JP7488410B1 - 窒化物半導体発光素子の光出力予測方法及び装置 - Google Patents

Abstract

【課題】窒化物半導体発光素子の光出力を予測することが可能な窒化物半導体発光素子の光出力予測方法及び装置を提供する。【解決手段】窒化物半導体発光素子１００を構成する層１０２～１０６の組成を規定する組成パラメータ、または窒化物半導体発光素子１００を構成する層１０２～１０６の物性を規定する物性パラメータの少なくとも一方と、組成パラメータまたは物性パラメータの値を調整する際に変更する製造条件パラメータと、窒化物半導体発光素子１００の光出力との相関性を学習して学習済モデル３２を作成するモデル作成工程と、学習済モデル３２を用いて光出力を予測する光出力予測工程と、を備え、モデル作成工程では、窒化物半導体発光素子１００の所定の層の組成パラメータまたは物性パラメータの少なくとも一方を学習に用いると共に、所定の層の成膜温度を前造条件パラメータとして学習に用いる。【選択図】図８

Description

本発明は、窒化物半導体発光素子の光出力予測方法及び装置に関する。

アルミニウム（Ａｌ）、ガリウム（Ｇａ）、インジウム（Ｉｎ）等と窒素（Ｎ）との化合物からなるIII族窒化物半導体は、紫外光発光素子の材料として用いられている。その中でも高Ａｌ組成のＡｌＧａＮからなるIII族窒化物半導体は、紫外発光素子や深紫外光発光素子に用いられている（例えば、特許文献１参照）。

この出願の発明に関連する先行技術文献情報としては、特許文献２がある。特許文献２では、成膜装置で成膜される膜の特性を効率的に予測するために、機械学習を用いた予測手法が提案されている。

特許第６００１７５６号公報 特許第６９５９１９１号公報

窒化物半導体発光素子では、成膜後にチップ化、パッケージ化を行う必要があり、製品になるまでに長い時間がかかる。そのため、例えば成膜時の設計を見直すといった場合に、試作と評価を繰り返すためには非常に長い期間がかかってしまうという課題があった。そこで、窒化物半導体発光素子において、試作前に光出力を予測したいという要求がある。しかし、窒化物半導体発光素子では、非常に多くのパラメータを制御する必要があり、どのようなパラメータを用いて光出力を予測すればよいのか不明であった。

そこで、本発明は、窒化物半導体発光素子の光出力を予測することが可能な窒化物半導体発光素子の光出力予測方法及び装置を提供することを目的とする。

本発明の一実施の形態に係る窒化物半導体発光素子の光出力予測方法は、窒化物半導体発光素子の光出力を予測する方法であって、少なくとも、前記窒化物半導体発光素子を構成する層の組成を規定するパラメータである組成パラメータ、または前記窒化物半導体発光素子を構成する層の物性を規定するパラメータである物性パラメータの少なくとも一方と、前記組成パラメータまたは前記物性パラメータの値を調整する際に変更する前記窒化物半導体発光素子の製造条件である製造条件パラメータと、前記窒化物半導体発光素子の光出力との相関性を学習して学習済モデルを作成するモデル作成工程と、前記学習済モデルを用いて光出力を予測する光出力予測工程と、を備え、前記モデル作成工程では、前記窒化物半導体発光素子の所定の層の前記組成パラメータまたは前記物性パラメータの少なくとも一方を前記学習に用いると共に、前記所定の層の成膜温度を前記製造条件パラメータとして前記学習に用いる。

また、本発明の一実施の形態に係る窒化物半導体発光素子の光出力予測装置は、窒化物半導体発光素子の光出力を予測する装置であって、少なくとも、前記窒化物半導体発光素子を構成する層の組成を規定するパラメータである組成パラメータ、または前記窒化物半導体発光素子を構成する層の物性を規定するパラメータである物性パラメータの少なくとも一方と、前記組成パラメータまたは前記物性パラメータの値を調整する際に変更する前記窒化物半導体発光素子の製造条件である製造条件パラメータと、前記窒化物半導体発光素子の光出力との相関性を学習して学習済モデルを作成するモデル作成部と、前記学習済モデルを用いて光出力を予測する光出力予測部と、を備え、前記モデル作成部は、前記窒化物半導体発光素子の所定の層の前記組成パラメータまたは前記物性パラメータの少なくとも一方を前記学習に用いると共に、前記所定の層の成膜温度を前記製造条件パラメータとして前記学習に用いる。

