度を確定し、それらにより前記事前設定ニューラルネットワークモデルの修正後のパラメータを確定する。
前記事前設定トレーニング条件は損失関数(loss function)が第一事前設定要求を満たすこと、および/または、前記事前設定ニューラルネットワークモデルのトレーニング回数が第一事前設定回数に達することを含む。
前記第一事前設定要求は前記事前設定ニューラルネットワークモデルの精度と効率により確定される。例えば、前記事前設定要求は前記事前設定ニューラルネットワークモデルの損失関数が最小値に達するか、それ以上変化しない。前記第一事前設定回数は前記事前設定ニューラルネットワークモデルの最大トレーニング回数であり、前記最大トレーニング回数は、例えば、4000回等であってもよい。
事前設定ニューラルネットワークモデルの損失関数は、平均二乗誤差(mean-square error)、自乗平均誤差(Root Mean Squared Error)、平均絶対偏差(Mean Absolute Deviation)等を含む。
本発明の実施例において、前記事前設定ニューラルネットワークモデルは特徴抽出モジュール(Feature extraction module)と完全接続モジュール(Fully connected module)を含む。
例えば、事前設定ニューラルネットワークモデルは、第一畳み込み(Convolutional)ユニット、第二畳み込みユニット、第三畳み込みユニット、第四畳み込みユニット及び完全接続ユニットを含むことができる。具体的には、第一畳み込みユニットは2つの畳み込み層(Convolutional layer)と1つのプーリング層(pooling layer)を含み、第二畳み込みユニット、第三畳み込みユニット及び第四畳み込みユニットはいずれも、3つの畳み込み層と1つのプーリング層を含み、完全接続ユニットは3つの完全接続層を含む。
畳み込み層と完全接続層は入力されるデータのマッピング(mapping)と変換を担当する。その過程において、畳み込み層と完全接続層は、ウエートバリュー(weight value)とオフセット(offsets)等のパラメーターを用い、かつアクティベーションファンクション(Activation Function)も用いる。プーリング層は変化しない関数操作である。具体的には、畳み込み層は特徴を抽出する役割をする。プーリング層は入力される特徴に対してプーリング操作をすることによりそのスペースのサイズを変化させる。完全接続層は前の層中のすべてのデータを接続させる役割をする。
前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得する前記ステップA300は下記ステップを含む。
ステップA310において、前記事前処理トレーニングデータを前記特徴抽出モジュールに入力した後、前記特徴抽出モジュールにより前記事前処理トレーニングデータに対応する特徴ベクトルを獲得する。
ステップA320において、前記特徴ベクトルを前記完全接続モジュールに入力した後、前記完全接続モジュールにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得する。
具体的には、前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデル中の前記特徴抽出モジュールにより前記事前処理トレーニングデータに対応する特徴ベクトルを出力し、かつ前記特徴ベクトルを事前トレーニングモデル中の完全接続モジュールに入力することにより、前記完全接続モジュールが出力しかつ前記事前処理トレーニングデータに対応する予測形成プロパティーデータを形成する。
他の実施例において、前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデル中の前記特徴抽出モジュールにより前記事前処理トレーニングデータに対応する特徴ベクトルを出力し、かつ前記特徴ベクトルを事前トレーニングモデル中の完全接続モジュールに入力することにより、前記完全接続モジュールが出力しかつ前記事前処理トレーニングデータに対応する予測形成プロパティーデータを形成することもできる。
本発明は前記ディープラーニングと熱交換法による導電性酸化ガリウムの予測方法によりディープラーニングと熱交換法による導電性酸化ガリウムの製造方法を提供し、前記製造方法は下記ステップを含む。
ステップB100において、目標導電性酸化ガリウム単結晶の目標プロパティーデータを獲得する。前記目標プロパティーデータは目標キャリア濃度を含む。
具体的には、目標導電性酸化ガリウム単結晶を獲得するとき、まず目標導電性酸化ガリウム単結晶の目標プロパティーデータを確定することができる。すなわち、獲得しようとする導電性酸化ガリウム単結晶のプロパティーデータを確定する。まず目標導電性酸化ガリウム単結晶の目標プロパティーデータを確定することもできる。すなわち、獲得しようとする導電性酸化ガリウム単結晶のプロパティーデータを確定する。前記目標プロパティーデータは、目標クラックデータ、目標ヘテロ結晶データ、目標回折スパイクの半値全幅、目標回折スパイクの半値全幅の直径方向の偏差値、目標回折スパイクの半値全幅の軸方向の偏差値、目標キャリア濃度の直径方向の偏差値及び目標キャリア濃度の軸方向の偏差値を更に含むことができる。
ステップB200において、前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定する。前記目標製造データは、種晶データ、環境データ、制御データ及び原料データを含み、前記原料データはドーピングタイプデータと導電性ドーピング濃度を含む。
