JP7478819B2 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP7478819B2 JP7478819B2 JP2022520490A JP2022520490A JP7478819B2 JP 7478819 B2 JP7478819 B2 JP 7478819B2 JP 2022520490 A JP2022520490 A JP 2022520490A JP 2022520490 A JP2022520490 A JP 2022520490A JP 7478819 B2 JP7478819 B2 JP 7478819B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- preparation
- gallium oxide
- training
- predicted
- 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
- 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 description 148
- 229910001195 gallium oxide Inorganic materials 0.000 title claims description 148
- 238000000034 method Methods 0.000 title claims description 142
- 238000004519 manufacturing process Methods 0.000 title claims description 46
- 238000013135 deep learning Methods 0.000 title claims description 32
- 239000013078 crystal Substances 0.000 claims description 310
- 238000002360 preparation method Methods 0.000 claims description 155
- 238000012549 training Methods 0.000 claims description 136
- 238000003062 neural network model Methods 0.000 claims description 100
- 239000012535 impurity Substances 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 40
- 238000010438 heat treatment Methods 0.000 claims description 31
- 230000015572 biosynthetic process Effects 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 27
- 230000006698 induction Effects 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000001816 cooling Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008602 contraction Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 229910052782 aluminium Inorganic materials 0.000 claims description 4
- 229910052791 calcium Inorganic materials 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 229910052749 magnesium Inorganic materials 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 229910052759 nickel Inorganic materials 0.000 claims description 4
- 229910052719 titanium Inorganic materials 0.000 claims description 4
- 229910052725 zinc Inorganic materials 0.000 claims description 4
- 241001632422 Radiola linoides Species 0.000 claims 1
- 238000005231 Edge Defined Film Fed Growth Methods 0.000 description 48
- 238000009413 insulation Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 229910005191 Ga 2 O 3 Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- QZQVBEXLDFYHSR-UHFFFAOYSA-N gallium(III) oxide Inorganic materials O=[Ga]O[Ga]=O QZQVBEXLDFYHSR-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052741 iridium Inorganic materials 0.000 description 1