本発明によれば、窒化物半導体発光素子の光出力を予測することが可能な窒化物半導体発光素子の光出力予測方法及び装置を提供できる。

窒化物半導体発光素子の構成を概略的に示す模式図である。 本発明の一実施の形態に係る窒化物半導体発光素子の光出力予測装置の概略構成図である。 学習用データの一例を示す図である。 学習用データの一例を示す図である。 井戸層のＡｌ組成比を一定に維持しつつ、井戸層の成膜温度を変化させた際のグラフ図であり、（ａ）は発光波長の変化、（ｂ）は光出力の変化を示す図である。 バッファ層の膜厚を一定に維持しつつ、バッファ層の成膜温度を変化させた際のグラフ図であり、（ａ）はバッファ層の膜厚の変化、（ｂ）は光出力の変化を示す図である。 モデル作成工程を説明する図である。 光出力予測工程を説明する図である。 本発明の一実施の形態に係る窒化物半導体発光素子の光出力予測方法の制御フローを説明する図である。

［実施の形態］
以下、本発明の実施の形態を添付図面にしたがって説明する。

（窒化物半導体発光素子１００）
まず、本実施の形態で光出力の予測対象となる窒化物半導体発光素子１００（以下、単に「発光素子１００」ともいう）について説明する。図１は、窒化物半導体発光素子１００の構成を概略的に示す模式図である。なお、図１において、発光素子１００の各層の積層方向の寸法比は、必ずしも実際のものと一致するものではなく、また各層が多層構造となっていてもよい。

発光素子１００は、発光ダイオード（ＬＥＤ：Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）であり、本実施の形態では、紫外領域の波長の光を発する。発光素子１００は、例えば、中心波長が２００ｎｍ以上３６５ｎｍ以下の紫外光を発する深紫外ＬＥＤであり、例えば水や空気の殺菌等に用いられる。

図１に示すように、発光素子１００は、基板１０１上に、バッファ層１０２、ｎ型半導体層１０３、活性層１０４、電子ブロック層１０５、及びｐ型半導体層１０６を順次備える。ｐ型半導体層１０６上にはｐ型電極１０７及びｐ側パッド電極１０８が順次設けられており、ｎ型半導体層１０３上には、ｎ型電極１０９及びｎ側パッド電極１１０が順次設けられている。また、ｐ型電極１０７及びｎ型電極１０９の側面、及びｐ型電極１０７及びｎ型電極１０９間の発光素子１００の表面には、パッシベーション膜（保護膜）１１１が設けられている。活性層１０４は、バリア層１０４ａと井戸層１０４ｂとを交互に積層して構成された多量子井戸構造（Ｍｕｌｔｉ Ｑｕａｎｔｕｍ Ｗｅｌｌ：ＭＱＷ）となっている。

基板１０１上の各層１０２～１０６は、有機金属化学気相成長法（Ｍｅｔａｌ Ｏｒｇａｎｉｃ Ｃｈｅｍｉｃａｌ Ｖａｐｏｒ Ｄｅｐｏｓｉｔｉｏｎ：ＭＯＣＶＤ）、分子線エピタキシ法（Ｍｏｌｅｃｕｌａｒ Ｂｅａｍ Ｅｐｉｔａｘｙ：ＭＢＥ）、ハライド気相エピタキシ法（Ｈｙｄｒｉｄｅ Ｖａｐｏｒ Ｐｈａｓｅ Ｅｐｉｔａｘｙ：ＨＶＰＥ）等の周知のエピタキシャル成長法を用いて形成することができる。

発光素子１００を構成する半導体としては、例えば、Ａｌ_ｘＧａ_ｙＩｎ_{１－ｘ－ｙ}Ｎ（０≦ｘ≦１、０≦ｙ≦１、０≦ｘ＋ｙ≦１）にて表される２～４元系のIII族窒化物半導体を用いることができる。なお、深紫外ＬＥＤにおいては、インジウムを含まないＡｌ_ｚＧａ_１－ｚＮ系（０≦ｚ≦１）が用いられることが多い。また、発光素子１００を構成する半導体のIII族元素の一部は、ホウ素（Ｂ）、タリウム（Ｔｌ）等に置き換えてもよい。また、窒素の一部をリン（Ｐ）、ヒ素（Ａｓ）、アンチモン（Ｓｂ）、ビスマス（Ｂｉ）等で置き換えてもよい。本実施の形態では、各層１０２～１０６をＡｌ_ｚＧａ_１－ｚＮ（０≦ｚ≦１）で構成した。

なお、図１の構造はあくまで一例であり、発光素子１００の具体的な構造は図示のものに限定されず、適宜変更が可能である。

（窒化物半導体発光素子の光出力予測装置１）
図２は、窒化物半導体発光素子の光出力予測装置１（以下、単に「光出力予測装置１」という）の概略構成図である。図２では、光出力予測装置１と併せて、窒化物半導体発光素子の製造装置１０（成膜装置）と、管理用端末１１とを示している。窒化物半導体発光素子の製造装置１０は、有機金属化学気相成長法、分子線エピタキシ法、ハライド気相エピタキシ法等の周知のエピタキシャル成長法を用いて、発光素子１００の各層１０２～１０６を成膜する装置である。管理用端末１１は、窒化物半導体発光素子の製造装置１０を管理するための端末装置であり、例えば、パーソナルコンピュータ等から構成される。なお、管理用端末１１は省略可能であり、光出力予測装置１に管理用端末１１としての機能を搭載してもよい。

