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

摘要

本申请涉及基于深度学习和坩埚下降法的高阻型氧化镓制备方法，预测方法包括：获取高阻型氧化镓单晶的制备数据；制备数据包括：籽晶数据、环境数据、控制数据以及原料数据；原料数据包括：掺杂类型数据及掺杂浓度；对制备数据进行预处理；将预处理的制备数据输入训练好的神经网络模型，得到高阻型氧化镓单晶对应的预测性质数据；所述预测性质数据包括：预测电阻率。先将制备数据进行预处理，得到预处理的制备数据，将预处理的制备数据输入训练好的神经网络模型，得到高阻型氧化镓单晶对应的预测性质数据，通过调整制备数据，可以得到预定电阻率的高阻型氧化镓。

说明书

技术领域

本申请涉及氧化镓制备技术领域，特别是涉及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。

背景技术

氧化镓(Ga

因此，现有技术有待改进。

发明内容

本发明所要解决的技术问题是，提供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，以预测得到预定电阻率的高阻型氧化镓。

本发明实施例提供了一种基于深度学习和坩埚下降法的高阻型氧化镓预测方法，包括：

获取高阻型氧化镓单晶的制备数据；其中，所述制备数据包括：籽晶数据、环境数据、控制数据以及原料数据；所述原料数据包括：掺杂类型数据和掺杂浓度；

对所述制备数据进行预处理，得到预处理的制备数据；

将所述预处理的制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述高阻型氧化镓单晶对应的预测性质数据；所述预测性质数据包括：预测电阻率。

所述的基于深度学习和坩埚下降法的高阻型氧化镓预测方法，所述对所述制备数据进行预处理，得到预处理的制备数据，包括：

根据所述籽晶数据、所述环境数据、所述控制数据以及所述原料数据，得到预处理的制备数据；其中，所述预处理的制备数据为由所述籽晶数据、所述环境数据、所述控制数据以及所述原料数据形成的矩阵。

所述的基于深度学习和坩埚下降法的高阻型氧化镓预测方法，所述籽晶数据包括：籽晶衍射峰半高宽、籽晶衍射峰半高宽偏差值以及籽晶直径；

所述环境数据包括：高温区保温层热阻值、高温区保温层热阻值偏差值、高温区保温层形状因子、低温区保温层热阻值、低温区保温层热阻值偏差值、低温区保温层形状因子以及生长驱动区保温层形状因子；

所述控制数据包括：高温区输入功率、高温区冷却功率、低温区输入功率、低温区冷却功率以及坩埚下降速度。

所述的基于深度学习和坩埚下降法的高阻型氧化镓预测方法，所述根据所述籽晶数据、所述环境数据、所述控制数据以及所述原料数据，得到预处理的制备数据，包括：

根据所述籽晶数据、所述环境数据、所述控制数据以及所述原料数据，确定制备向量；其中，所述制备向量中第一元素为所述籽晶衍射峰半高宽、所述籽晶衍射峰半高宽偏差值以及所述籽晶直径中的一个，所述制备向量中第二元素为所述高温区保温层热阻值、所述高温区保温层热阻值偏差值、所述高温区保温层形状因子、所述低温区保温层热阻值、所述低温区保温层热阻值偏差值、所述低温区保温层形状因子以及所述生长驱动区保温层形状因子中的一个，所述制备向量中第三元素为所述高温区输入功率、所述高温区冷却功率、所述低温区输入功率、所述低温区冷却功率以及所述坩埚下降速度中的一个；所述制备向量中第四元素为所述掺杂类型数据和所述掺杂浓度中的一个；

根据所述制备向量，确定所述预处理的制备数据。

所述的基于深度学习和坩埚下降法的高阻型氧化镓预测方法，所述预测性质数据包括：预测裂纹数据、预测杂晶数据、预测衍射峰半高宽、预测衍射峰半高宽径向偏差值、预测衍射峰半高宽轴向偏差值、预测电阻率、预测电阻率径向偏差值以及预测电阻率轴向偏差值。

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，所述制备方法包括：

获取目标高阻型氧化镓单晶的目标性质数据；所述目标性质数据包括：目标电阻率；

根据所述目标性质数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据；其中，所述目标制备数据包括：籽晶数据、环境数据、控制数据以及原料数据；所述原料数据包括：掺杂类型数据和掺杂浓度；

