一种推断物性参数的方法及装置与流程

本申请涉及模拟晶体生长技术领域，尤其涉及一种推断物性参数的方法及装置。

背景技术：

在工业生产过程中，材料的物性参数往往对生产过程及生产结果起到很大的影响。其中，材料的物性参数表示材料在制工、性能等方面能否达到生产要求的参数数据。

特别是在模拟晶体生长过程中，不正确的材料的物性参数会导致对晶体生长过程中的温度分布、晶体凸率、晶体的形状等结果参数的预测不准确，从而使模拟结果与实际结果之间的误差较大。

目前，要确定材料的物性参数，可从材料供应商处获取。但是，材料供应商给出的数据的准确性可能较低。尤其针对晶体生长过程中所需的材料的物性参数，由于晶体生长过程中的温度高达上千摄氏度，因此难以获取高温下的物性参数的准确数据，这不利于对晶体生长过程的准确模拟。

技术实现要素：

本申请实施例提供一种推断物性参数的方法及装置，用以解决在例如高温等特定条件下，难以获取准确的材料的物性参数，从而影响通过模拟软件进行模拟获得的模拟结果的问题。

本申请实施例提供的一种推断物性参数的方法，包括：

根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型；

确定预设工艺条件下所述待推断材料对应的实际结果参数；

根据所述实际结果参数，采用所述神经网络模型与预设的数值优化算法，确定所述待推断材料的实际物性参数。

本申请实施例提供的一种推断物性参数的装置，包括：

训练模块，根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型；

第一确定模块，确定预设工艺条件下所述待推断材料对应的实际结果参数；

第二确定模块，根据所述实际结果参数，采用所述神经网络模型与预设的数值优化算法，确定所述待推断材料的实际物性参数。

本申请实施例提供一种推断物性参数的方法及装置，通过训练神经网络模型，并采用数值优化算法进行反推，对若干初始值进行迭代优化，并从优化结果中确定出材料的物性参数的最优解，作为材料的实际物性参数。

通过这种方法，能够在机器学习的基础上，结合数值优化算法，在难以获取材料的物性参数的情况下，根据实际结果参数，并通过多次迭代，以获得尽可能准确的材料的实际的物性参数。

尤其针对晶体生长中采用的坩埚而言，通过本方法，可不再受晶体生长环境的高温的限制，也无需担心难以获取坩埚的物性参数。即使是在高温条件下，也可通过晶体生长的结果参数，反推确定最准确的材料的物性参数，从而进一步完善通过模拟获得的晶体的模拟结果参数。

通过本方法获得的物性参数，能够使模拟软件根据该物性参数获得的模拟结果参数与实际结果参数尽可能一致，以缩小模拟结果与实际结果之间的误差，达到模拟结果与实际结果的一致。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的推断物性参数的方法流程图；

图2为本申请实施例提供的l-bfgs算法优化原理示意图；

图3(a)～图3(c)为本申请实施例提供的坩埚的物性参数优化结果示意图；

图4(a)～图4(b)为本申请实施例提供的模拟结果参数与实际结果参数的关系示意图；

图5为本申请实施例提供的推断物性参数的装置结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本申请实施例提供的推断物性参数的方法流程图，具体包括以下步骤：

s101：根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型。

在本申请实施例中，可通过训练神经网络模型，表示材料的物性参数与对应的结果参数之间的关系。

具体的，神经网络模型的训练过程包括：

第一步，根据预设的物性参数，通过模拟软件，确定相应的模拟结果参数。

服务器可根据预设的物性参数，确定各物性参数对应的不同的取值范围。在各物性参数的相应取值范围内，确定各物性参数的可能的取值。对各物性参数的不同取值进行组合，可形成大量组合数据。

将上述每个组合数据输入模拟软件，通过模拟软件进行仿真模拟，可针对每个组合数据，分别获得在预设工艺条件下相对应的模拟结果参数。其中，对晶体生长的模拟结果参数的获取，可通过模拟晶体生长的模拟软件获取。例如，模拟软件virtualreactor等。

以晶体生长过程为例，确定坩埚的不同的物性参数热导率λ、电导率σ与表面发射率ε，并通过模拟软件进行模拟，可确定相应的物性参数对应的晶体生长的模拟结果参数，包括晶体生长阶段中若干预设时刻对应的预设监测点的温度t，晶体生长的厚度h与晶体的凸率c。其中，晶体的凸率表示晶体的中间厚度与边缘厚度之间的差值。

为方便描述，以下以晶体生长过程中所采用的坩埚为例，进行说明。但这并不构成对本申请所适用的范围的限制，本方法并不仅限于对坩埚的物性参数的推断，在其他具有相同原理的生产过程中，同样适用。