図２に示すように、光出力予測装置１は、制御部２と、記憶部３と、表示器４と、入力装置５と、を備えている。光出力予測装置１は、例えばパーソナルコンピュータやサーバ装置等の演算装置から構成されている。

制御部２は、学習用データ取得部２１と、モデル作成部２２と、光出力予測部２３と、予測結果提示部２４と、を有している。各部の詳細については後述する。制御部２は、演算素子、メモリ、インターフェイス、記憶装置等を適宜組み合わせて実現されている。記憶部３は、メモリや記憶装置の所定の記憶領域により実現されており、後述する制御部２による各種制御に用いるデータ等を記憶する。入力装置５は、例えば、キーボードやマウス等からなる。表示器４は、例えば液晶ディスプレイ等から構成される。

（学習用データ取得部２１）
学習用データ取得部２１は、外部から学習（機械学習）に用いる各種データを取得し、学習用データ３１として記憶部３に記憶する処理を行う。各種データは、窒化物半導体発光素子の製造装置１０より有線または無線通信により直接取得してもよいし、管理用端末１１から有線または無線通信により取得してもよい。また、各種データは、入力装置５から入力されてもよく、例えばＵＳＢメモリ等のメディアを用いて入力されてもよい。このように、学習用データ３１の取得方法は特に限定されない。

（学習用データ３１、及び機械学習に用いるパラメータについて）
ここで、機械学習に用いる学習用データ３１の一例について説明しておく。図３Ａ及び図３Ｂは、学習用データ３１の一例を示す図である。図３Ａ及び図３Ｂに示すように、学習用データ３１は、各層１０２～１０６それぞれの組成パラメータ、物性パラメータ、製造条件パラメータに対応するデータと、光出力のデータとが紐づけられ記憶されている。組成パラメータは、発光素子１００を構成する各層１０２～１０６の組成を規定するパラメータである。発光素子１００を構成する各層１０２～１０６の物性（及び物理的な構造等）を規定するパラメータである。製造条件パラメータは、発光素子１００の製造条件を規定するパラメータである。

なお、組成パラメータ、物性パラメータ、及び製造条件パラメータの具体的なパラメータは図示のものに限定されず、他のパラメータを用いてもよい。また、学習用データ３１は、組成パラメータ、物性パラメータ、製造条件パラメータ以外のパラメータを含んでよく、例えば、窒化物半導体発光素子の製造装置１０の状態を表す装置状態パラメータを含んでいてもよい。装置状態パラメータとしては、例えば、トレイの堆積物高さやポケット数、チラーや冷却水の温度や流量、成膜回数、炉寸法などが挙げられる。また、学習用データ３１は、上記の他に、基板１０１の状態等を表す基板パラメータ、電極１０７～１１０の状態等を表す電極パラメータ等を含んでいてもよい。なお、製造条件パラメータは必須ではなく、省略可能である。また、学習用データ３１は、組成パラメータと物性パラメータの何れか一方のみを含むものであってもよい。

詳細は後述するが、本実施の形態では、組成パラメータ、物性パラメータ、及び製造条件パラメータの各パラメータと、光出力との関係を機械学習する。そのため、機械学習に用いる組成パラメータ及び物性パラメータとしては、光出力への影響が大きいパラメータを選択することが望ましい。そして、製造条件パラメータを機械学習に用いる場合には、機械学習に用いる組成パラメータや物性パラメータの値を調整する際に変更するパラメータを選択することが望ましい。

より具体的には、バッファ層１０２では、組成パラメータとしてＡｌ組成比を用いることが望ましく、物性パラメータとして膜厚、透過率、及びミックス値を機械学習に用いることが望ましい。なお、ミックス値とは、結晶の（１０－１２）面（Ｍｉｘｅｄ面）に対するＸ線回折のωスキャンにより得られるＸ線ロッキングカーブの半値幅（ａｒｃｓｅｃ）であり、窒化物半導体発光素子における各層の結晶品質を示す代表的な指標である。そして、バッファ層１０２の製造条件パラメータを機械学習に用いる場合、成膜温度（ヒータ温度または基板温度）、ＴＭＡ（トリメチルアルミニウム）流量、ＴＭＧ（トリメチルガリウム）流量を製造条件パラメータとして用いることが望ましい。

また、ｎ型半導体層１０３では、組成パラメータとしてＡｌ組成比、ドーピング濃度を用いることが望ましく、物性パラメータとしてミックス値、透過率、膜抵抗を用いることが望ましい。特に、ｎ型半導体層１０３では、物性パラメータであるミックス値は、光出力に大きい影響を与えると考えられるため、一定とみなせない程度のバラつきがデータに生じている場合には機械学習に用いることが望ましい。そして、ｎ型半導体層１０３の製造条件パラメータを機械学習に用いる場合、ＴＭＡ流量、ＴＭＧ流量、及びＴＭＳｉ（テトラメチルシラン）流量を製造条件パラメータとして用いることが望ましい。