基于坩埚下降法，根据所述目标制备数据制备得到目标高阻型氧化镓单晶。

所述的基于深度学习和坩埚下降法的高阻型氧化镓制备方法，所述根据所述目标性质数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据，包括：

获取预设制备数据，对所述预设制备数据进行预处理，得到预处理的预设制备数据；

将所述预处理的预设制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述高阻型氧化镓单晶对应的预测性质数据；

根据所述预测性质数据、所述目标性质数据，对所述预设制备数据进行修正，以得到所述目标高阻型氧化镓单晶对应的目标制备数据。

所述的基于深度学习和坩埚下降法的高阻型氧化镓制备方法，其中，所述训练好的神经网络模型采用如下步骤训练得到：

获取高阻型氧化镓单晶的训练数据以及所述训练数据对应的实际性质数据；其中，所述训练数据包括：籽晶训练数据、环境训练数据、控制训练数据以及原料训练数据；所述原料训练数据包括：掺杂类型数据和掺杂浓度；

对所述训练数据进行预处理，得到预处理的训练数据；

将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据；所述预测生成性质数据包括：预测生成载流子浓度；

根据所述预测生成性质数据以及所述实际性质数据调整所述预设的神经网络模型的模型参数进行修正，以得到训练好的神经网络模型。

所述的基于深度学习和坩埚下降法的高阻型氧化镓制备方法，其中，所述预设的神经网络模型包括：特征提取模块和全连接模块，

所述将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据，包括：

将所述预处理的训练数据输入所述特征提取模块，通过所述特征提取模块得到所述预处理的训练数据对应的特征向量；

将所述特征向量输入所述全连接模块，通过所述全连接模块得到所述预处理的训练数据得到的预测生成性质数据。

一种基于深度学习和坩埚下降法的高阻型氧化镓制备系统，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的预测方法的步骤，或上述任一项所述的制备方法的步骤。

与现有技术相比，本发明实施例具有以下优点：

先将制备数据进行预处理，得到预处理的制备数据，然后将所述预处理的制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述高阻型氧化镓单晶对应的所述高阻型氧化镓单晶对应的预测性质数据，通过训练好的神经网络模型可以对高阻型氧化镓单晶的性能进行预测，因此可以通过调整制备数据，可以得到预定电阻率的高阻型氧化镓。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中基于深度学习和坩埚下降法的高阻型氧化镓预测方法的流程图；

图2为本发明实施例中晶体生长炉的结构示意图；

图3为本发明实施例中晶体的炉内位置与温度示意图；

图4为本发明实施例中基于深度学习和坩埚下降法的高阻型氧化镓制备系统的内部结构图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

坩埚下降法又称布里奇曼晶体生长法，是一种常用的晶体生长方法。晶体生长用的材料装在圆柱型的坩埚中，缓慢地下降，并通过一个具有一定温度梯度的加热炉，炉温控制在略高于材料的熔点附近。在通过加热区域时，坩埚中的材料被熔融，当坩埚持续下降时，坩埚底部的温度先下降到熔点以下，并开始结晶,晶体随坩埚下降而持续长大，如图2所示。在生长氧化镓晶体时，需考虑避免坩埚材料的腐蚀。

下面结合附图，详细说明本发明的各种非限制性实施方式。

参见图1-图3，示出了本发明实施例中的一种基于深度学习和坩埚下降法的高阻型氧化镓预测方法。在本实施例中，所述预测方法例如可以包括以下步骤：

S100、获取高阻型氧化镓单晶的制备数据；其中，所述制备数据包括：籽晶数据、环境数据、控制数据以及原料数据；所述原料数据包括：掺杂类型数据和掺杂浓度。

具体地，制备数据是指制备高阻型氧化镓单晶的数据。获取高阻型氧化镓单晶的制备数据，该制备数据可以是根据需要配置的制备数据，例如，需要预测某一制备数据下，得到的高阻型氧化镓单晶的性能时，只需要确定该制备数据，并对制备数据进行预处理，得到预处理的制备数据，再将预处理的制备数据输入训练好的神经网络模型，通过训练好的神经网络模型得到预测性质数据，也就是说，不需要进行实验，确定好制备数据后，就可以预测高阻型氧化镓单晶的性质数据。