第二步，建立训练数据集。

服务器可根据确定出的模拟结果参数，与相应的各物性参数的取值，建立训练数据集。

以晶体生长过程中采用的坩埚为例，则服务器可根据坩埚的物性参数热导率λ、电导率σ与表面发射率ε，与晶体生长的模拟结果参数，包括晶体生长阶段中若干预设时刻对应的预设监测点的温度t，晶体生长的厚度h与晶体的凸率c，建立训练数据集。

第三步，采用建立好的训练数据集，训练神经网络模型。

具体的，服务器可将材料的物性参数作为神经网络模型训练的输入数据，将相应的模拟结果参数作为神经网络模型训练的输出数据，来进行模型训练。通过机器学习，使神经网络模型能够学习在预设工艺条件下，材料的物性参数与相应的模拟结果参数之间的函数关系。

在一个实施例中，服务器可采用bp神经网络模型，进行神经网络模型的训练。在训练过程中，可将训练数据集划分为训练集与测试集，其中，若训练数据集为300组，则训练集可包括200组训练数据，测试集可包括100组训练数据。服务器可采用训练集的数据对bp神经网络模型进行训练，并采用测试集的数据对训练完成的bp神经网络模型的准确性等进行验证。

具体的，训练好的bp神经网络模型可包括三个全连接层，共33个神经元。其中，这三个全连接层分别包括16个、16个与5个神经元。其中，以晶体生长过程为例，则最后一层的5个神经元可分别对应晶体生长的结果参数中的三个预设监测点的温度、晶体的厚度与晶体的凸率。

并且，在训练bp神经网络模型时，激活函数可采用relu，优化方式可采用adam，损失函数可采用平均绝对误差。

s102：确定预设工艺条件下待推断材料对应的实际结果参数。

在本申请实施例中，服务器可根据待推断材料在具有预设工艺条件的实际生产过程中的应用，确定对应的实际结果参数，以便后续根据实际结果参数，对待推断材料的实际物性参数进行推断。其中，待推断材料指的是需要确定其准确的物性参数的材料，预设工艺条件表示在生产过程中所采取的加压、升温等操作，可根据需要设置。

服务器可确定待推断材料在不同预设工艺条件下所对应的多个实际结果参数，以便后续通过多个实际结果参数对待推断材料的物性参数进行优化，以获得更加准确的待推断材料的物性参数。

在一个实施例中，若待推断材料为晶体生长过程中采用的坩埚，则坩埚的物性参数可包括热导率、电导率、表面发射率等，通过坩埚所产生的晶体的结果参数可包括晶体预设监测点的温度、晶体厚度、晶体的凸率等。

需要说明的是，本申请实施例中对步骤101与步骤102之间没有先后顺序限定，步骤101与步骤102也可以同时进行。

s103：根据实际结果参数，采用神经网络模型与预设的数值优化算法，确定待推断材料的实际物性参数。

在本申请实施例中，可根据待推断材料对应的实际结果参数，通过训练完成的神经网络模型，反推确定待推断材料的实际物性参数。其中，反推确定待推断材料的物性参数的过程通过预设的数值优化算法来实现。

具体的，服务器可确定材料的物性参数的若干初始值，并确定各初始值经过神经网络模型预测得到的预测结果参数。并且，服务器可通过目标函数对各初始值对应的预测的结果参数与实际结果参数之间的相关性进行评估，以便后续根据评估结果对初始值进行迭代优化。

之后，服务器可根据预测的结果参数与实际结果参数之间的拟合结果，采用l-bfgs-b算法中的优化器，对各初始值进行迭代优化，直至迭代完成。

最后，可根据对各初始值进行迭代优化后得到的优化结果，确定最优的物性参数，作为待推断材料的实际物性参数。

进一步地，服务器可根据预设范围，确定物性参数的初始值。并且，为了使初始值能实现对预设范围的全覆盖，同时尽可能缩小各初始值之间的差距，确定的初始值的数量应当足够。如，可确定10000个初始值。

数值优化算法包括梯度类算法和牛顿类算法，梯度类算法收敛速度慢，计算效率低，易陷入局部极小点。相比于梯度类算法，牛顿类算法具有精度高，收敛速度快等优点，但是，牛顿类算法所需存储变量较多，其中的hessian矩阵及hessian矩阵的逆求取困难。

于是，为了避免hessian矩阵的直接求取，本申请实施例中采用拟牛顿类算法l-bfgs-b算法。在l-bfgs-b算法中，可构造一个不含二阶导数的正定矩阵其中hk为近似hessian矩阵。于是，通过构造bk，，就可直接得到hessian矩阵的逆求取矩阵。