活性層１０４のバリア層１０４ａでは、組成パラメータとしてＡｌ組成比、ドーピング濃度を用いることが望ましく、物性パラメータとして膜厚を用いることが望ましい。これらバリア層１０４ａのＡｌ組成比、ドーピング濃度、及び膜厚の各パラメータは、光出力への影響が大きいため、一定とみなせない程度のバラつきがデータに生じている場合には機械学習に用いることが望ましい。そして、バリア層１０４ａの製造条件パラメータを機械学習に用いる場合、成膜温度（ヒータ温度または基板温度）、成膜時間、ＴＭＡ流量、及びＴＭＧ流量を製造条件パラメータとして用いることが望ましい。

活性層１０４の井戸層１０４ｂでは、上記のバリア層１０４ａと同様に、組成パラメータとしてＡｌ組成比、ドーピング濃度を用いることが望ましく、物性パラメータとして膜厚を用いることが望ましい。これら井戸層１０４ｂのＡｌ組成比、ドーピング濃度、及び膜厚の各パラメータは、光出力への影響が大きいため、一定とみなせない程度のバラつきがデータに生じている場合には機械学習に用いることが望ましい。そして、井戸層１０４ｂの製造条件パラメータを機械学習に用いる場合、成膜温度（ヒータ温度または基板温度）、成膜時間、ＴＭＡ流量、及びＴＭＧ流量を製造条件パラメータとして用いることが望ましい。

電子ブロック層１０５では、組成パラメータとしてＡｌ組成比を用いることが望ましく、物性パラメータとして膜厚及び透過率を用いることが望ましい。これら電子ブロック層１０５のＡｌ組成比、膜厚、及び透過率の各パラメータは、光出力への影響が大きいため、一定とみなせない程度のバラつきがデータに生じている場合には機械学習に用いることが望ましい。そして、電子ブロック層１０５の製造条件パラメータを機械学習に用いる場合、ヒータ温度、成膜時間、ＴＭＡ流量、及びＴＭＧ流量を製造条件パラメータとして用いることが望ましい。

ｐ型半導体層１０６では、上記の電子ブロック層１０５と同様に、組成パラメータとしてＡｌ組成比を用いることが望ましく、物性パラメータとして膜厚及び透過率を用いることが望ましい。これらｐ型半導体層１０６のＡｌ組成比、膜厚、及び透過率の各パラメータは、光出力への影響が大きいため、一定とみなせない程度のバラつきがデータに生じている場合には機械学習に用いることが望ましい。そして、ｐ型半導体層１０６の製造条件パラメータを機械学習に用いる場合、成膜温度（ヒータ温度または基板温度）、成膜時間、ＴＭＡ流量、及びＴＭＧ流量を製造条件パラメータとして用いることが望ましい。

本実施の形態では、光出力としては、成膜後、チップ化を行い、パッケージ化して製品になった状態での発光素子１００の光出力を用いた。チップ化やパッケージ化の工程における各種条件によっても光出力は変動するが、ここでは、チップ化やパッケージ化は同じ条件で行われるとし、機械学習には用いなかった。ただし、チップ化やパッケージ化の際の条件を含めて機械学習を行うことも可能である。

（製造条件パラメータの併用について）
さらに、本発明者らが検討したところ、組成パラメータや物性パラメータが一定の場合であっても、製造条件パラメータが変化すると光出力が変化する場合があることがわかった。以下、具体的に説明する。

まず、井戸層１０４ｂのＡｌ組成比を一定に維持しつつ、井戸層１０４ｂの成膜温度を変化させた。なお、上述のように、井戸層１０４ｂのＡｌ組成比の光出力への影響は大きく、井戸層１０４ｂのＡｌ組成比を変化させると光出力は変化する。このときの発光波長の変化を図４（ａ）に示す。図４（ａ）に示すように、井戸層１０４ｂの発光波長はほぼ一定となり、成膜温度によらずＡｌ組成比はほぼ一定となっている。そして、このときの光出力の変化を図４（ｂ）に示す。図４（ｂ）に示すように、井戸層１０４ｂの成膜温度が高くなると光出力が低下しており、井戸層１０４ｂの組成パラメータであるＡｌ組成比が一定であるにもかかわらず、井戸層１０４ｂの成膜温度によって光出力が変化していることがわかる。