具体的には、前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定する。他の実施例において、前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定することもできる。なお、異なる製造データにより同様のプロパティーデータを獲得することができる。したがって、前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定するとき、確定される目標製造データは唯一のものでなく、複数の目標製造データ中の各データを制御する難易度により1つの目標製造データを確定することができ、それにより目標導電性酸化ガリウム単結晶を容易に獲得することができる。
本発明の実施例において、前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定する前記ステップB200は下記ステップを含む。
ステップB210において、事前設定の製造データを獲得した後、前記事前設定の製造データに対して事前処理をすることにより事前処理及び事前設定の製造データを獲得する。
ステップB220において、前記事前処理及び事前設定の製造データをトレーニング済みニューラルネットワークモデルに入力した後、前記トレーニング済みニューラルネットワークモデルにより前記導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得する。
ステップS230において、前記予測プロパティーデータと前記目標プロパティーデータにより前記事前設定の製造データを修正することにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを獲得する。
具体的には、まず、製造データを予め設定した後、前記事前設定の製造データに対して事前処理をすることにより事前処理及び事前設定の製造データを獲得する。具体的な処理の過程はステップS200を参照することができる。事前設定の製造データをトレーニング済みニューラルネットワークモデルに入力することにより予測プロパティーデータを獲得することができる。次に、前記予測プロパティーデータと前記目標プロパティーデータにより前記事前設定の製造データを修正し、前記予測プロパティーデータと前記目標プロパティーデータの差が事前設定閾値より小さいと、前記修正後の事前設定の製造データを目標製造データにすることができる。前記事前設定の製造データを修正するとき、自動で修正するか或いは手動で修正することができる。前記予測プロパティーデータと前記目標プロパティーデータにより前記損失関数を確定することもできる。その場合、前記損失関数により前記事前設定の製造データを修正し、前記損失関数が事前設定修正条件を満たすと、前記事前設定の製造データを目標製造データにすることができる。事前設定修正条件は損失関数が第二事前設定要求を満たすこと、および/または、前記事前設定の製造データの修正回数が第二事前設定回数に達することを含む。
前記事前設定の製造データは、事前設定の種晶データ、事前設定の環境データ、事前設定の制御データ及び事前設定の原料データを含み、前記事前設定の種晶データは、事前設定の種晶の回折スパイクの半値全幅、事前設定の種晶の回折スパイクの半値全幅の偏差値及び事前設定の種晶直径を含み、前記事前設定の環境データは、事前設定の保温層の熱抵抗値、事前設定の保温層の熱抵抗値の偏差値及び事前設定の保温層の形状因子を含み、前記事前設定の制御データは、事前設定のコイル入力パワー、事前設定のコイル冷却パワー及び事前設定の種晶冷却媒体流量を含む。前記事前設定の原料データは事前設定のドーピングタイプデータと事前設定の導電性ドーピング濃度を含む。
ステップB300において、熱交換法と前記目標製造データにより目標導電性酸化ガリウム単結晶を製造する。
具体的には、目標製造データを獲得した後、熱交換法と前記目標製造データにより目標導電性酸化ガリウム単結晶を製造する。
前記予測方法または前記製造方法に基づいて、本発明はディープラーニングと熱交換法による導電性酸化ガリウムの製造システムを提供する。前記システムはコンピュータ装置であってもよく、前記コンピュータ装置の内部構造は図4に示すとおりである。前記システムは、システムバスによって接続される処理装置、記憶装置、ケーブルインタフェース(cable interface)、表示パネル及び入力装置を含む。前記システムの処理装置は計算と制御を担当する。前記システムの記憶装置は不揮発性記憶装置(nonvolatile memory unit)と内部メモリ(internal memory)を含む。前記不揮発性記憶装置にはオペレーティングシステム(operating system)とコンピュータプログラムが記憶されている。前記内部メモリは不揮発性記憶装置中のオペレーティングシステムとコンピュータプログラムが実行されることをサポートする。ネットワークにより外部の端末を前記システムのケーブルインタフェースに通信可能に接続させることができる。前記コンピュータプログラムが処理装置によって実行されることにより、ディープラーニングと熱交換法による導電性酸化ガリウムの予測方法またはディープラーニングと熱交換法による導電性酸化ガリウムの製造方法を実施することができる。前記システムの表示パネルは液晶表示パネルまたは電子インクスクリーン(e-ink screen)であってもよい。前記システムの入力装置は表示パネル上に設けられるタッチ層であるか或いはシステムのケース上に設けられるキーボード、トラックボール(track ball)またはタッチパッド(touch pad)であるか或いはシステムの外部に接続されるキーボード、タッチパッドまたはマウスであってもよい。