- GKOZUEZYRPOHIO-UHFFFAOYSA-N iridium atom Chemical compound [Ir] GKOZUEZYRPOHIO-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000000825 ultraviolet detection Methods 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
- C30B15/34—Edge-defined film-fed crystal-growth using dies or slits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- 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
- C30B15/20—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
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0095—Semiconductive materials
-
- 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
- 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
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Inorganic Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Description
本発明の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は、EFGテクニック方法で高抵抗型酸化ガリウム単結晶を製造するプレパレーションデータを獲得するステップであって、前記プレパレーションデータは、種晶データ、環境データ及び制御データを含み、前記環境データは不純物元素濃度及び不純物元素種類を含むステップと、
前記プレパレーションデータに対して予め処理をすることにより予め処理プレパレーションデータを獲得するステップと、
前記予め処理プレパレーション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高抵抗型酸化ガリウム単結晶に対応する予測品質データを獲得するステップであって、前記予測品質データは予測抵抗値を含むステップと、を含む。
前記環境データは、上部保温カバーの熱抵抗、上部保温カバーの熱抵抗の誤差、結晶育成通路の形状因子、結晶育成観察孔の形状因子、下部保温カバーの熱抵抗、下部保温カバーの熱抵抗の誤差、ルツボと誘導コイルの相対的な高さ、加熱部と誘導コイルの相対的な高さ、金型開口隙間の幅、金型開口隙間の深さを含み、
前記制御データは、加熱パワー、冷却パワー、雰囲気気体の種類、キャビティ内の圧力、気体流量、シードクリスタルロッドの引き上げ速度を含む。
前記種晶データ、環境データ及び制御データによりプレパレーションベクトルを確定するステップと、
前記プレパレーションベクトルにより前記予め処理プレパレーションデータを確定するステップと、を含み、
前記プレパレーションベクトル中の第一元素は、前記種晶回折ピークの半値幅、種晶回折ピークの半値幅の誤差、種晶の厚さ及び種晶の幅のうちいずれか1個であり、前記プレパレーションベクトル中の第二元素は、前記上部保温カバーの熱抵抗、上部保温カバーの熱抵抗の誤差、結晶育成通路の形状因子、結晶育成観察孔の形状因子、下部保温カバーの熱抵抗、下部保温カバーの熱抵抗の誤差、ルツボと誘導コイルの相対的な高さ、加熱部と誘導コイルの相対的な高さ、金型開口隙間の幅、金型開口隙間の深さ、不純物元素濃度及び不純物元素種類のうちいずれか1個であり、前記不純物元素種類は、Fe、Ca、Zn、Co、Ti、Ni、Mg、Al及びCuを含み、前記プレパレーションベクトル中の第三元素は、加熱パワー、冷却パワー、雰囲気気体の種類、キャビティ内の圧力、気体流量、シードクリスタルロッドの引き上げ速度のうちいずれか1個である。
EFGテクニック方法により高抵抗型酸化ガリウム単結晶を製造するトレーニングデータとそれに対応する実際の品質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及び制御トレーニングデータを含むステップと、
前記トレーニングデータに対して予め処理をすることにより予め処理トレーニングデータを獲得するステップと、
前記予め処理トレーニングデータを予め設定ニューラルネットワークモデルに入力した後、前記予め設定ニューラルネットワークモデルにより前記予め処理トレーニングデータに対応するトレーニング形成品質の予測データを獲得するステップと、
前記トレーニング形成品質の予測データと前記実際の品質データにより予め設定ニューラルネットワークモデルのパラメーターを修正するステップとにより獲得するものである。
前記予め処理トレーニングデータを予め設定ニューラルネットワークモデルに入力した後、前記予め設定ニューラルネットワークモデルにより前記予め処理トレーニングデータに対応するトレーニング形成品質の予測データを獲得する前記ステップは、
前記予め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予め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、前記完全接続モジュールにより前記予め処理トレーニングデータに対応する前記トレーニング形成品質の予測データを獲得するステップと、を含む。