同様に、ＡｌＮからなるバッファ層１０２の膜厚を一定に維持しつつ、バッファ層１０２の成膜温度を変化させた。なお、上述のように、バッファ層１０２の膜厚の光出力への影響は大きく、バッファ層１０２の膜厚を変化させると光出力は変化する。このときのバッファ層１０２の膜厚の変化を図５（ａ）に示す。図５（ａ）に示すように、成膜温度によらずバッファ層１０２の膜厚はほぼ一定となっている。そして、このときの光出力の変化を図５（ｂ）に示す。図５（ｂ）に示すように、バッファ層１０２の成膜温度が高くなると光出力が低下しており、バッファ層１０２の物性パラメータである膜厚が一定であるにもかかわらず、バッファ層１０２の成膜温度によって光出力が変化していることがわかる。

このように、物性パラメータや組成パラメータだけでは光出力を十分な精度で予測できない場合がある。この場合、物性パラメータと組成パラメータの少なくとも一方に加えて、当該組成パラメータまたは物性パラメータの値を調整する際に変更する製造条件パラメータをさらに考慮して、光出力の予測を行う必要がある。そして、図４及び図５の結果から、窒化物半導体発光素子の所定の層（図４の例では井戸層１０４ｂ、図５の例ではバッファ層１０２）の組成パラメータまたは物性パラメータの少なくとも一方を学習に用いる場合、当該所定の層（図４の例では井戸層１０４ｂ、図５の例ではバッファ層１０２）の成膜温度を製造条件パラメータとして学習に用いることで、窒化物半導体発光素子１００の光出力を精度よく予測することが可能である。活性層１０４（バリア層１０４ａ及び井戸層１０４ｂ）と電子ブロック層１０５とについては、一般に膜厚が１００ｎｍ以下と薄く、組成パラメータや物性パラメータだけで光出力を予測することが困難であるため、説明変数に成膜温度を含めることが望ましい。また、成膜温度としては、基板温度を用いることがより好ましい。基板温度は、例えば、パイロメーターで基板表面から発生する赤外線を測定して算出することができる。

（モデル作成部２２）
モデル作成部２２は、学習用データ３１を用いて学習済モデル３２を作成する処理を行う。モデル作成部２２の行う処理は、本発明のモデル作成工程に相当する。本実施の形態では、モデル作成部２２は、少なくとも、発光素子１００を構成する層１０２～１０６の組成パラメータまたは物性パラメータの少なくとも一方と、当該組成パラメータまたは物性パラメータの値を調整する際に変更する製造条件パラメータと、発光素子１００の光出力との相関性を学習（機械学習）して学習済モデル３２を作成する。本実施の形態では、組成パラメータと物性パラメータの両方を機械学習に用いて学習済モデル３２を作成するようにモデル作成部２２を構成した。

なお、モデル作成部２２は、組成パラメータ、物性パラメータ、及び製造条件パラメータと、窒化物半導体発光素子の光出力との相関性を機械学習して学習済モデル３２を作成するように構成されてもよい。これにより、組成と物性の両方に加えて製造条件も考慮した光出力の予測が可能となり、光出力の予測精度をより向上できる。

モデル作成部２２は、予め設定された各層１０２～１０６の組成パラメータ及び物性パラメータ及び製造条件パラメータを説明変数とし、光出力を目的変数として、説明変数の各パラメータと目的変数との相関性を機械学習により自ら学習する学習アルゴリズムを含んでいる。学習アルゴリズムは特に限定されず、例えばディープフォレストやディープニューラルネットワーク等と呼称される公知の学習アルゴリズムを用いることができる。

図６に示すように、モデル作成部２２には、学習用データ３１が入力される。モデル作成部２２は、入力された学習用データ３１を用いて、説明変数に用いるパラメータと目的変数である光出力のデータ集合に基づく学習を反復実行し、両者の相関性を自動的に解釈して学習済モデル３２を作成する。モデル作成部２２は、作成した学習済モデル３２を記憶部３に記憶する。なお、モデル作成部２２は、ユーザが説明変数に用いるパラメータ（組成パラメータ、物性パラメータ、製造条件パラメータ）を適宜選択できるように構成されていてもよい。

（光出力予測部２３）
光出力予測部２３は、学習済モデル３２を用いて光出力を予測する処理を行う。光出力予測部２３の行う処理は、本発明の光出力予測工程に相当する。図７に示すように、光出力予測部２３には、モデル作成部２２が作成した学習済モデル３２と、予測元データ３３とが入力される。予測元データ３３とは、説明変数に用いた各パラメータの値であり、例えば入力装置５により入力される。光出力予測部２３は、学習済モデル３２に予測元データ３３の各パラメータの値を適用することで、予測元データ３３に対応する光出力を予測する。予測した光出力は、予測データ３４として記憶部３に記憶される。

（予測結果提示部２４）
予測結果提示部２４は、光出力予測部２３が予測した予測データ３４を提示する処理を行う。予測結果提示部２４は、例えば、予測データ３４を表示器４に表示することで、予測データ３４の提示を行う。提示の際の形式は特に限定されず、数値やグラフ等の適宜な形式で提示を行うとよい。なお、これに限らず、例えば、予測データ３４を外部装置に出力すること等で、予測データ３４の提示を行ってもよい。

