JP7478817B2 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP7478817B2 JP7478817B2 JP2022520483A JP2022520483A JP7478817B2 JP 7478817 B2 JP7478817 B2 JP 7478817B2 JP 2022520483 A JP2022520483 A JP 2022520483A JP 2022520483 A JP2022520483 A JP 2022520483A JP 7478817 B2 JP7478817 B2 JP 7478817B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- neural network
- network model
- training
- training data
- 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 108
- 229910001195 gallium oxide Inorganic materials 0.000 title claims description 107
- 238000000034 method Methods 0.000 title claims description 69
- 238000004519 manufacturing process Methods 0.000 title claims description 30
- 238000013135 deep learning Methods 0.000 title claims description 28
- 239000013078 crystal Substances 0.000 claims description 170
- 238000012549 training Methods 0.000 claims description 154
- 238000002360 preparation method Methods 0.000 claims description 140
- 238000003062 neural network model Methods 0.000 claims description 113
- 238000009413 insulation Methods 0.000 claims description 49
- 239000002994 raw material Substances 0.000 claims description 44
- 230000015572 biosynthetic process Effects 0.000 claims description 38
- 239000012535 impurity Substances 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 35
- 238000001816 cooling Methods 0.000 claims description 31
- 230000007613 environmental effect Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000969 carrier Substances 0.000 claims description 2
- 241001632427 Radiola Species 0.000 claims 2
- 239000002826 coolant Substances 0.000 description 7
- 230000006698 induction Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910005191 Ga 2 O 3 Inorganic materials 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 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
- 230000004913 activation Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- 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
- 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
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Inorganic Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Description
高抵抗型酸化ガリウム単結晶の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、制御データ及び原料データを含み、前記原料データは不純物種類データ及び不純物濃度を含むステップと、
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、その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性質データを獲得するステップであって、前記予測性質データは予測抵抗を含むステップとを含む。
前記環境データは、高温区域保温層の熱抵抗、高温区域保温層の熱抵抗の誤差、高温区域保温層の形状因子、低温区域保温層の熱抵抗、低温区域保温層の熱抵抗の誤差、低温区域保温層の形状因子及び育成援助区域保温層の形状因子を含み、
前記制御データは、高温区域の入力パワー、高温区域の冷却パワー、低温区域の入力パワー、低温区域の冷却パワー及びルツボの引き下げ速度を含む。
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、前記種晶回折ピークの半値幅の誤差及び前記種晶の直径のうちいずれか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、前記高温区域保温層の熱抵抗、前記高温区域保温層の熱抵抗の誤差、前記高温区域保温層の形状因子、前記低温区域保温層の熱抵抗、前記低温区域保温層の熱抵抗の誤差、前記低温区域保温層の形状因子及び前記育成援助区域保温層の形状因子のうちいずれか1個であり、前記プレパレーションベクトル中の第三元素は、前記高温区域の入力パワー、前記高温区域の冷却パワー、前記低温区域の入力パワー、前記低温区域の冷却パワー及び前記ルツボの引き下げ速度のうちいずれか1個であり、前記プレパレーションベクトル中の第四元素は前記不純物種類データと前記不純物濃度のうちいずれか1個である。
前記目標性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、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、前記原料データは不純物種類データと不純物濃度を含むステップと、
ブリッジマン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高抵抗型酸化ガリウム単結晶に対応する予測性質データを獲得するステップと、
前記予測性質データと前記目標性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。
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、その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形成性質の予測データを獲得するステップであって、前記形成性質の予測データは形成キャリアの予測濃度を含むステップと、
前記形成性質の予測データと前記実際の性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するステップと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。
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、その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形成性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、その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よって獲得した前記形成性質の予測データを獲得するステップとを含む。
プレパレーションベクトルを他の順に配列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こともできる。
Claims (4)
- 高抵抗型酸化ガリウム単結晶の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、制御データ及び原料データを含み、前記原料データは不純物種類データ及び不純物濃度を含むステップと、
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、その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性質データを獲得するステップであって、前記予測性質データは予測抵抗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、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、前記環境データ、前記制御データ及び前記原料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及び種晶の直径からなる全ての種晶データを含み、