前記目標品質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高抵抗型酸化ガリウム単結晶に対応する目標プレパレーションデータを確定するステップであって、前記目標プレパレーションデータは、目標種晶データ、目標環境データ及び目標制御データを含み、前記目標制御データは目標不純物元素濃度及び目標不純物元素種類を含むステップと、
前記EFGテクニック方法と前記目標プレパレーションデータにより目標高抵抗型酸化ガリウム単結晶を製造するステップとを含む。
予め設定プレパレーションデータを獲得した後、前記予め設定プレパレーションデータに対して予め処理をすることにより予め処理予め設定プレパレーションデータを獲得するステップと、
前記予め処理予め設定プレパレーション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予め処理予め設定プレパレーションデータに対応する予測品質データを獲得するステップと、
前記予測品質データと前記目標品質データにより前記予め設定プレパレーションデータを修正することにより前記目標高抵抗型酸化ガリウム単結晶に対応する目標プレパレーションデータを獲得するステップとを含む。
Claims (6)
- EFGテクニック方法で高抵抗型酸化ガリウム単結晶を製造するプレパレーションデータを獲得するステップであって、前記プレパレーションデータは、種晶データ、環境データ及び制御データを含み、前記環境データは不純物元素濃度及び不純物元素種類を含むステップと、
前記プレパレーションデータに対して予め処理をすることにより予め処理プレパレーションデータを獲得するステップと、
前記予め処理プレパレーション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高抵抗型酸化ガリウム単結晶に対応する予測品質データを獲得するステップであって、前記予測品質データは予測抵抗値を含むステップと、を含み、
前記プレパレーションデータに対して予め処理をすることにより予め処理プレパレーションデータを獲得するステップは、前記種晶データ、環境データ及び制御データにより予め処理プレパレーションデータを獲得するステップを含み、前記予め処理プレパレーションデータは、前記種晶データ、環境データ及び制御データで形成されるマトリックスであり、
前記種晶データは、種晶回折ピークの半値幅、種晶回折ピークの半値幅の誤差、種晶の厚さ及び種晶の幅からなる全ての種晶データを含み、
前記環境データは、上部保温カバーの熱抵抗、上部保温カバーの熱抵抗の誤差、結晶育成通路の形状因子、結晶育成観察孔の形状因子、下部保温カバーの熱抵抗、下部保温カバーの熱抵抗の誤差、ルツボと誘導コイルの相対的な高さ、加熱部と誘導コイルの相対的な高さ、金型開口隙間の幅、及び金型開口隙間の深さからなる全ての環境データを含み、
前記制御データは、加熱パワー、冷却パワー、雰囲気気体の種類、キャビティ内の圧力、気体流量、及びシードクリスタルロッドの引き上げ速度からなる全ての制御データを含み、
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、トレーニングデータと実際の品質データによりトレーニングセット(Training set)を形成した後、トレーニングセットで予め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獲得され、
前記トレーニングセットは、前記トレーニングデータと前記実際の品質データにより形成され、前記トレーニングデータは、EFGテクニック方法により高抵抗型酸化ガリウム単結晶を製造するときトレーニングに用いられるデータを指し、種晶トレーニングデータ、環境トレーニングデータ及び制御トレーニングデータを含み、
前記実際の品質データは、EFGテクニック方法により製造される高抵抗型酸化ガリウム単結晶の実際の品質データを指し、
前記予測品質データは、予測亀裂データ、予測異物結晶データ、予測回折ピーク値の半値幅、予測回折ピーク値の半値幅の誤差、予測高抵抗型酸化ガリウム結晶のショルダー対称性、予測高抵抗型酸化ガリウム結晶の左側収縮度、予測高抵抗型酸化ガリウム結晶の右側収縮度、予測高抵抗型酸化ガリウム結晶の厚さ、予測高抵抗型酸化ガリウム結晶の厚さの誤差、予測抵抗の直径方向の誤差及び予測抵抗の軸方向の誤差を更に含み、亀裂データは亀裂の等級を指すデータであり、予測亀裂データは予測した亀裂の等級を指すデータであり、前記予め処理プレパレーションデータは、プレパレーションベクトル(A、B、C)によって確定され、種晶データA、環境データB及び制御データCにより前記プレパレーションベクトル(A、B、C)を確定し、種晶データAは、種晶回折ピークの半値幅A1、種晶回折ピークの半値幅の誤差A2、種晶の厚さA3及び種晶の幅A4において選択するものであり、前記環境データBは、上部保温カバーの熱抵抗B1、上部保温カバーの熱抵抗の誤差B2、結晶育成通路の形状因子B3、結晶育成観察孔の形状因子B4、下部保温カバーの熱抵抗B5、下部保温カバーの熱抵抗の誤差B6、ルツボと誘導コイルの相対的な高さB7、加熱部と誘導コイルの相対的な高さB8、金型開口隙間の幅B9、金型開口隙間の深さB10、不純物元素濃度B11及び不純物元素種類B12において選択するものであり、前記制御データCは、加熱パワーC1、冷却パワーC2、雰囲気気体の種類C3、キャビティ内の圧力C4、気体流量C5、シードクリスタルロッドの引き上げ速度C6において選択するものであり、前記プレパレーションベクトル(A、B、C)において、Aは、A1、A2、A3、A4のうちいずれかの1個であり、Bは、B1、B2、B3、B4、B5、B6、B7、B8、B9、B10、B11、B12のうちいずれかの1個であり、Cは、C1、C2、C3、C4、C5、C6のうちいずれかの1個であり、それらにより288個のプレパレーションベクトルを形成することができる
ことを特徴とする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。 - 前記種晶データ、環境データ及び制御データにより予め処理プレパレーションデータを獲得するステップは、