（窒化物半導体発光素子の光出力予測方法）
図８は、本実施の形態に係る窒化物半導体発光素子の光出力予測方法の制御フローを示すフロー図である。図８の制御フローは、光出力の予測を行う際に実行される。図８の制御フローに先立って、学習用データ取得部２１による学習用データ３１の取得、及び取得した学習用データ３１の記憶部３への記憶の処理が随時行われる。

図８に示すように、本実施の形態に係る窒化物半導体発光素子の光出力予測方法では、ステップＳ１のモデル作成工程と、ステップＳ２の光出力予測工程と、ステップＳ３の予測結果提示工程と、が順次行われる。

ステップＳ１のモデル作成工程では、まず、ステップＳ１１にて、モデル作成部２２が、前回学習済モデル３２を作成したとき以降で学習用データ３１が更新されたかを判定する。ステップＳ１１の判定は、学習済モデル３２の作成日時と、学習用データ３１の更新日時とを比較することにより行うことができる。なお、ステップＳ１１では、学習済モデル３２が未作成の場合（初回時）には、学習用データ３１が更新された（Ｙｅｓ）と判定する。ステップＳ１１でＮｏ（Ｎ）と判定された場合、ステップＳ２の光出力予測工程に進む。ステップＳ１１でＹｅｓ（Ｙ）と判定された場合、ステップＳ１２にて、モデル作成部２２が、更新された学習用データ３１を基に、予め設定された説明変数の各パラメータと目的変数である光出力との相関性を機械学習し、学習済モデル３２を作成する。

本実施の形態では、ステップＳ１１の機械学習において説明変数として用いるパラメータが、発光素子１００を構成する層１０２～１０６の組成パラメータまたは物性パラメータの少なくとも一方と、当該層１０２～１０６の製造パラメータとを含んでいる。より好ましくは、下記のパラメータ
・各層１０２～１０６のＡｌ組成比
・活性層１０４以外の各層１０２，１０３，１０５，１０６の透過率
・バリア層１０４ａ、井戸層１０４ｂ、及びｎ型半導体層１０３のドーピング濃度
・ｎ型半導体層１０３のミックス値
・バッファ層１０２、バリア層１０４ａ、井戸層１０４ｂ、電子ブロック層１０５、及びｐ型半導体層１０６の膜厚
については、光出力への影響が非常に大きいため、一定とみなせない程度のバラつきがデータに生じている場合には、説明変数に含めることが望ましい。その上で、組成パラメータや物性パラメータを用いる層の成膜温度を製造パラメータとして用いるとよい。図４で説明したように、少なくとも、井戸層１０４ｂのＡｌ組成比を説明変数として用いる場合には、井戸層１０４ｂの成膜温度も説明変数に含めることが望ましい。また、図５で説明したように、少なくとも、バッファ層１０２の膜厚を説明変数として用いる場合には、バッファ層１０２の成膜温度も説明変数に含めることが望ましい。なお、図８では図示していないが、ステップＳ１２の前に、どのパラメータを説明変数に用いるかを選択するステップを追加してもよい。

ステップＳ１２で学習済モデル３２を作成した後、ステップＳ１３にて、モデル作成部２２が、作成した学習済モデル３２を記憶部３に記憶し、ステップＳ２の光出力予測工程に進む。

ステップＳ２の光出力予測工程では、まず、ステップＳ２１にて、予測元データ３３の入力を行う。この際、例えば、表示器４に予測元データ３３の入力画面を表示して、入力装置５により予測元データ３３を入力できるようにしてもよい。また、予測元データ３３をファイル形式で入力する場合には、ファイルの入力を促す表示等を表示器４に表示してもよい。その後、ステップＳ２２にて、光出力予測部２３が、記憶部３に記憶された学習済モデル３２を用いて、予測元データ３３に対応する光出力を予測する。その後、ステップＳ２３にて、光出力予測部２３が、予測した光出力の値を、予測データ３４として記憶部３に記憶し、ステップＳ３の予測結果提示工程に進む。

ステップＳ３の予測結果提示工程では、ステップＳ３１にて、ステップＳ３の予測結果提示部２４が、記憶部３に記憶された予測データ３４を表示器４に提示することで、光出力の予測結果を提示する。その後、処理を終了する。

本実施の形態では、光出力の予測時に学習済モデル３２の更新を行う場合について説明したが、これに限らず、学習用データ３１の更新状況を監視し、学習用データ３１の更新の度に学習済モデル３２を更新するようにモデル作成部２２を構成してもよい。また、所定の期間毎（例えば毎週あるいは毎月）に学習済モデル３２を更新するようにモデル作成部２２を構成してもよい。