制备数据包括：籽晶数据、环境数据、控制数据以及原料数据。籽晶数据是指制备高阻型氧化镓单晶的过程中所采用的籽晶的数据，环境数据是指制备高阻型氧化镓单晶的过程中晶体所处环境的数据，控制数据是指制备高阻型氧化镓单晶的过程中控制晶体生长的数据。原料数据是指制备导电型氧化镓单晶的过程中所采用原料的数据，掺杂浓度是指氧化镓中高阻型掺杂物质的浓度，高阻型掺杂物质包括：Fe、Ca、Zn、Co、Ti、Ni、Mg、Al、Cu等。掺杂类型数据是指掺杂物质的类型。

S200、对所述制备数据进行预处理，得到预处理的制备数据。

具体地，在得到制备数据后，先对制备数据进行预处理，得到预处理的制备数据，从而可以将预处理的制备数据输入训练好的神经网络模型中，以便通过训练好的神经网络模型对预处理的制备数据进行处理。

在本申请实施例的一种实现方式中，步骤S2、对所述制备数据进行预处理，得到预处理的制备数据，包括：

S210、根据所述籽晶数据、所述环境数据、所述控制数据以及所述原料数据，得到预处理的制备数据；其中，所述预处理的制备数据为由所述籽晶数据、所述环境数据、所述控制数据以及所述原料数据形成的矩阵。

具体地，在得到制备数据后，先对制备数据进行预处理，得到预处理的制备数据，由于制备数据中各子数据(如籽晶数据、环境数据、控制数据以及原料数据)之间是会相互影响，但是目前无法明确各子数据之间相互影响的程度有多少，因此，需要对制备数据进行预处理，将制备数据中各子数据重新排列组合，形成预处理的制备数据。

在本申请实施例的一种实现方式中，所述籽晶数据包括：籽晶衍射峰半高宽、籽晶衍射峰半高宽偏差值以及籽晶直径；所述环境数据还包括：高温区保温层热阻值、高温区保温层热阻值偏差值、高温区保温层形状因子、低温区保温层热阻值、低温区保温层热阻值偏差值、低温区保温层形状因子以及生长驱动区保温层形状因子；所述控制数据包括：高温区输入功率、高温区冷却功率、低温区输入功率、低温区冷却功率以及坩埚下降速度。

具体地，籽晶衍射峰半高宽可以采用X射线衍射仪对籽晶进行测试，籽晶衍射峰半高宽偏差值包括：籽晶衍射峰半高宽径向偏差值和籽晶衍射峰半高宽轴向偏差值。径向为位于水平面上方向，轴向为垂直于水平面的方向，也即竖直方向的轴线。籽晶衍射峰半高宽径向偏差值可以通过对籽晶径向两侧测试籽晶衍射峰半高宽，并求得籽晶径向两侧上籽晶衍射峰半高宽之间的差值，即可得到籽晶衍射峰半高宽径向偏差值。籽晶衍射峰半高宽轴向偏差值可以通过对籽晶轴向两侧测试籽晶衍射峰半高宽，并求得籽晶轴向两侧上籽晶衍射峰半高宽之间的差值，即可得到籽晶衍射峰半高宽轴向偏差值。

由于坩埚下降法制备高阻型氧化镓单晶时，已经生长成的晶体所在的区域为高温区，未生长成晶体的熔体所在的区域为低温区，熔体生长成晶体所在的区域为生长驱动区，生长驱动区位于高温区和低温区之间。通常，高温区位于低温区上方，如图2所示，坩埚1在高温区中时，坩埚1中的氧化镓为熔体3，坩埚1在低温区时，坩埚1中的氧化镓为晶体2，如图2和图3所示，坩埚在生长驱动区时，由于温度下降，坩埚中的氧化镓由熔体生长成晶体。在坩埚下降的过程中，从高温区下降到低温区时，坩埚中的氧化镓逐渐生长成高阻型氧化镓单晶。坩埚1的底部收窄形成尖部，籽晶位于尖部，也就是说，在晶体生长过程中，由于坩埚下降，坩埚逐渐进入低温区，熔体3从坩埚1的底部的籽晶处开始生长，逐渐生长成晶体2。当然，籽晶可以是在坩埚1中的氧化镓完全融化后，放置于坩埚1的尖部。

如图2所示，在感应线圈4外设置有保温层，保温层用于保持温度。保温层热阻值是指单位时间内有单位热量通过保温层时，保温层两端的温度差。保温层热阻值越大，表明保温层抵抗传热的能力越强，保温层的保温效果越好。高温区保温层热阻值是指位于高温区内的保温层的热阻值，低温区保温层热阻值是指位于低温区内的保温层的热阻值。