前記種晶データ、環境データ及び制御データによりプレパレーションベクトルを確定するステップと、
前記プレパレーションベクトルにより前記予め処理プレパレーションデータを確定するステップと、を含み、
前記プレパレーションベクトル中の第一元素は、前記種晶回折ピークの半値幅、種晶回折ピークの半値幅の誤差、種晶の厚さ及び種晶の幅のうちいずれか1個であり、前記プレパレーションベクトル中の第二元素は、前記上部保温カバーの熱抵抗、上部保温カバーの熱抵抗の誤差、結晶育成通路の形状因子、結晶育成観察孔の形状因子、下部保温カバーの熱抵抗、下部保温カバーの熱抵抗の誤差、ルツボと誘導コイルの相対的な高さ、加熱部と誘導コイルの相対的な高さ、金型開口隙間の幅、金型開口隙間の深さ、不純物元素濃度及び不純物元素種類のうちいずれか1個であり、前記不純物元素種類は、Fe、Ca、Zn、Co、Ti、Ni、Mg、Al及びCuを含み、前記プレパレーションベクトル中の第三元素は、加熱パワー、冷却パワー、雰囲気気体の種類、キャビティ内の圧力、気体流量、シードクリスタルロッドの引き上げ速度のうちいずれか1個である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。 - EFGテクニック方法で高抵抗型酸化ガリウム単結晶を製造するプレパレーションデータを獲得するステップであって、前記プレパレーションデータは、種晶データ、環境データ及び制御データを含み、前記環境データは不純物元素濃度及び不純物元素種類を含むステップと、
前記プレパレーションデータに対して予め処理をすることにより予め処理プレパレーションデータを獲得するステップと、
前記予め処理プレパレーション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高抵抗型酸化ガリウム単結晶に対応する予測品質データを獲得するステップであって、前記予測品質データは予測抵抗値を含むステップと、を含み、
前記予測品質データは、予測亀裂データ、予測異物結晶データ、予測回折ピーク値の半値幅、予測回折ピーク値の半値幅の誤差、予測高抵抗型酸化ガリウム結晶のショルダーの対称性、予測高抵抗型酸化ガリウム結晶の左側収縮度、予測高抵抗型酸化ガリウム結晶の右側収縮度、予測高抵抗型酸化ガリウム結晶の厚さ、予測高抵抗型酸化ガリウム結晶の厚さの誤差、予測抵抗の直径方向の誤差及び予測抵抗の軸方向の誤差からなる全ての予測品質データを更に含み、
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、トレーニングデータと実際の品質データによりトレーニングセット(Training set)を形成した後、トレーニングセットで予め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獲得され、
前記トレーニングセットは、前記トレーニングデータと前記実際の品質データにより形成され、
前記トレーニングデータは、EFGテクニック方法により高抵抗型酸化ガリウム単結晶を製造するときトレーニングに用いられるデータを指し、種晶トレーニングデータ、環境トレーニングデータ及び制御トレーニングデータを含み、
前記実際の品質データは、EFGテクニック方法により製造される高抵抗型酸化ガリウム単結晶の実際の品質データを指し、
前記予め処理プレパレーションデータは、プレパレーションベクトル(A、B、C)によって確定され、種晶データA、環境データB及び制御データCにより前記プレパレーションベクトル(A、B、C)を確定し、種晶データAは、種晶回折ピークの半値幅A1、種晶回折ピークの半値幅の誤差A2、種晶の厚さA3及び種晶の幅A4において選択するものであり、前記環境データBは、上部保温カバーの熱抵抗B1、上部保温カバーの熱抵抗の誤差B2、結晶育成通路の形状因子B3、結晶育成観察孔の形状因子B4、下部保温カバーの熱抵抗B5、下部保温カバーの熱抵抗の誤差B6、ルツボと誘導コイルの相対的な高さB7、加熱部と誘導コイルの相対的な高さB8、金型開口隙間の幅B9、金型開口隙間の深さB10、不純物元素濃度B11及び不純物元素種類B12において選択するものであり、前記制御データCは、加熱パワーC1、冷却パワーC2、雰囲気気体の種類C3、キャビティ内の圧力C4、気体流量C5、シードクリスタルロッドの引き上げ速度C6において選択するものであり、前記プレパレーションベクトル(A、B、C)において、Aは、A1、A2、A3、A4のうちいずれかの1個であり、Bは、B1、B2、B3、B4、B5、B6、B7、B8、B9、B10、B11、B12のうちいずれかの1個であり、Cは、C1、C2、C3、C4、C5、C6のうちいずれかの1個であり、それらにより288個のプレパレーションベクトルを形成することができる
ことを特徴とする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。 - EFGテクニック方法で高抵抗型酸化ガリウム単結晶を製造するプレパレーションデータを獲得するステップであって、前記プレパレーションデータは、種晶データ、環境データ及び制御データを含み、前記環境データは不純物元素濃度及び不純物元素種類を含むステップと、
前記プレパレーションデータに対して予め処理をすることにより予め処理プレパレーションデータを獲得するステップと、
前記予め処理プレパレーション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高抵抗型酸化ガリウム単結晶に対応する予測品質データを獲得するステップであって、前記予測品質データは予測抵抗値を含むステップと、を含み、
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つぎのトレーニング方法、すなわち