この技術分野の技術者が理解できるように、図4には本発明の実施例に係るシステムの一部分の構造のみが示されており、図4の構造は本発明の例示にしか過ぎないものであるため、本発明は図4のシステムにのみ限定されるものでない。本発明のシステムは、図面に示されている部品より多い部品または少ない部品を含むか或いは所定の部品の組合せを含むことができ、かつ図面中の部品を他の方式に配列することもできる。
本発明の実施例において、ディープラーニングと熱交換法による導電性酸化ガリウムの製造システムを提供する。そのディープラーニングと熱交換法による導電性酸化ガリウムの製造システムは記憶装置と処理装置を含む。前記記憶装置にはコンピュータプログラムが記憶されており、前記処理装置が前記コンピュータプログラムを実行することにより前記予測方法のステップまたは製造方法のステップを実施することができる。
前記実施例の各技術的特徴を自由に組み合わせることができるが、説明を簡単にするため、各技術的特徴の可能なすべての組合せを記載していない。前記実施例の各技術的特徴を組み合わせても矛盾が生じない場合、そのような技術的特徴の組合せは本発明に含まれるものとみなされる。
Claims (10)
- ディープラーニングと熱交換法による導電性酸化ガリウムの予測方法であって、前記予測方法は、
導電性酸化ガリウム単結晶の製造データを獲得するステップであって、前記製造データは、種晶データ、環境データ、制御データ及び原料データを含み、前記制御データは種晶冷却媒体流量を含み、前記原料データはドーピングタイプデータと導電性ドーピング濃度を含むステップと、
前記製造データを予め処理することにより事前処理製造データを獲得するステップと、
前記事前処理製造データをトレーニング済みニューラルネットワークモデルに入力した後、前記トレーニング済みニューラルネットワークモデルにより前記導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得するステップであって、前記予測プロパティーデータは予測キャリア濃度を含むステップとを含むことを特徴とするディープラーニングと熱交換法による導電性酸化ガリウムの予測方法。 - 前記製造データを予め処理することにより事前処理製造データを獲得する前記ステップは、
前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより事前処理製造データを獲得するステップであって、前記事前処理製造データは、前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより形成されるマトリックスであるステップを含むことを特徴とする請求項1に記載のディープラーニングと熱交換法による導電性酸化ガリウムの予測方法。 - 前記種晶データは、種晶の回折スパイクの半値全幅、種晶の回折スパイクの半値全幅の偏差値及び種晶直径を含み、
前記環境データは、保温層の熱抵抗値、保温層の熱抵抗値の偏差値及び保温層の形状因子を含み、
前記制御データはコイル入力パワーとコイル冷却パワーを含むことを特徴とする請求項2に記載のディープラーニングと熱交換法による導電性酸化ガリウムの予測方法。 - 前記種晶データ、前記環境データ、前記制御データ及び前記原料データにより事前処理製造データを獲得するステップは、
前記種晶データ、前記環境データ及び前記制御データによりプレパレーションベクターを確定するステップであって、前記プレパレーションベクター中の第一の要素は、前記種晶の回折スパイクの半値全幅、前記種晶の回折スパイクの半値全幅の偏差値及び前記種晶直径のうちいずれか1つであり、前記プレパレーションベクター中の第二の要素は、前記保温層の熱抵抗値、前記保温層の熱抵抗値の偏差値及び前記保温層の形状因子のうちいずれか1つであり、前記プレパレーションベクター中の第三の要素は、前記コイル入力パワー、前記コイル冷却パワー及び前記種晶冷却媒体流量のうちいずれか1つであり、前記プレパレーションベクター中の第四の要素は前記ドーピングタイプデータと前記導電性ドーピング濃度のうちいずれか1つであるステップと、
前記プレパレーションベクターにより前記事前処理製造データを確定するステップとを含むことを特徴とする請求項3に記載のディープラーニングと熱交換法による導電性酸化ガリウムの予測方法。 - 前記予測プロパティーデータは、予測クラックデータ、予測ヘテロ結晶データ、予測回折スパイクの半値全幅、予測回折スパイクの半値全幅の直径方向の偏差値、予測回折スパイクの半値全幅の軸方向の偏差値、予測キャリア濃度、予測キャリア濃度の直径方向の偏差値及び予測キャリア濃度の軸方向の偏差値を含むことを特徴とする請求項1に記載のディープラーニングと熱交換法による導電性酸化ガリウムの予測方法。
- ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法であって、前記製造方法は、
目標導電性酸化ガリウム単結晶の目標プロパティーデータを獲得するステップであって、前記目標プロパティーデータは目標キャリア濃度を含むステップと、
前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定するステップであって、前記目標製造データは、種晶データ、環境データ、制御データ及び原料データを含み、前記制御データは種晶冷却媒体流量を含み、前記原料データはドーピングタイプデータと導電性ドーピング濃度を含むステップと、
熱交換法と前記目標製造データにより目標導電性酸化ガリウム単結晶を製造するステップとを含むことを特徴とするディープラーニングと熱交換法による導電性酸化ガリウムの製造方法。 - 前記目標プロパティーデータとトレーニング済みニューラルネットワークモデルにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを確定するステップは、