保温层热阻值偏差值包括：保温层径向热阻值偏差值和保温层轴向热阻值偏差值。保温层径向热阻值偏差值可以通过对保温层径向两侧测试保温层热阻值，并求得保温层径向两侧上保温层热阻值之间的差值，即可得到保温层径向热阻值偏差值。保温层轴向热阻值偏差值可以通过对保温层轴向两侧测试保温层热阻值，并求得保温层轴向两侧上保温层热阻值之间的差值，即可得到保温层轴向热阻值偏差值。

当然，在针对高温区进行测试时，可以得到高温区保温层热阻值偏差值；在针对低温区进行测试时，可以得到低温区保温层热阻值偏差值。

保温层形状因子是指保温区形状尺寸的值，例如，采用圆柱形保温层时，则保温层形状因子包括：保温层的直径和保温层的高度。采用立方体形保温层时，则保温层形状因子包括：保温层的长度、保温层的宽度以及保温层的高度。由于生长晶体主要在低温区和生长驱动区，因此，低温区保温层形状因子和生长驱动区形状因子会影响晶体的生长。

在坩埚和晶体生长炉确定后，低温区保温层形状因子和生长驱动区保温层形状因子就确定了。随着晶体生长炉的使用，高温区保温层热阻值、高温区保温层热阻值偏差值、高温区保温层形状因子、低温区保温层热阻值以及低温区保温层热阻值偏差值会改变，但是短时间内不会改变，可以在进行一定次数的晶体生长后，再重新测试这些环境数据。

高温区输入功率是指生长晶体时高温区感应线圈的输入功率，低温区输入功率是指生长晶体时低温区感应线圈的输入功率，高温区冷却功率是指高温区冷却对应的功率，低温区冷却功率是指低温区冷却对应的功率，由于感应线圈采用中空的感应线圈，在降温时，在感应线圈中通入冷却介质，使得感应线圈形成冷却线圈，通过冷却介质在冷却线圈中不断流动进行冷却。高温区及低温区冷却功率可以根据冷却介质的类型和冷却介质的流量确定，冷却介质的类型包括：水、油、气，冷却介质的流量可以根据冷却介质的流速和冷却线圈的直径确定。坩埚下降速度是指晶体生长时坩埚下降的速度。

在本申请实施例的一种实现方式中，步骤S210、根据所述籽晶数据、所述环境数据以及所述控制数据，得到预处理的制备数据，包括：

S211、根据所述籽晶数据、所述环境数据以及所述控制数据，确定制备向量；其中，所述制备向量中第一元素为所述籽晶衍射峰半高宽、所述籽晶衍射峰半高宽偏差值以及所述籽晶直径中的一个，所述制备向量中第二元素为所述高温区保温层热阻值、所述高温区保温层热阻值偏差值、所述高温区保温层形状因子、所述低温区保温层热阻值、所述低温区保温层热阻值偏差值、所述低温区保温层形状因子以及所述生长驱动区保温层形状因子中的一个，所述制备向量中第三元素为所述高温区输入功率、所述高温区冷却功率、所述低温区输入功率、所述低温区冷却功率以及所述坩埚下降速度中的一个；所述制备向量中第四元素为所述掺杂类型数据和所述掺杂浓度中的一个。

S212、根据所述制备向量，确定所述预处理的制备数据。

具体地，根据籽晶数据A、环境数据B、控制数据C以及原料数据D，确定制备向量(A，B，C，D)。籽晶数据A选自：籽晶衍射峰半高宽A1、籽晶衍射峰半高宽偏差值A2以及籽晶直径A3。环境数据B选自：高温区保温层热阻值B1、高温区保温层热阻值偏差值B2、高温区保温层形状因子B3、低温区保温层热阻值B4、低温区保温层热阻值偏差值B5、低温区保温层形状因子B6以及生长驱动区保温层形状因子B7。控制数据C选自：高温区输入功率C1、高温区冷却功率C2、低温区输入功率C3、低温区冷却功率C4以及坩埚下降速度C5。原料数据D选自：掺杂类型数据D1、掺杂浓度D2。也就是说，制备向量(A，B，C，D)中A可以是A1、A2、A3中的一个，B可以是B1、B2、B3、B4、B5、B6、B7中的一个，C可以是C1、C2、C3、C4、C5中的一个，D可以是D1、D2中的一个。则可以形成210个制备向量。

