【会员论文】Cryst. Growth Des丨武汉大学张召富教授团队:基于机器学习的氧化镓单晶生长热场可解释性分析与优化

        由武汉大学的研究团队在学术期刊 Crystal Growth & Design 发布了一篇名为《Explainable Analysis and Optimization of the Thermal Field in Gallium Oxide Single Crystal Growth Based on Machine Learning》（基于机器学习的氧化镓单晶生长热场可解释性分析与优化）的文章。武汉大学博士生殷长帅为论文第一作者，武汉大学集成电路学院刘胜院士团队的张召富教授为论文通讯作者。本工作得到了湖北九峰山实验室的大力支持。

        氧化镓（β-Ga₂O₃）单晶因其超宽禁带、高击穿场强等优异特性，在下一代功率电子和深紫外光电器件中展现出巨大应用潜力。边缘限定薄膜馈送生长法（EFG）作为制备高质量β-Ga₂O₃单晶的关键技术，其热场分布的精确控制是决定晶体质量的核心因素。然而，传统热场优化严重依赖实验试错和局部数值模拟，难以全局、深入地揭示生长过程中的内在物理机制。机器学习技术作为数据驱动的分析工具，能够从复杂晶体生长过程中挖掘潜在规律，为热场设计提供新思路。

        本研究聚焦EFG法生长β-Ga₂O₃单晶过程，构建了包含5000组设备几何参数的三维热场仿真数据集，以固液界面温度梯度为核心目标参数，系统比较了八种机器学习算法的预测性能。研究发现，基于CatBoost的预测模型在晶体温度梯度（G_s）预测中表现最优，确定系数R²达0.87，其预测速度较单次有限元仿真提升约241倍。通过可解释机器学习方法SHAP量化分析了各设备参数对热场分布的影响权重，发现晶体高度（A10）是影响轴向温度梯度的最关键因素。进一步结合NSGA-II多目标优化算法，以最小化温度梯度为目标，对EFG系统设备几何构型进行全局优化，最终获得12组Pareto前沿解，并利用TOPSIS方法评估得出最优几何参数配置。实验验证表明，较低提拉速率（15 mm/h）和合理的铱模具与坩埚盖间距（A8=3 mm）有利于制备高质量β-Ga₂O₃单晶，X射线摇摆曲线半高宽显著降低。

        数据驱动设计：构建了基于三维仿真的β-Ga₂O₃单晶生长大数据集，为机器学习提供了高精度数据支撑。

        模型优选与加速：通过对比八种ML算法，优选CatBoost模型实现热场参数的快速、高精度预测，极大缩短了热场设计周期。

        机制可解释分析：利用SHAP方法量化解析了设备几何参数对热场分布的影响机制，明确了晶体高度、感应线圈参数等关键调控因子。

        多目标协同优化：结合NSGA-II算法与TOPSIS评估，实现了热场多目标协同优化，为晶体生长工艺参数优选提供了新方法。

        本研究将机器学习技术创新性地引入β-Ga₂O₃单晶热场设计，构建了基于设备尺寸预测的智能热场优化模型。通过CatBoost高精度预测、SHAP可解释性分析以及NSGA-II多目标优化，明确了热场调控的关键参数并获得了最优设备几何配置，为β-Ga₂O₃单晶的高质量、可控生长提供了新的技术路径和理论指导。该研究不仅推动了机器学习在材料制备领域的应用，也为其他功能晶体生长的热场设计提供了可借鉴的分析框架。

图1：论文技术框架图

图2：简化的固液界面模型

图3：基于SHAP分析的特征重要性分布柱状图；(a) G_s，(b) G₁，(c) G^x_s,l，(d) G^y_s,l。

DOI：

doi.org/10.1021/acs.cgd.5c01285