事前設定の製造データを獲得した後、前記事前設定の製造データに対して事前処理をすることにより事前処理及び事前設定の製造データを獲得するステップと、
前記事前処理及び事前設定の製造データをトレーニング済みニューラルネットワークモデルに入力した後、前記トレーニング済みニューラルネットワークモデルにより前記導電性酸化ガリウム単結晶に対応する予測プロパティーデータを獲得するステップと、
前記予測プロパティーデータと前記目標プロパティーデータにより前記事前設定の製造データを修正することにより前記目標導電性酸化ガリウム単結晶に対応する目標製造データを獲得するステップとを含むことを特徴とする請求項6に記載のディープラーニングと熱交換法による導電性酸化ガリウムの製造方法。 - 前記トレーニング済みニューラルネットワークモデルは、
導電性酸化ガリウム単結晶のトレーニングデータと前記トレーニングデータに対応する実際のプロパティーデータを獲得するステップであって、前記トレーニングデータは、種晶トレーニングデータ、環境トレーニングデータ、制御トレーニングデータ及び原料トレーニングデータを含み、前記制御データは種晶冷却媒体流量のトレーニングデータを含み、前記原料トレーニングデータはドーピングタイプデータと導電性ドーピング濃度を含むステップと、
前記トレーニングデータを予め処理することにより事前処理トレーニングデータを獲得するステップと、
前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップであって、前記予測形成プロパティーデータは予測形成キャリア濃度を含むステップと、
前記予測形成プロパティーデータと前記実際のプロパティーデータにより前記事前設定ニューラルネットワークモデルのモデルパラメータを修正するステップとにより獲得するものであることを特徴とする請求項6に記載のディープラーニングと熱交換法による導電性酸化ガリウムの製造方法。 - 前記事前設定ニューラルネットワークモデルは特徴抽出モジュールと完全接続モジュールを含み、
前記事前処理トレーニングデータを事前設定ニューラルネットワークモデルに入力した後、前記事前設定ニューラルネットワークモデルにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップは、
前記事前処理トレーニングデータを前記特徴抽出モジュールに入力した後、前記特徴抽出モジュールにより前記事前処理トレーニングデータに対応する特徴ベクトルを獲得するステップと、
前記特徴ベクトルを前記完全接続モジュールに入力した後、前記完全接続モジュールにより前記事前処理トレーニングデータに対応する予測形成プロパティーデータを獲得するステップとを含むことを特徴とする請求項8に記載のディープラーニングと熱交換法による導電性酸化ガリウムの製造方法。 - 記憶装置と処理装置を含み、前記記憶装置にはコンピュータプログラムが記憶されているディープラーニングと熱交換法による導電性酸化ガリウムの製造システムであって、前記処理装置が前記コンピュータプログラムを実行することにより請求項1~5のうちいずれか一項に記載されている予測方法のステップまたは請求項6~9のうちいずれか一項に記載される製造方法のステップを実施することを特徴とするディープラーニングと熱交換法による導電性酸化ガリウムの製造システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641376.2 | 2020-12-31 | ||
CN202011641376.2A CN112853468A (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习和热交换法的导电型氧化镓制备方法 |
PCT/CN2021/076073 WO2022141766A1 (zh) | 2020-12-31 | 2021-02-08 | 一种基于深度学习和热交换法的导电型氧化镓制备方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023547495A true JP2023547495A (ja) | 2023-11-10 |
Family
ID=76000791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023526453A Pending JP2023547495A (ja) | 2020-12-31 | 2021-02-08 | ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230399768A1 (ja) |
EP (1) | EP4206990A4 (ja) |
JP (1) | JP2023547495A (ja) |
CN (1) | CN112853468A (ja) |
WO (1) | WO2022141766A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114561701B (zh) * | 2021-06-07 | 2022-08-19 | 浙江大学杭州国际科创中心 | 一种铸造法生长氧化镓单晶的方法及包含氧化镓单晶的半导体器件 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4611103B2 (ja) * | 2005-05-09 | 2011-01-12 | 株式会社光波 | β−Ga2O3結晶の製造方法 |
JP6376600B2 (ja) * | 2015-03-20 | 2018-08-22 | 株式会社タムラ製作所 | 結晶積層構造体の製造方法 |