将所有制备向量按照序号排列形成矩阵，则得到了预处理的制备数据。

具体地，预处理的制备数据如下：

当然，还采用其他的排列形式，得到预处理的制备数据。

S300、将所述预处理的制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述高阻型氧化镓单晶对应的预测性质数据；所述预测性质数据包括：预测电阻率。

所述预测性质数据还包括：预测裂纹数据、预测杂晶数据、预测衍射峰半高宽、预测衍射峰半高宽径向偏差值、预测衍射峰半高宽轴向偏差值、预测电阻率径向偏差值以及预测电阻率轴向偏差值。

裂纹数据是指裂纹等级数据，预测裂纹数据是指预测的裂纹等级数据，例如，可以将裂纹分为多个等级，举例说明，裂纹分为3级，则裂纹数据分别为：1、2以及3。

杂晶数据是指杂晶等级数据，预测杂晶数据是指预测的杂晶等级数据，例如，可以将杂晶分为多个等级，举例说明，杂晶分为3级，则杂晶数据分别为：1、2以及3。

预测衍射峰半高宽是指预测的衍射峰半高宽，预测衍射峰半高宽径向偏差值是指在径向两侧衍射峰半高宽的预测差值，预测衍射峰半高宽轴向偏差值是指在轴向两侧衍射峰半高宽的预测差值。

通过将预处理的制备数据输入训练好的神经网络模型中，通过神经网络模型得到预测性质数据。需要说明的是，预测性质数据可以是一个或多个，例如，仅需要预测裂纹数据。

在本申请实施例的一种实现方式中，所述训练好的神经网络模型采用如下步骤训练得到：

A100、获取高阻型氧化镓单晶的训练数据以及所述训练数据对应的实际性质数据；其中，所述训练数据包括：籽晶训练数据、环境训练数据、控制训练数据以及原料训练数据；所述原料训练数据包括：掺杂类型数据和掺杂浓度。

具体地，训练数据是指制备高阻型氧化镓单晶并用于训练的数据，实际性质数据是指制备得到的高阻型氧化镓单晶的实际性质的数据。通过训练数据以及实际性质数据形成训练集，基于该训练集训练预设的神经网络模型，得到训练好的神经网络模型。所述籽晶训练数据包括：籽晶衍射峰半高宽训练数据、籽晶衍射峰半高宽偏差值训练数据以及籽晶直径训练数据；所述环境训练数据包括：高温区保温层热阻值训练数据、高温区保温层热阻值偏差值训练数据、高温区保温层形状因子训练数据、低温区保温层热阻值训练数据、低温区保温层热阻值偏差值训练数据、低温区保温层形状因子训练数据以及生长驱动区保温层形状因子训练数据；所述的原料训练数据包括：掺杂类型训练数据、掺杂浓度训练数据；所述控制训练数据包括：高温区输入功率训练数据、高温区冷却功率训练数据、低温区输入功率训练数据、低温区冷却功率训练数据以及坩埚下降速度训练数据。所述实际性质数据包括：实际电阻值。所述实际性质数据还包括：实际裂纹数据、实际杂晶数据、实际衍射峰半高宽、实际衍射峰半高宽径向偏差值以及实际衍射峰半高宽轴向偏差值、实际电阻率径向偏差值以及实际电阻率轴向偏差值。

当然还可以是通过训练数据以及实际性质数据形成训练集，基于该训练集训练预设的神经网络模型，得到训练好的神经网络模型。

在采集数据得到训练集时，采用坩埚下降法制备高阻型氧化镓单晶，并记录制备高阻型氧化镓单晶的数据作为训练数据，在得到高阻型氧化镓单晶后，对高阻型氧化镓单晶的性质进行分析得到实际性质数据。为了便于神经网络模型的训练，可以采集尽量多的数据形成训练集。

A200、对所述训练数据进行预处理，得到预处理的训练数据。

具体地，在得到训练数据后，对训练数据进行预处理，得到预处理的训练数据。预处理过程可以参考步骤S200。

A300、将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据；所述预测生成性质数据包括：预测生成电阻率。

具体地，将预处理的训练数据输入预设的神经网络模型，通过预设的神经网络模型得到预测生成性质数据。所述预测生成性质数据还包括：预测生成裂纹数据、预测生成杂晶数据、预测生成衍射峰半高宽、预测生成衍射峰半高宽径向偏差值、预测生成衍射峰半高宽轴向偏差值、预测生成电阻率径向偏差值以及预测生成电阻率轴向偏差值。