前記環境データは、高温区域保温層の熱抵抗、高温区域保温層の熱抵抗の誤差、高温区域保温層の形状因子、低温区域保温層の熱抵抗、低温区域保温層の熱抵抗の誤差、低温区域保温層の形状因子及び育成援助区域保温層の形状因子からなる全ての環境データを含み、
前記制御データは、高温区域の入力パワー、高温区域の冷却パワー、低温区域の入力パワー、低温区域の冷却パワー及びルツボの引き下げ速度からなる全ての制御データを含み、
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、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、前記種晶回折ピークの半値幅の誤差及び前記種晶の直径のうちいずれか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、前記高温区域保温層の熱抵抗、前記高温区域保温層の熱抵抗の誤差、前記高温区域保温層の形状因子、前記低温区域保温層の熱抵抗、前記低温区域保温層の熱抵抗の誤差、前記低温区域保温層の形状因子及び前記育成援助区域保温層の形状因子のうちいずれか1個であり、前記プレパレーションベクトル中の第三元素は、前記高温区域の入力パワー、前記高温区域の冷却パワー、前記低温区域の入力パワー、前記低温区域の冷却パワー及び前記ルツボの引き下げ速度のうちいずれか1個であり、前記プレパレーションベクトル中の第四元素は前記不純物種類データと前記不純物濃度のうちいずれか1個であり、
前記予め処理プレパレーションデータを、所定のトレーニング方法により獲得した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、かかる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抵抗を含む予測性質データを獲得し、
前記所定のトレーニング方法により獲得した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性質データによりトレーニングセット(Training set)を形成した後、その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、
前記トレーニングデータは、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、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、前記種晶トレーニングデータは、種晶回折ピークの半値幅のトレーニングデータ、種晶回折ピークの半値幅の誤差のトレーニングデータ及び種晶直径のトレーニングデータを含み、前記環境トレーニングデータは、高温区域保温層の熱抵抗のトレーニングデータ、高温区域保温層の熱抵抗の誤差のトレーニングデータ、高温区域保温層の形状因子のトレーニングデータ、低温区域保温層の熱抵抗のトレーニングデータ、低温区域保温層の熱抵抗の誤差のトレーニングデータ、低温区域保温層の形状因子のトレーニングデータ及び育成援助区域保温層の形状因子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不純物種類のトレーニングデータと不純物濃度のトレーニングデータを含み、前記制御トレーニングデータは、高温区域の入力パワーのトレーニングデータ、高温区域の冷却パワーのトレーニングデータ、低温区域の入力パワーのトレーニングデータ、低温区域の冷却パワーのトレーニングデータ及びルツボの引き下げ速度のトレーニングデータを含み、
前記実際の性質データは、獲得した高抵抗型酸化ガリウム単結晶の実際の性質データを指し、実際の抵抗、実際の亀裂データ、実際の異物結晶データ、実際の回折ピーク値の半値幅、回折ピーク値の半値幅の直径方向の実際誤差、回折ピーク値の半値幅の軸方向の実際誤差、実際の抵抗の直径方向誤差、実際の抵抗の軸方向誤差を含み、
データを採集することにより前記トレーニングセットを獲得するとき、ブリッジマン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前記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性質を分析することにより前記実際の性質データを獲得し、
前記予測性質データと前記実際の性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前記予測性質データを獲得し、かつ予め設定トレーニング条件を満たすときまでこのステップを繰り返すこと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し、
前記予測性質データと前記実際の性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損失函数を確定し、前記損失函数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、前記予め設定ニューラルネットワークモデルの損失函数を確定した後、前記損失函数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のグラジェント、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及び予め設定学習頻度を修正し、かつ前記予め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ーを確定し、
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、その予め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出力し、かつ前記特徴ベクトルを前記予めトレーニングモデルの前記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た前記予め処理トレーニングデータに対応する前記予測性質データを獲得する
ことを特徴とする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予測方法。 - 前記予測性質データは、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、回折ピーク値の半値幅の直径方向の予測誤差、回折ピーク値の半値幅の軸方向の予測誤差、予測抵抗の直径方向誤差、予測抵抗の軸方向誤差を更に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及びブリッジマン法による高抵抗型酸化ガリウムの予測方法。
- 目標高抵抗型酸化ガリウム単結晶の目標性質データを獲得するステップであって、前記目標性質データは目標抵抗を含むステップと、
前記目標性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、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、前記原料データは不純物種類データと不純物濃度を含むステップと、
ブリッジマン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及び種晶の直径からなる全ての種晶データを含み、
前記環境データは、高温区域保温層の熱抵抗、高温区域保温層の熱抵抗の誤差、高温区域保温層の形状因子、低温区域保温層の熱抵抗、低温区域保温層の熱抵抗の誤差、低温区域保温層の形状因子及び育成援助区域保温層の形状因子からなる全ての環境データを含み、
前記制御データは、高温区域の入力パワー、高温区域の冷却パワー、低温区域の入力パワー、低温区域の冷却パワー及びルツボの引き下げ速度からなる全ての制御データを含み、
前記目標性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前記ステップは、
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高抵抗型酸化ガリウム単結晶に対応する予測性質データを獲得するステップと、
前記予測性質データと前記目標性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、
高抵抗型酸化ガリウム単結晶を獲得するトレーニングデータとそのトレーニングデータに対応する実際の性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、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不純物種類データと不純物濃度を含むステップと、
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、その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形成性質の予測データを獲得するステップであって、前記形成性質の予測データは形成キャリアの予測濃度を含むステップと、
前記形成性質の予測データと前記実際の性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するステップと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し、
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、その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形成性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、その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よって獲得した前記形成性質の予測データを獲得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。 - 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ブリッジマン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1~2のうちいずれか一項に記載の予測方法のステップまたは請求項3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ブリッジマン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 |