如图2所示为l-bfgs算法的优化原理示意图。在图2中，曲线顶部的三个圆圈表示初始值，中部的两个圆圈表示局部最优解，底部的大圆圈表示全局最优解。可知，经过迭代优化，有两个初始值只寻找到局部最优解，一个初始值寻找到了全局最优解。

进一步地，服务器可根据目标函数确定神经网络模型预测的结果参数与实际结果参数之间的相关性。其中，以晶体生长过程为例，则f表示ti、h、c与ti、h、c之间的相关性，ti表示神经网络模型预测的晶体各预设监测点的温度，h表示神经网络模型预测的晶体的厚度，c表示神经网络模型预测的晶体的凸率，ti表示晶体各预设监测点的实际温度，h表示晶体的实际厚度，c表示晶体的实际凸率。通过使神经网络模型预测的结果参数与实际结果参数之间差值的平方，即f，达到最小，可实现两者之间的拟合。

进一步地，在对神经网络模型预测的结果参数与实际结果参数进行拟合的过程中，采用的迭代更新公式为mk+1＝mk+akpk。其中，m表示物性参数，ak表示迭代的步长，pk表示迭代方向，k表示迭代次数。

其中，搜索步长的选取对推断材料的物性参数的过程有重要的影响。若搜索步长太小，其局部优化能力较强，但容易陷入局部最优解，收敛速度较慢且求解精度较低。若搜索步长太大，则可能会破坏迭代过程的稳定性，且容易跳过最优值。

在一种可能的实现方式中，可采用linesearch算法确定步长的大小。该算法可简单的选取越来越小的步长，直至初始值的迭代完成。通过该算法中动态的步长大小，可解决步长过大或过小的问题，有利于对最优值的确定。

在每一次迭代过程中，每个初始值都会经过更新，并经过相应的优化调整。在迭代优化的过程中，迭代终止的条件可包括：目标函数小于预设值，或迭代已达到最大迭代次数。于是，直至所有迭代完成，可得到所有优化后的初始值。

进一步地，在确定最优的物性参数时，可根据初始值经过迭代优化后获得的优化结果，对优化结果中各个不同的取值分别进行计数。之后，可确定计数最多的优化结果，作为最优的物性参数。

如图3(a)～图3(c)所示为本申请实施例提供的坩埚的物性参数优化结果示意图。

图3(a)表示坩埚的热导率的优化结果，其中，横坐标表示热导率的取值，纵坐标表示计数。图3(b)表示坩埚的电导率的优化结果，其中，横坐标表示电导率的取值，纵坐标表示计数。图3(c)表示坩埚的表面发射率的优化结果，其中，横坐标表示表面发射率的取值，纵坐标表示计数。

根据上述三幅柱状图的纵坐标，可确定每幅图中纵坐标最大的柱形对应的横坐标，即柱形分布频率最高的横坐标，分别为坩埚的最优热导率、最优电导率以及最优表面发射率。

图4(a)～图4(b)为本申请实施例提供的模拟结果与实际结果的关系示意图。在图4(a)与图4(b)中，横坐标均表示距晶体中心的距离，单位为毫米，纵坐标均表示晶体生长速率，单位为微米每小时。

在图4(a)中，实线表示晶体生长的实际结果，虚线表示通过模拟软件获得的，未经优化的物性参数对应的模拟结果。在图4(b)中，实线表示晶体生长的实际结果，虚线表示通过模拟软件获得的，经过优化的物性参数对应的模拟结果。

可知，在不准确的物性参数下，通过模拟软件得到的模拟结果与实际结果之间的误差较大，模拟结果并不能真实的反映实际结果。而在对物性参数进行优化后，可缩小模拟结果与实际结果之间的误差，使模拟结果与实际结果基本一致。

在本申请实施例中，通过训练神经网络模型，并采用数值优化算法进行反推，可确定出材料的物性参数的最优解，作为材料的实际物性参数。这样能够在难以得知材料的物性参数的情况下，获得尽可能准确的材料的物性参数，从而有利于减小模拟结果与实际结果之间的误差。

以上为本申请实施例提供的推断物性参数的方法，基于同样的发明思路，本申请实施例还提供了相应的推断物性参数的装置，如图5所示。

图5为本申请实施例提供的推断物性参数的装置结构示意图，具体包括：

训练模块401，根据预设的待推断材料的物性参数，通过模拟软件建立训练数据集，并训练神经网络模型；

第二确定模块402，确定预设工艺条件下所述待推断材料对应的实际结果参数；

第三确定模块403，根据所述实际结果参数，采用所述神经网络模型与预设的数值优化算法，确定所述待推断材料的实际物性参数。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。