利用移动加热器方法对CdZnTe晶体生长过程进行机器学习优化

《Journal of Applied Crystallography》：Machine learning optimization of CdZnTe crystal growth by the travelling heater method

机器学习优化晶体生长参数，显著提升CdZnTe晶体质量与效率。通过Gaussian过程回归神经网络训练近100组实验数据，获得最佳生长温度867.43°C、速率0.74cm/d、梯度32.98°C·cm?1，预测单晶率66.4%、能谱分辨率6.4%。实际实验验证单晶率达67%，分辨率6.9%，优于人工优化参数。

　　

摘要

移动加热法（THM）是生长高质量、大直径CdZnTe（CZT）晶体的一种非常有前景的方法。在CZT晶体的实验性THM生长过程中，对核心生长参数（如生长温度、温度梯度和生长速率）进行精细调节非常重要。传统上，通过多次晶体生长实验来优化THM过程，但这既效率低下又成本高昂。本研究开发了一种机器学习（ML）方法，以加速THM生长的高质量CZT晶体的几何优化过程。将近100组THM生长实验数据被导入高斯过程回归神经网络模型进行训练，最终获得了以下最佳生长参数：生长温度为867.43°C，生长速率为每天0.74厘米，温度梯度为32.98°C厘米^?1。在这些最佳生长参数下，单晶率（最大单晶区域面积与整个晶圆面积的比值）预计为66.4%，能谱分辨率预计为6.4%。使用ML得到的生长参数进行了一次实际的THM生长实验。实验结果表明，实验晶体的单晶率为67%，能谱分辨率约为6.9%，与ML预测的结果非常接近。与三组人工改进的生长参数相比，使用ML改进参数得到的晶体生长结果在单晶率、电阻率、能量分辨率和探测器性能方面均表现最佳。所有结果均表明，ML方法在指导CZT晶体的THM生长方面是有效的。