---|---|---|---|
CN202011642207.0A CN112863617A (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度学习和坩埚下降法的高阻型氧化镓制备方法 |
CN202011642207.0 | 2020-12-31 | ||
PCT/CN2021/075563 WO2022141751A1 (zh) | 2020-12-31 | 2021-02-05 | 一种基于深度学习和坩埚下降法的高阻型氧化镓制备方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023512383A JP2023512383A (ja) | 2023-03-27 |
JP7478817B2 true JP7478817B2 (ja) | 2024-05-07 |
Family
ID=76000939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022520483A Active JP7478817B2 (ja) | 2020-12-31 | 2021-02-05 | 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 |
Country Status (5)
Country | Link |
---|---|
US (1) | US12026616B2 (ja) |
EP (1) | EP4273869A1 (ja) |
JP (1) | JP7478817B2 (ja) |
CN (1) | CN112863617A (ja) |
WO (1) | WO2022141751A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114690643B (zh) * | 2022-05-31 | 2022-08-23 | 广东高景太阳能科技有限公司 | 基于掺镓单晶中镓含量的电阻率控制方法、***及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002517367A (ja) | 1998-06-04 | 2002-06-18 | レイボルト システムズ ゲゼルシャフト ミット ベシュレンクテル ハフツング | 結晶成長装置および方法 |
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 |
JP2020059633A (ja) | 2018-10-11 | 2020-04-16 | 国立大学法人信州大学 | 酸化ガリウム結晶の製造装置及び酸化ガリウム結晶の製造方法並びにこれらに用いる酸化ガリウム結晶育成用のるつぼ |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533483B (zh) | 2009-04-14 | 2011-05-04 | 江苏大学 | 金属塑料复合自润滑材料塑料工作层成分优化方法 |
CN103745271B (zh) | 2014-01-02 | 2017-05-10 | 上海大学 | 基于神经网络的感应热沉积钙磷涂层工艺预测方法 |
US20180018565A1 (en) | 2016-07-14 | 2018-01-18 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor device, display system, and electronic device |
CN109726844A (zh) | 2017-10-31 | 2019-05-07 | 中国石油化工股份有限公司 | 加氢裂化装置的产品收率自动调控方法、***和存储设备 |
CN111652402B (zh) * | 2019-03-04 | 2023-04-14 | 湖南师范大学 | 一种光纤预制棒沉积工序大数据智能优化方法 |
CN111849544B (zh) | 2019-04-28 | 2021-08-06 | 中国石油化工股份有限公司 | 加氢裂化的产品质量自控方法、装置和存储器 |
CN111222553B (zh) | 2019-12-30 | 2023-08-29 | 广州方硅信息技术有限公司 | 机器学习模型的训练数据处理方法、装置和计算机设备 |
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 |
KR20240095343A (ko) * | 2021-11-10 | 2024-06-25 | 실라나 유브이 테크놀로지스 피티이 리미티드 | 에피택셜 산화물 물질, 구조 및 소자 |
WO2023084274A1 (en) * | 2021-11-10 | 2023-05-19 | Silanna UV Technologies Pte Ltd | Epitaxial oxide materials, structures, and devices |
-
2020
- 2020-12-31 CN CN202011642207.0A patent/CN112863617A/zh active Pending
-
2021
- 2021-02-05 US US17/761,030 patent/US12026616B2/en active Active
- 2021-02-05 EP EP21867898.5A patent/EP4273869A1/en active Pending
- 2021-02-05 WO PCT/CN2021/075563 patent/WO2022141751A1/zh unknown
- 2021-02-05 JP JP2022520483A patent/JP7478817B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002517367A (ja) | 1998-06-04 | 2002-06-18 | レイボルト システムズ ゲゼルシャフト ミット ベシュレンクテル ハフツング | 結晶成長装置および方法 |
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 |
JP2020059633A (ja) | 2018-10-11 | 2020-04-16 | 国立大学法人信州大学 | 酸化ガリウム結晶の製造装置及び酸化ガリウム結晶の製造方法並びにこれらに用いる酸化ガリウム結晶育成用のるつぼ |
Non-Patent Citations (1)
Title |
---|
Crystals,2020年,10(8),663 |
Also Published As
Publication number | Publication date |
---|---|
CN112863617A (zh) | 2021-05-28 |
EP4273869A1 (en) | 2023-11-08 |
US12026616B2 (en) | 2024-07-02 |
JP2023512383A (ja) | 2023-03-27 |
US20230162025A1 (en) | 2023-05-25 |
WO2022141751A1 (zh) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
Cao et al. | Grain growth in IN718 superalloy fabricated by laser additive manufacturing | |
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 | |
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*** | |
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 | |
WO2022141768A1 (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*** | |
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 | |
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 | |
WO2022141750A1 (zh) | 一种基于深度学习和热交换法的氧化镓制备方法及*** | |
JPWO2022141758A5 (ja) | ||
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*** | |
US12031230B2 (en) | Quality prediction method, preparation method and system of high resistance gallium oxide based on deep learning and Czochralski method | |
Ghanbari et al. | EFFECT OF SPIRAL DESIGN ON CRYSTAL ORIENTATION DURING SINGLE CRYSTAL GROWTH |
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: 20230425 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230719 |
|
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: 7478817 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |