一种基于多模态深度学习的磷化铟晶体生长控制方法、装置、设备及介质与流程

本技术涉及半导体晶体生长，特别涉及一种基于多模态深度学习的磷化铟晶体生长控制方法、装置、设备及介质。

背景技术：

1、磷化铟是重要的第二代半导体材料，广泛应用于光通信模块、高端射频器件及传感器件领域。晶体的熔点为1070℃，并且在熔点温度下磷的离解压高达2.75mpa，磷极易挥发，因此是半导体晶体生长领域中技术难度最高的材料之一。

2、目前，工业界主要采用两种方法生长单晶：液封直拉法（，liquidencapsulated czochralski）和垂直梯度冷凝法（，vertical gradient freeze）。采用法生长时，通常以作为液封剂，液封层厚度约30，以此抑制磷挥发，同时生长过程需要在2-3的高压氮气或氩气氛围中进行。

3、然而，现有设备主要依赖操作人员的经验设定固定的温度曲线与拉速，既难以应对晶体生长过程中磷蒸汽压和温度的复杂非线性耦合关系，在处理磷挥发引发的压力突变时还存在严重的响应滞后问题，进而导致晶体内部形成孪晶与高位错密度缺陷。

4、因而现有技术还有待改进和提高。

技术实现思路

1、本技术要解决的技术问题在于，针对现有技术的不足，提供一种基于多模态深度学习的磷化铟晶体生长控制方法、装置、设备及介质。

2、为了解决上述技术问题，本技术第一方面提供了一种基于多模态深度学习的磷化铟晶体生长控制方法，其中，所述方法包括：

3、通过x射线采集生长炉中的固液界面的界面图像；

4、将所述界面图像输入机器视觉模型，通过所述机器视觉模型捕捉固液界面的全局形态特征；

5、通过生长控制模型中的时序预测模块，基于历史观测数据序列确定未来时长内的磷蒸汽压变化趋势；

6、通过生长控制模型中的强化学习模块，基于变化趋势和全局形态特征确定控制参数；

7、基于所述控制参数对所述磷化铟晶体生长进行控制。

8、所述的基于多模态深度学习的磷化铟晶体生长控制方法，其中，所述通过x射线采集生长炉中的固液界面的界面图像具体为：

9、通过安装于生长炉的高压腔室侧壁上的x射线成像单元向所述生长炉发射x射线；

10、通过位于x射线成像单元对侧的x射线探测器接收穿过高压腔室侧壁和液封层后的x射线，并基于所述x射线形成固液界面的灰度投影图像以得到界面图像。

11、所述的基于多模态深度学习的磷化铟晶体生长控制方法，其中，所述将所述界面图像输入机器视觉模型，通过所述机器视觉模型捕捉固液界面的全局形态特征具体包括：

12、将所述界面图像输入机器视觉模型中的灰度增强预处理模块，通过灰度增强预处理模块提升所述界面图像的对比度以得到增强界面图；

13、将所述增强界面图像输入机器视觉模型中的去噪模块，通过去噪模块去除x射线散射噪声以得到去噪界面图；

14、基于所述去噪界面图通过机器视觉模型中的去模糊卷积注意力层过滤液封层来的图像噪声以提取初始特征图；

15、基于所述初始特征图通过机器视觉模型中的自注意力层提取目标特征图，并基于所述目标特征图确定全局形态特征。

16、所述的基于多模态深度学习的磷化铟晶体生长控制方法，其中，所述全局形态特征包括固液界面曲率、液封层厚度以及晶种熔接状态。

17、所述的基于多模态深度学习的磷化铟晶体生长控制方法，其中，所述控制参数包括温度调节量、气压调节量、拉速调节量以及电磁场强度。

18、所述的基于多模态深度学习的磷化铟晶体生长控制方法，其中，所述强化学习模块以所述变化趋势和全局形态特征为状态空间，以所述控制参数为动作空间，以晶体位错密度和孪晶率为依据构建奖励函数，通过深度确定性策略梯度方式确定最优控制策略。

19、所述的基于多模态深度学习的磷化铟晶体生长控制方法，其中，所述方法还包括：

20、通过云端服务器汇聚多个磷化铟晶体的完整生长过程数据；

21、采用完整生长过程数据对机器视觉模型和生长控制模型进行联邦学习以对机器视觉模型和生长控制模型进行联合微调，以使得执行所述基于多模态深度学习的磷化铟晶体生长控制方法的边侧设备利用联合微调后的机器视觉模型和生长控制模型确定控制参数。

22、本技术第二方面提供了一种基于多模态深度学习的磷化铟晶体生长控制装置，其中，所述装置包括：

23、采集模块，用于通过x射线采集生长炉中的固液界面的界面图像；

24、捕获模块，用于将所述界面图像输入机器视觉模型，通过所述机器视觉模型捕捉固液界面的全局形态特征；

25、时序预测模块，用于通过生长控制模型中的时序预测模块，基于历史观测数据序列确定未来时长内的磷蒸汽压变化趋势；

26、确定模块，用于通过生长控制模型中的强化学习模块，基于变化趋势和全局形态特征确定控制参数；

27、控制模块，用于基于所述控制参数对所述磷化铟晶体生长进行控制。

28、本技术第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于多模态深度学习的磷化铟晶体生长控制方法中的步骤。

29、本技术第四方面提供了一种终端设备，其包括：处理器和存储器；

30、所述存储器上存储有可被所述处理器执行的计算机可读程序；

31、所述处理器执行所述计算机可读程序时实现如上任一所述的基于多模态深度学习的磷化铟晶体生长控制方法中的步骤。

32、有益效果：

33、1、本技术通过机器视觉模型识别全局形态特征以及通过时序预测模块预测磷蒸汽压变化趋势，然后结合全局形态特征和磷蒸汽压变化趋势确定控制参数，能够实现对磷化铟晶体生长过程的实时动态调控，解决了传统依赖人工经验固定参数控制带来的响应滞后问题，有效降低晶体的孪晶率和位错密度，提升磷化铟单晶的生长良率与晶体质量。

34、2、本技术将磷蒸汽压的变化趋势作为确定控制参数的依据，提前对可能发生的压力突变与工况波动做出预判调整，实现有效的前馈补偿，进一步避免了滞后调控引发的晶体缺陷，提升了晶体生长过程的稳定性。

35、3、本技术通过让x射线穿过高压腔室侧壁和液封层，采集生长炉内固液界面的图像，解决了传统光学手段完全无法直接观测固液界面形状与晶种熔接情况的技术难题，能够实现固液界面状态的可视化观测，为晶体生长过程的调控提供直观可靠的数据支撑。

36、4、本技术通过在视觉框架中增设灰度增强预处理、卷积注意力去噪以及自注意力特征提取，能够有效过滤液封层带来的图像干扰以及x射线散射噪声，保证全局形态特征的准确性与可靠性，为后续控制参数确定提供精准的状态依据。

37、5、本技术采用基于深度确定性策略梯度的强化学习方法确定最优控制参数，以晶体位错密度和孪晶率为依据构建奖励函数引导模型优化方向，能够快速适配复杂非线性的生长工况，输出最优控制参数，实现晶体生长过程的自适应调控。

38、6、本技术采用联邦学习方式对多生长场景的历史数据进行模型联合微调，在保证各设备数据隐私性的前提下，持续优化模型性能，使模型能够适配不同工况下的磷化铟晶体生长控制需求，提升了本方法的泛化能力与控制精度。