当然还可以是将预处理的训练数据输入预设的神经网络模型，通过预设的神经网络模型得到预测生成性质数据。

A400、根据所述预测生成性质数据以及所述实际性质数据调整所述预设的神经网络模型的模型参数进行修正，以得到训练好的神经网络模型。

具体地，根据所述预测生成性质数据以及所述实际性质数据，对所述预设的神经网络模型的模型参数进行修正，并继续执行将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据的步骤(即步骤A300)，直至满足预设训练条件，得到训练好的神经网络模型。

当然，也可以是根据所述预测生成性质数据以及所述实际性质数据，对所述预设的神经网络模型的模型参数进行修正，并继续执行将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据的步骤(即步骤A300)，直至满足预设训练条件，得到训练好的神经网络模型。

具体地，根据所述预测生成性质数据以及所述实际性质数据，对所述预设的神经网络模型的模型参数进行修正，并继续执行将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据的步骤，直至满足预设训练条件，得到训练好的神经网络模型。也就是说，若所述预设的神经网络模型满足预设训练条件，则得到训练好的神经网络模型。若所述预设的神经网络模型不满足预设训练条件，则返回步骤A300，直至所述预设的神经网络模型满足预设训练条件，得到训练好的神经网络模型。

在本发明实施例的一种实现方式中，根据所述预测生成性质数据以及所述实际性质数据确定预设的神经网络模型的损失函数值，根据所述损失函数值对所述预设的神经网络模型的模型参数进行修正。具体地，采用基于梯度的方法对所述预设的神经网络模型的参数进行修正，确定所述预设的神经网络模型的损失函数值后，根据所述损失函数值对所述预设的神经网络模型的参数的梯度、所述预设的神经网络模型的参数以及预设学习率，确定所述预设的神经网络模型的修正的参数。

所述预设训练条件包括：损失函数值满足第一预设要求和/或所述预设的神经网络模型的训练次数达到第一预设次数。

所述第一预设要求根据所述预设的神经网络模型的精度和效率确定，例如，所述预设的神经网络模型的损失函数值达到最小值或者不再变化。所述第一预设次数为所述预设的神经网络模型的最大训练次数，例如，4000次等。

预设的神经网络模型的损失函数包括：均方误差、均方根误差、平均绝对误差等。

在本申请实施例的一种实现方式中，所述预设的神经网络模型包括：特征提取模块和全连接模块。

举例说明，预设的神经网络模型包括：第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元以及全连接单元。具体地，第一卷积单元包括：两个卷积层和一个池化层。第二卷积单元、第三卷积单元以及第四卷积单元均包括三个卷积层和一个池化层。全连接单元包括三个全连接层。

卷积层和全连接层负责对输入数据进行映射变换，这个过程会用到权值和偏置等参数，也需要使用激活函数。池化层是一个固定不变的函数操作。具体地，卷积层起到提取特征的作用；池化层对输入特征进行池化操作，改变其空间尺寸；而全连接层是对前一次层中所有数据进行全部连接的。

步骤A300、将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型得到所述预处理的训练数据对应的预测生成性质数据，包括：

A310、将所述预处理的训练数据输入所述特征提取模块，通过所述特征提取模块得到所述预处理的训练数据对应的特征向量；

A320、将所述特征向量输入所述全连接模块，通过所述全连接模块得到所述预处理的训练数据得到的预测生成性质数据。

具体地，将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型中的所述特征提取模块输出所述预处理的训练数据对应的特征向量，并将所述特征向量输入所述预训练模型中的所述全连接模块，得到所述全连接模块输出的所述预处理的训练数据对应的预测生成性质数据。

还可以是将所述预处理的训练数据输入预设的神经网络模型，通过所述预设的神经网络模型中的所述特征提取模块输出所述预处理的训练数据对应的特征向量，并将所述特征向量输入所述预训练模型中的所述全连接模块，得到所述全连接模块输出的所述预处理的训练数据对应的预测生成性质数据。

基于上述基于深度学习和坩埚下降法的高阻型氧化镓预测方法，本实施例提供了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，所述制备方法包括：