CN105603528B (zh) * | 2016-03-04 | 2018-07-27 | 同济大学 | 一种具有热释光性能的氧化镓晶体及其制备方法 |
CN107541776A (zh) * | 2017-08-14 | 2018-01-05 | 同济大学 | 一种大尺寸氧化镓单晶的生长设备及方法 |
CN107885853A (zh) * | 2017-11-14 | 2018-04-06 | 同济大学 | 一种基于深度学习的组合式文本分类方法 |
CN109537055A (zh) * | 2019-01-28 | 2019-03-29 | 山东大学 | 一种半绝缘氧化镓晶体及其制备方法 |
CN111028893B (zh) * | 2019-10-28 | 2023-09-26 | 山东天岳先进科技股份有限公司 | 一种晶体生长预测方法及装置 |
CN111368434B (zh) * | 2020-03-05 | 2023-05-12 | 包头美科硅能源有限公司 | 一种基于ann的提拉法单晶硅固液界面的预测方法 |
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 |
-
2020
- 2020-12-31 CN CN202011641376.2A patent/CN112853468A/zh active Pending
-
2021
- 2021-02-08 JP JP2023526453A patent/JP2023547495A/ja active Pending
- 2021-02-08 US US18/250,262 patent/US20230399768A1/en active Pending
- 2021-02-08 EP EP21912538.2A patent/EP4206990A4/en active Pending
- 2021-02-08 WO PCT/CN2021/076073 patent/WO2022141766A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN112853468A (zh) | 2021-05-28 |
EP4206990A1 (en) | 2023-07-05 |
US20230399768A1 (en) | 2023-12-14 |
WO2022141766A1 (zh) | 2022-07-07 |
EP4206990A4 (en) | 2024-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695287B (zh) | 一种预测SiC单晶炉内整体温度场的方法及设备 | |
JP2023547495A (ja) | ディープラーニングと熱交換法による導電性酸化ガリウムの製造方法 | |
JP7478819B2 (ja) | ディープラーニング及びefgテクニック方法による高抵抗型酸化ガリウムの品質予測方法、製造方法及びそのシステム | |
JP7479462B2 (ja) | ディープラーニング及びチョクラルスキー法による高抵抗型酸化ガリウムの品質予測方法、製造方法及びそのシステム | |
JP7479463B2 (ja) | ディープラーニング及びチョクラルスキー法による導電型酸化ガリウムの品質予測方法、製造方法及びそのシステム | |
JP7478817B2 (ja) | ディープラーニング及びブリッジマン法による高抵抗型酸化ガリウムの製造方法 | |
JP2023547931A (ja) | ディープラーニングと熱交換法による高抵抗型酸化ガリウムの製造方法 | |
WO2022141756A1 (zh) | 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 | |
JP7478818B2 (ja) | ディープラーニング及びブリッジマン法による導電型酸化ガリウムの製造方法 | |
JP7478815B2 (ja) | ディープラーニング及びefgテクニック方法による導電型酸化ガリウムの品質予測方法、製造方法及びそのシステム | |
WO2022141750A1 (zh) | 一种基于深度学习和热交换法的氧化镓制备方法及系统 | |
CN114117675A (zh) | 一种操动机构温湿度场数值仿真方法及系统 | |
JPWO2022141758A5 (ja) | ||
JPWO2022141752A5 (ja) | ||
Anand et al. | Deep Learning Framework for Design and Optimization of Rotor Blades | |
WO2022141759A1 (zh) | 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 | |
Liu et al. | Numerical simulation of non‐isothermal phase change problem using ADRBEM with augmented items |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230428 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240313 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240402 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240628 |