通过优化LEC方法（利用有限元仿真和机器学习技术）研究GaSb单晶的生长过程

《ACS Omega》：Investigating the Growth of GaSb Single Crystals through Optimized LEC Method Utilizing Finite Element Simulation and Machine Learning Techniques

优化GaSb单晶生长工艺，结合CGsim数值模拟与机器学习技术，通过热流修正与界面形态调控，将6英寸晶体中位错密度从1039 cm?2降至369 cm?2，X射线衍射半峰宽收窄至28.5 arcsec。

　　
该研究聚焦于六英寸（150毫米）碲掺杂GaSb单晶的大尺寸生长工艺优化，通过集成多物理场仿真与机器学习算法，解决了传统LEC法中晶体缺陷控制难题。研究团队基于有限体积法构建了晶体生长热力学-流体力学耦合模型，并创新性地引入深度学习模块对结晶前沿形态进行实时修正，最终将晶体中位错密度降低至369 cm?2，X射线衍射摇摆曲线半高宽收窄至28.5 arcsec，达到半导体红外探测器晶圆级标准。

在晶体生长机理层面，研究揭示了熔体对流与温度梯度对结晶前沿形态的协同作用。传统二维热传导模型难以准确捕捉熔体湍流对热通量的扰动效应，导致结晶界面出现异常凸起。通过在基础CGSim模型中叠加机器学习模块（MLM），成功构建了包含10-20个神经元的深度神经网络，该模型能够通过训练获得熔体对流与热通量分布的映射关系。实验数据显示，该模型在预测结晶前沿形态时与实测数据吻合度达92.7%，显著优于基础CGSim的78.3%。

工艺优化方面，研究团队通过设计实验（DoE）系统采集了包括结晶速率（8-10 mm/h）、 crucible转速（4-11 rpm）、晶体旋转速度（10 rpm）等17个关键参数的工况数据。利用拉丁超立方采样法生成覆盖参数空间的200组训练样本，经五折交叉验证优化神经网络结构后，成功训练出具有自解释功能的机器学习模型。该模型不仅实现了结晶前沿形态的实时预测（误差范围±0.05°），还能通过逆向推理确定最优工艺参数组合。

在缺陷控制方面，研究揭示了热通量分布与晶体缺陷的量化关系。通过建立包含温度梯度、熔体对流强度、晶体机械应力等12个特征参数的缺陷预测模型，实现了对位错密度、空位浓度、孪晶形成等缺陷的早期预警。特别在6英寸晶圆生长过程中，采用动态调整热通量的方法，使晶体中心与边缘的应力差控制在5%以内，有效避免了传统LEC法中因热应力累积导致的晶界迁移现象。

设备改进方面，团队研发的新型热场结构（图2b）通过机器学习预判熔体对流模式，在保持结晶速率稳定的前提下，将加热功率波动范围从±15%压缩至±3%。实验数据显示，采用优化后的热场结构后，晶圆厚度均匀性从85%提升至97%，表面粗糙度降低至0.8 μm以下，达到半导体级加工标准。

在工艺实施层面，研究提出了"双阶段稳态控制"策略。第一阶段（0-4小时）采用机器学习动态修正热通量，使结晶前沿保持0.086°的极低凸度；第二阶段（4-24小时）通过自适应PID算法实时调整 Crucible转速与晶体进给速率的比值（RPM/h），确保熔体对流与晶体生长的同步优化。该策略成功解决了大尺寸晶体生长中的"边缘效应"问题，使晶圆边缘与中心的位错密度差从初始的2.3倍降至1.1倍。

质量评估体系方面，研究建立了包含X射线衍射（R岩流曲线半高宽）、电子背散射衍射（EBSD）位错密度、光学显微镜形貌分析的三维质量评价模型（图4）。通过机器学习将传统实验室检测周期从72小时缩短至4小时，实现了晶圆质量的多参数实时评估。特别开发的AI缺陷识别算法（图3c）可在晶体生长过程中实时监测孪晶形成概率，当检测到晶格畸变超过阈值时，系统自动触发熔体对流强化机制，将缺陷密度抑制在临界值以下。

该研究的技术突破主要体现在三个方面：首先，构建了国内首个涵盖GaSb晶体生长全周期的数字孪生系统，实现了从原料熔融到成品检测的全流程数字化映射；其次，开发了具有自主知识产权的机器学习模块（MLM），该模块采用注意力机制处理高维工艺参数，在有限数据条件下仍能保持85%以上的泛化准确率；最后，创新性地将工艺参数优化（POO）与缺陷预测（DPF）相结合，形成闭环控制系统，使单晶生长良率从行业平均的68%提升至92%。

在产业化应用方面，研究团队基于上述成果开发了工业级GaSb晶体生长控制系统（图7），该系统包含五个核心子系统：①熔体对流动态监测子系统，②热通量实时修正子系统，③缺陷风险预警子系统，④工艺参数优化子系统，⑤晶圆质量追溯子系统。经实测验证，该系统可使6英寸GaSb晶圆的位错密度稳定在350-400 cm?2之间，晶格取向均匀性达到99.5%，完全满足红外焦平面阵列（FPA）的严苛要求。

该研究的重要创新点在于首次将机器学习算法深度嵌入晶体生长模拟系统。通过构建"物理模型+数据驱动"的双模仿真架构（图2），既保留了传统有限体积法在处理多物理场耦合问题的优势，又借助机器学习弥补了传统仿真在复杂湍流场计算方面的不足。这种混合建模方法成功解决了大尺寸晶体生长中热应力分布不均（标准差从12.7%降至4.3%）和界面形貌预测偏差（平均误差从8.2°降至0.5°）两大技术瓶颈。

在经济效益方面，研究应用表明，通过机器学习优化后的生长工艺可使单晶制备成本降低37%，其中能耗成本下降42%，辅助材料浪费减少28%。特别在晶圆尺寸扩大至6英寸后，传统工艺需增加3次热场校正的步骤，而采用该优化系统后仅需1次校正，有效缩短了生产周期约25%。据行业专家评估，该技术可使GaSb晶圆的国产化成本降低至进口产品的65%，对突破红外光电材料"卡脖子"技术具有重大战略意义。

该研究的局限性与未来方向在于：①机器学习模型的训练数据主要来源于6英寸晶圆，需进一步验证在8英寸晶圆上的适用性；②当前模型对晶体生长中突发性机械振动的响应机制仍需完善；③在缺陷类型预测方面，对空位缺陷的演化规律建模精度有待提升。研究团队计划下一步开发基于联邦学习的分布式模型训练系统，通过整合多台生长炉的实时数据，进一步提升模型的泛化能力和鲁棒性。

在半导体材料领域，该成果标志着我国在第三代半导体晶体生长技术方面实现了从跟跑到并跑的跨越式发展。特别是将大尺寸GaSb晶圆的位错密度控制在工业级标准以下，为红外探测器芯片提供了高纯度衬底材料。据测算，该技术可使红外探测器芯片的探测效率提升40%，功耗降低至现有产品的1/3，对5G通信、卫星遥感、军事安防等关键领域具有重要应用价值。