（実施の形態の作用及び効果）
以上説明した実施の形態によれば、以下のような作用及び効果が得られる。

（１）発光素子１００を構成する層の組成パラメータまたは物性パラメータの少なくとも一方と、組成パラメータまたは物性パラメータの値を調整する際に変更する製造条件パラメータと、光出力との相関性を機械学習した学習済モデル３２を用い、かつ、組成パラメータまたは物性パラメータを学習に用いる所定の層の成膜温度を製造条件パラメータとして学習に用いることで、発光素子１００の光出力を精度よく予測することが可能になる。その結果、発光素子１００を試作することなく光出力を予測することが可能になり、長い期間をかけて試作・評価を繰り返して試行錯誤することなく、短かい期間で開発を行うことが可能になる。

（２）特に、組成パラメータとして井戸層１０４ｂのＡｌ組成比を用いる場合、製造条件パラメータとして井戸層１０４ｂの成膜温度をさらに学習に用いることで、光出力の予測精度が向上する。

（３）同様に、物性パラメータとしてバッファ層１０２の膜厚を用いる場合、製造条件パラメータとしてバッファ層１０２の成膜温度をさらに学習に用いることで、光出力の予測精度が向上する。

（実施の形態のまとめ）
次に、以上説明した実施の形態から把握される技術思想について、実施の形態における符号等を援用して記載する。

［１］窒化物半導体発光素子（１００）の光出力を予測する方法であって、少なくとも、前記窒化物半導体発光素子（１００）を構成する層（１０２～１０６）の組成を規定するパラメータである組成パラメータ、または前記窒化物半導体発光素子（１００）を構成する層（１０２～１０６）の物性を規定するパラメータである物性パラメータの少なくとも一方と、前記組成パラメータまたは前記物性パラメータの値を調整する際に変更する前記窒化物半導体発光素子（１００）の製造条件である製造条件パラメータと、前記窒化物半導体発光素子（１００）の光出力との相関性を学習して学習済モデル（３２）を作成するモデル作成工程と、前記学習済モデル（３２）を用いて光出力を予測する光出力予測工程と、を備え、前記モデル作成工程では、前記窒化物半導体発光素子（１００）の所定の層の前記組成パラメータまたは前記物性パラメータの少なくとも一方を前記学習に用いると共に、前記所定の層の成膜温度を前記製造条件パラメータとして前記学習に用いる、窒化物半導体発光素子の光出力予測方法。

［２］前記窒化物半導体発光素子（１００）は、ＡｌＧａＮからなるバリア層（１０４ａ）と井戸層（１０４ｂ）とを交互に積層して構成された活性層（１０４）を有し、前記所定の層が、前記井戸層（１０４ｂ）であり、少なくとも、前記組成パラメータである前記井戸層（１０４ｂ）のＡｌ組成比と、前記製造条件パラメータである前記井戸層（１０４ｂ）の成膜温度と、を前記学習に用いる、［１］に記載の窒化物半導体発光素子の光出力予測方法。

［３］前記所定の層が、ＡｌＮからなるバッファ層（１０２）であり、少なくとも、前記物性パラメータである前記バッファ層（１０２）の膜厚と、前記製造条件パラメータである前記バッファ層（１０２）の成膜温度と、を前記学習に用いる、［１］に記載の窒化物半導体発光素子の光出力予測方法。

［４］窒化物半導体発光素子（１００）の光出力を予測する装置であって、少なくとも、前記窒化物半導体発光素子（１００）を構成する層（１０２～１０６）の組成を規定するパラメータである組成パラメータ、または前記窒化物半導体発光素子（１００）を構成する層（１０２～１０６）の物性を規定するパラメータである物性パラメータの少なくとも一方と、前記組成パラメータまたは前記物性パラメータの値を調整する際に変更する前記窒化物半導体発光素子（１００）の製造条件である製造条件パラメータと、前記窒化物半導体発光素子（１００）の光出力との相関性を学習して学習済モデル（３２）を作成するモデル作成部（２２）と、前記学習済モデル（３２）を用いて光出力を予測する光出力予測部（２３）と、を備え、前記モデル作成部（２２）は、前記窒化物半導体発光素子（１００）の所定の層の前記組成パラメータまたは前記物性パラメータの少なくとも一方を前記学習に用いると共に、前記所定の層の成膜温度を前記製造条件パラメータとして前記学習に用いる、窒化物半導体発光素子の光出力予測装置（１）。

（付記）
以上、本発明の実施の形態を説明したが、上記に記載した実施の形態は特許請求の範囲に係る発明を限定するものではない。また、実施の形態の中で説明した特徴の組合せの全てが発明の課題を解決するための手段に必須であるとは限らない点に留意すべきである。また、本発明は、その趣旨を逸脱しない範囲で適宜変形して実施することが可能である。