EFGテクニック方法により高抵抗型酸化ガリウム単結晶を製造するトレーニングデータとそれに対応する実際の品質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及び制御トレーニングデータを含むステップと、
前記トレーニングデータに対して予め処理をすることにより予め処理トレーニングデータを獲得するステップと、
前記予め処理トレーニングデータを予め設定ニューラルネットワークモデルに入力した後、前記予め設定ニューラルネットワークモデルにより前記予め処理トレーニングデータに対応するトレーニング形成品質の予測データを獲得するステップと、
前記トレーニング形成品質の予測データと前記実際の品質データにより予め設定ニューラルネットワークモデルのパラメーターを修正するステップとにより獲得するものであり、
前記予め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、
前記予め処理トレーニングデータを予め設定ニューラルネットワークモデルに入力した後、前記予め設定ニューラルネットワークモデルにより前記予め処理トレーニングデータに対応するトレーニング形成品質の予測データを獲得する前記ステップは、
前記予め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予め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、前記完全接続モジュールにより前記予め処理トレーニングデータに対応する前記トレーニング形成品質の予測データを獲得するステップと、を含み、
前記トレーニングデータは、EFGテクニック方法により高抵抗型酸化ガリウム単結晶を製造するときトレーニングに用いられるデータを指し、
前記実際の品質データは、EFGテクニック方法により製造される高抵抗型酸化ガリウム単結晶の実際の品質データを指し、
前記予め処理プレパレーションデータは、プレパレーションベクトル(A、B、C)によって確定され、種晶データA、環境データB及び制御データCにより前記プレパレーションベクトル(A、B、C)を確定し、種晶データAは、種晶回折ピークの半値幅A1、種晶回折ピークの半値幅の誤差A2、種晶の厚さA3及び種晶の幅A4において選択するものであり、前記環境データBは、上部保温カバーの熱抵抗B1、上部保温カバーの熱抵抗の誤差B2、結晶育成通路の形状因子B3、結晶育成観察孔の形状因子B4、下部保温カバーの熱抵抗B5、下部保温カバーの熱抵抗の誤差B6、ルツボと誘導コイルの相対的な高さB7、加熱部と誘導コイルの相対的な高さB8、金型開口隙間の幅B9、金型開口隙間の深さB10、不純物元素濃度B11及び不純物元素種類B12において選択するものであり、前記制御データCは、加熱パワーC1、冷却パワーC2、雰囲気気体の種類C3、キャビティ内の圧力C4、気体流量C5、シードクリスタルロッドの引き上げ速度C6において選択するものであり、前記プレパレーションベクトル(A、B、C)において、Aは、A1、A2、A3、A4のうちいずれかの1個であり、Bは、B1、B2、B3、B4、B5、B6、B7、B8、B9、B10、B11、B12のうちいずれかの1個であり、Cは、C1、C2、C3、C4、C5、C6のうちいずれかの1個であり、それらにより288個のプレパレーションベクトルを形成することができる
ことを特徴とする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。 - 目標高抵抗型酸化ガリウム単結晶の目標品質データを獲得するステップであって、前記目標品質データは目標抵抗値を含むステップと、
前記目標品質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高抵抗型酸化ガリウム単結晶に対応する目標プレパレーションデータを確定するステップであって、前記目標プレパレーションデータは、目標種晶データ、目標環境データ及び目標制御データを含み、前記目標制御データは目標不純物元素濃度及び目標不純物元素種類を含むステップと、
前記EFGテクニック方法と前記目標プレパレーションデータにより目標高抵抗型酸化ガリウム単結晶を製造するステップとを含み、
前記目標品質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高抵抗型酸化ガリウム単結晶に対応する目標プレパレーションデータを確定するステップは、
予め設定プレパレーションデータを獲得した後、前記予め設定プレパレーションデータに対して予め処理をすることにより予め処理予め設定プレパレーションデータを獲得するステップと、
前記予め処理予め設定プレパレーション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予め処理予め設定プレパレーションデータに対応する予測品質データを獲得するステップと、
前記予測品質データと前記目標品質データにより前記予め設定プレパレーションデータを修正することにより前記目標高抵抗型酸化ガリウム単結晶に対応する目標プレパレーションデータを獲得するステップとを含み、
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、前記トレーニング形成品質の予測データと前記実際の品質データにより予め設定ニューラルネットワークモデルのパラメーターを修正することにより獲得され、
前記実際の品質データは、
EFGテクニック方法により高抵抗型酸化ガリウム単結晶を製造し、かつ高抵抗型酸化ガリウム単結晶を製造するときのデータをトレーニングデータにし、高抵抗型酸化ガリウム単結晶を獲得した後、高抵抗型酸化ガリウム単結晶の品質を分析することにより獲得され、
前記トレーニング形成品質の予測データは、
