基于贝叶斯优化的硅片薄层电阻控制方法及其在太阳能电池智能制造中的应用

针对光伏制造中传统试错法优化磷酰氯(POCl3 )掺杂工艺效率低下的问题，研究人员采用机器学习模型预测薄层电阻，梯度提升(GB)模型表现最优（R2 =0.955），结合SHAP可解释性分析与贝叶斯优化，实现目标电阻150 Ω/sq的精准调控（偏差仅0.1 Ω/sq），为半导体智能工厂提供新范式。

　　

随着全球碳中和进程加速，光伏(PV)技术已成为可再生能源的主力军，2024年其新增装机占比达78%。晶硅太阳能电池作为主流技术，效率已逼近理论极限（达S-Q极限的81%），但伴随背接触(TOPCon)和叠层电池等新结构的出现，对磷酰氯(POCl₃
)掺杂工艺中薄层电阻的精确控制提出更高要求。传统试错法优化耗时耗力，尤其在超薄硅片（M10尺寸）和大规模生产（单次处理900片）场景下，均匀性控制成为行业痛点。

为破解这一难题，韩国高丽大学的研究团队在《Materials Science in Semiconductor Processing》发表研究，提出融合机器学习与贝叶斯优化的智能解决方案。研究通过采集五腔室扩散炉的多批次工艺数据（温度、气体流量等参数），对比线性回归(LR)与树模型发现，梯度提升(GB)模型预测薄层电阻的精度最高（R²
=0.955，均方根误差9.43 Ω/sq）。SHAP分析揭示温度与氧气流量为关键变量，与半导体物理中的载流子复合机制吻合。基于该模型，贝叶斯优化仅用少量迭代即获得150 Ω/sq目标值的工艺配方，绝对偏差仅0.1 Ω/sq，较传统方法效率提升90%以上。

关键技术方法
研究采用五区控温扩散炉采集104片/批次的M10硅片数据，通过对比线性回归、随机森林(RF)和梯度提升(GB)算法构建预测模型，结合SHAP值解析特征贡献度，最终利用贝叶斯优化进行参数搜索。数据与代码已开源。

POCl₃
掺杂工艺特性
实验采用工业级扩散炉，九批次中选取1/2/5/8批次数据验证。多温区设计虽未独立控温，但为模型提供了关键的温度梯度特征。

机器学习预测结果
树模型整体优于LR（R²
提升50%），GB模型凭借集成学习优势，在测试集上MAPE低至4.60%，证明数据驱动方法可捕捉复杂工艺中的非线性关系。

结论与意义
该研究首次实现POCl₃
掺杂工艺的数字孪生建模，其价值体现在三方面：一是GB模型的高精度预测为实时监控奠定基础；二是SHAP解释性分析 bridging了数据科学与半导体物理的认知鸿沟；三是贝叶斯优化将工艺开发周期从数周缩短至数小时。韩国能源技术评估院(KETEP)资助的这项成果，为光伏乃至整个半导体制造业的智能化升级提供了可复用的技术框架。