１…窒化物半導体発光素子の光出力予測装置
２…制御部
２１…学習用データ取得部
２２…モデル作成部
２３…光出力予測部
２４…予測結果提示部
３…記憶部
３１…学習用データ
３２…学習済モデル
３３…予測元データ
３４…予測データ
１００…窒化物半導体発光素子（発光素子）
１０１…基板
１０２…バッファ層
１０３…ｎ型半導体層
１０４…活性層
１０４ａ…バリア層
１０４ｂ…井戸層
１０５…電子ブロック層
１０６…ｐ型半導体層

Claims (4)

1. 窒化物半導体発光素子の光出力を予測する方法であって、
   前記窒化物半導体発光素子は、バッファ層、ｎ型半導体層、バリア層及び井戸層を有する活性層、電子ブロック層、及びｐ型半導体層を含み、
   少なくとも、前記窒化物半導体発光素子を構成する層の組成を規定するパラメータである組成パラメータと、前記窒化物半導体発光素子を構成する層の物性を規定するパラメータである物性パラメータと、前記組成パラメータまたは前記物性パラメータの値を調整する際に変更する前記窒化物半導体発光素子の製造条件である製造条件パラメータと、前記窒化物半導体発光素子の光出力との相関性を学習して学習済モデルを作成するモデル作成工程と、
   前記学習済モデルを用いて光出力を予測する光出力予測工程と、を備え、
   前記組成パラメータは、Ａｌ組成比、及びドーピング濃度を含み、
   前記物性パラメータは、膜厚、透過率、及び、結晶の（１０－１２）面に対するＸ線回折のωスキャンにより得られるＸ線ロッキングカーブの半値幅であるミックス値を含み、
   前記製造条件パラメータは、成膜温度、成膜時間、及びＴＭＡ（トリメチルアルミニウム）、ＴＭＧ（トリメチルガリウム）及びＴＭＳｉ（テトラメチルシラン）の流量を含み、
   前記モデル作成工程では、前記窒化物半導体発光素子の所定の層の前記組成パラメータまたは前記物性パラメータの少なくとも一方を前記学習に用いると共に、前記所定の層の成膜温度を前記製造条件パラメータとして前記学習に用い、
   前記光出力予測工程では、前記学習済モデルに、予測対象の窒化物半導体発光素子の光出力以外の前記各パラメータを入力して光出力を予測し出力する、
   窒化物半導体発光素子の光出力予測方法。
2. 前記窒化物半導体発光素子は、ＡｌＧａＮからなるバリア層と井戸層とを交互に積層して構成された活性層を有し、
   前記所定の層が、前記井戸層であり、
   少なくとも、前記組成パラメータである前記井戸層のＡｌ組成比と、前記製造条件パラメータである前記井戸層の成膜温度と、を前記学習に用いる、
   請求項１に記載の窒化物半導体発光素子の光出力予測方法。
3. 前記所定の層が、ＡｌＮからなるバッファ層であり、
   少なくとも、前記物性パラメータである前記バッファ層の膜厚と、前記製造条件パラメータである前記バッファ層の成膜温度と、を前記学習に用いる、
   請求項１に記載の窒化物半導体発光素子の光出力予測方法。
4. 窒化物半導体発光素子の光出力を予測する装置であって、
   前記窒化物半導体発光素子は、バッファ層、ｎ型半導体層、バリア層及び井戸層を有する活性層、電子ブロック層、及びｐ型半導体層を含み、
   少なくとも、前記窒化物半導体発光素子を構成する層の組成を規定するパラメータである組成パラメータと、前記窒化物半導体発光素子を構成する層の物性を規定するパラメータである物性パラメータと、前記組成パラメータまたは前記物性パラメータの値を調整する際に変更する前記窒化物半導体発光素子の製造条件である製造条件パラメータと、前記窒化物半導体発光素子の光出力との相関性を学習して学習済モデルを作成するモデル作成部と、
   前記学習済モデルを用いて光出力を予測する光出力予測部と、を備え、
   前記組成パラメータは、Ａｌ組成比、及びドーピング濃度を含み、
   前記物性パラメータは、膜厚、透過率、及び、結晶の（１０－１２）面に対するＸ線回折のωスキャンにより得られるＸ線ロッキングカーブの半値幅であるミックス値を含み、
   前記製造条件パラメータは、成膜温度、成膜時間、及びＴＭＡ（トリメチルアルミニウム）、ＴＭＧ（トリメチルガリウム）及びＴＭＳｉ（テトラメチルシラン）の流量を含み、
   前記モデル作成部は、前記窒化物半導体発光素子の所定の層の前記組成パラメータまたは前記物性パラメータの少なくとも一方を前記学習に用いると共に、前記所定の層の成膜温度を前記製造条件パラメータとして前記学習に用い、
   前記光出力予測部は、前記学習済モデルに、予測対象の窒化物半導体発光素子の光出力以外の前記各パラメータを入力して光出力を予測し出力する、
   窒化物半導体発光素子の光出力予測装置。

Images