前記トレーニングデータに対して予め処理をすることにより予め処理トレーニングデータを獲得し、前記トレーニングデータを獲得した後、前記トレーニングデータに対して予め処理をすることにより予め処理トレーニングデータを獲得し、前記予め処理トレーニングデータを予め設定ニューラルネットワークモデルに入力した後、前記予め設定ニューラルネットワークモデルにより獲得され、
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、
前記トレーニング形成品質の予測データと前記実際の品質データにより前記予め設定ニューラルネットワークモデルのパラメーターを修正し、前記予め処理トレーニングデータを予め設定ニューラルネットワークモデルに入力した後、前記予め設定ニューラルネットワークモデルにより前記予め処理トレーニングデータに対応するトレーニング形成品質の予測データを獲得し、かつ予め設定トレーニング条件を満たすときまで前記ステップを繰り返すことにより獲得される
ことを特徴とする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及びEFGテクニック方法による高抵抗型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1~4のうちいずれか一項に記載の前記予測方法のステップまたは請求項5に記載の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及びEFGテクニック方法による高抵抗型酸化ガリウムの製造システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011639219.8 | 2020-12-31 | ||
CN202011639219.8A CN112834700B (zh) | 2020-12-31 | 2020-12-31 | 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 |
PCT/CN2021/076071 WO2022141765A1 (zh) | 2020-12-31 | 2021-02-08 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023512385A JP2023512385A (ja) | 2023-03-27 |
JP7478819B2 true JP7478819B2 (ja) | 2024-05-07 |
Family
ID=75926817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022520490A Active JP7478819B2 (ja) | 2020-12-31 | 2021-02-08 | 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 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230160098A1 (ja) |
EP (1) | EP4050333A4 (ja) |
JP (1) | JP7478819B2 (ja) |
CN (1) | CN112834700B (ja) |
WO (1) | WO2022141765A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116525040B (zh) * | 2023-04-26 | 2024-03-22 | 湖南铁院土木工程检测有限公司 | 钢纤维-二元骨料体系填充密度预测模型构建方法及应用 |
CN117468083B (zh) * | 2023-12-27 | 2024-05-28 | 浙江晶盛机电股份有限公司 | 降籽晶过程的控制方法、装置、长晶炉系统和计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006024195A (ja) | 2004-06-03 | 2006-01-26 | National Cheng Kung Univ | 生産工程の品質予測システムおよびその方法 |
JP2011190127A (ja) | 2010-03-12 | 2011-09-29 | Namiki Precision Jewel Co Ltd | 酸化ガリウム単結晶及びその製造方法 |
JP2016013933A (ja) | 2014-06-30 | 2016-01-28 | 株式会社タムラ製作所 | アンドープ半絶縁Ga2O3系単結晶基板及びその製造方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19824838A1 (de) * | 1998-06-04 | 1999-12-09 | Leybold Systems Gmbh | Verfahren zum Herstellen von Kristallen |
JP4611103B2 (ja) * | 2005-05-09 | 2011-01-12 | 株式会社光波 | β−Ga2O3結晶の製造方法 |
JP5491483B2 (ja) * | 2011-11-15 | 2014-05-14 | 株式会社タムラ製作所 | β−Ga2O3系単結晶の成長方法 |
JP2013237591A (ja) * | 2012-05-16 | 2013-11-28 | Namiki Precision Jewel Co Ltd | 酸化ガリウム融液、酸化ガリウム単結晶、酸化ガリウム基板、および酸化ガリウム単結晶の製造方法 |
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 |
CN109338456A (zh) * | 2018-12-03 | 2019-02-15 | 上海交通大学 | 基于数值模拟与神经网络判断的单晶制品生产智能控制技术 |