B100、获取目标高阻型氧化镓单晶的目标性质数据；所述目标性质数据包括：目标电阻率。

具体地，如果需要得到目标高阻型氧化镓单晶时，可以先确定目标高阻型氧化镓单晶的目标性质数据，也就是说，确定想要得到的高阻型氧化镓单晶的性质数据。当然，还可以是先确定目标高阻型氧化镓单晶的目标性质数据，也就是说，确定想要得到的高阻型氧化镓单晶的性质数据。所述目标性质数据还包括：目标裂纹数据、目标杂晶数据、目标衍射峰半高宽、目标衍射峰半高宽径向偏差值、目标衍射峰半高宽轴向偏差值、目标电阻率径向偏差值以及目标电阻率轴向偏差值。

B200、根据所述目标性质数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据；其中，所述目标制备数据包括：籽晶数据、环境数据、控制数据以及原料数据；所述原料数据包括：掺杂类型数据和掺杂浓度。

具体地，根据所述目标性质数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据。当然，也可以是根据所述目标性质数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据。需要说明的时，由于不同的制备数据可以得到相同的性质数据，因此，在根据所述目标性质数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据时，目标制备数据并不是唯一的，根据多个目标制备数据中各数据的控制难易程度确定一个目标制备数据，从而便于得到目标高阻型氧化镓单晶。

在本实施例中的一种实现方式中，B200、根据所述目标性质数据以及训练好的神经网络模型，确定所述目标高阻型氧化镓单晶对应的目标制备数据，包括：

B210、获取预设制备数据，对所述预设制备数据进行预处理，得到预处理的预设制备数据。

B220、将所述预处理的预设制备数据输入训练好的神经网络模型，通过所述训练好的神经网络模型得到所述高阻型氧化镓单晶对应的预测性质数据。

B230、根据所述预测性质数据、所述目标性质数据，对所述预设制备数据进行修正，以得到所述目标高阻型氧化镓单晶对应的目标制备数据。

具体地，可以先预设制备数据，并对预设制备数据进行预处理，得到预处理的预设制备数据，具体预处理过程可以参考步骤S200。将预设制备数据输入训练好的神经网络模型，可以得到预测性质数据，然后根据所述预测性质数据、所述目标性质数据，对所述预设制备数据进行修正，当且所述预测性质数据与所述目标性质数据之间的差值小于预设阈值时，则可以将该预设制备数据作为目标制备数据。在对预设制备数据进行修正时，可以进行自动修正，也可以进行人工修正。当然，也可以根据所述预测性质数据与所述目标性质数据，确定损失函数值，然后根据该损失函数值对预设制备数据进行修正，当该损失函数值满足预设修正条件时，可以将该预设制备数据作为目标制备数据。预设修正条件包括：损失函数值满足第二预设要求和/或所述预设制备数据的修正次数达到第二预设次数。

需要说明的是，预设制备数据包括：预设籽晶数据、预设环境数据以及预设控制数据；所述预设籽晶数据包括：预设籽晶衍射峰半高宽、预设籽晶衍射峰半高宽偏差值以及预设籽晶直径；所述预设环境数据包括：预设高温区保温层热阻值、预设高温区保温层热阻值偏差值、预设高温区保温层形状因子、预设低温区保温层热阻值、预设低温区保温层热阻值偏差值、预设低温区保温层形状因子以及预设生长驱动区保温层形状因子；所述预设控制数据包括：预设高温区输入功率、预设高温区冷却功率、预设低温区输入功率、预设低温区冷却功率以及预设坩埚下降速度。所述预设原料数据包括：预设掺杂类型数据、预设掺杂浓度。

B300、基于坩埚下降法，根据所述目标制备数据制备得到目标高阻型氧化镓单晶。

具体地，在得到目标制备数据后，则可以基于坩埚下降法，根据所述目标制备数据制备得到目标高阻型氧化镓单晶。

基于上述预测方法或上述制备方法，本发明提供了一种基于深度学习和坩埚下降法的高阻型氧化镓制备系统，该系统可以是计算机设备，内部结构如图4所示。该系统包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该系统的处理器用于提供计算和控制能力。该系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该系统的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于深度学习和坩埚下降法的氧化镓的预测方法或基于深度学习和坩埚下降法的氧化镓的制备方法。该系统的显示屏可以是液晶显示屏或者电子墨水显示屏，该系统的输入装置可以是显示屏上覆盖的触摸层，也可以是系统外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图4所示的仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的系统的限定，具体的系统可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种基于深度学习和坩埚下降法的高阻型氧化镓制备系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的预测方法的步骤，或所述的制备方法的步骤。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。