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 |
CN110033486B (zh) * | 2019-04-19 | 2021-03-16 | 山东大学 | 透明晶体生长过程边缘及体积实时监测方法及系统 |
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 |
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 |
US11342484B2 (en) * | 2020-05-11 | 2022-05-24 | Silanna UV Technologies Pte Ltd | Metal oxide semiconductor-based light emitting device |
CN111893563A (zh) * | 2020-08-25 | 2020-11-06 | 连城凯克斯科技有限公司 | 可自动调节放肩工艺参数的单晶炉及控制方法 |
US11522103B1 (en) * | 2021-11-10 | 2022-12-06 | Silanna UV Technologies Pte Ltd | Epitaxial oxide materials, structures, and devices |
WO2023084274A1 (en) * | 2021-11-10 | 2023-05-19 | Silanna UV Technologies Pte Ltd | Epitaxial oxide materials, structures, and devices |
-
2020
- 2020-12-31 CN CN202011639219.8A patent/CN112834700B/zh active Active
-
2021
- 2021-02-08 WO PCT/CN2021/076071 patent/WO2022141765A1/zh unknown
- 2021-02-08 EP EP21870470.8A patent/EP4050333A4/en active Pending
- 2021-02-08 JP JP2022520490A patent/JP7478819B2/ja active Active
- 2021-02-08 US US17/760,964 patent/US20230160098A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006024195A (ja) | 2004-06-03 | 2006-01-26 | National Cheng Kung Univ | 生産工程の品質予測システムおよびその方法 |
JP2011190127A (ja) | 2010-03-12 | 2011-09-29 | Namiki Precision Jewel Co Ltd | 酸化ガリウム単結晶及びその製造方法 |
JP2016013933A (ja) | 2014-06-30 | 2016-01-28 | 株式会社タムラ製作所 | アンドープ半絶縁Ga2O3系単結晶基板及びその製造方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230160098A1 (en) | 2023-05-25 |
CN112834700A (zh) | 2021-05-25 |
JP2023512385A (ja) | 2023-03-27 |
EP4050333A1 (en) | 2022-08-31 |
WO2022141765A1 (zh) | 2022-07-07 |
EP4050333A4 (en) | 2022-12-07 |
CN112834700B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN112859771A (zh) | 一种基于深度学习和导模法的氧化镓的质量预测方法、制备方法及系统 | |
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 | |
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 | |
WO2022141766A1 (zh) | 一种基于深度学习和热交换法的导电型氧化镓制备方法 | |
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 | |
JPWO2022141758A5 (ja) | ||
WO2022141755A1 (zh) | 一种基于深度学习和热交换法的高阻型氧化镓制备方法 | |
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 | |
JPWO2022141752A5 (ja) | ||
JP5509636B2 (ja) | シリコン単結晶の欠陥解析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220331 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230418 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230718 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240123 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240422 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7478819 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |