作为第三代半导体家族的关键成员，碳化硅（SiC）在高温、高频和高功率电子设备的发展中具有不可替代的核心价值[[1], [2], [3], [4], [5]]。实现这些应用在很大程度上取决于生长高质量的SiC单晶晶圆。目前，高温溶液生长（HTSG）方法用于SiC晶体的生长引起了越来越多的关注。与商业物理气相传输（PVT）方法相比，HTSG过程的生长界面（HTSG中的液-固界面）更接近热力学平衡，理论上能够生产出缺陷密度较低的优质SiC晶体[[6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18]]。此外，HTSG在相对较低的温度（1800-2000°C）下进行，有助于减少晶圆生产过程中的能耗[[13], [14], [15], [17], [18]]。据报道，HTSG能够可靠地生长p型4H-SiC和3C-SiC晶体，这突显了其在调节SiC多型性和载流子类型方面的优越能力[[19], [20], [21]]。
目前，Si-Cr二元体系是最常用的HTSG过程溶剂体系，它可以在石墨坩埚中有效溶解碳并将其转移到SiC生长的种子晶体上[7,9,10,[14], [15], [16], [17], [18], [19], [20], [21]]。还可以向Si-Cr溶剂体系中引入其他添加剂，包括过渡金属（Co）[7]、稀土元素（Ce, La）[19,20,22]以及主族金属（Al）[9,19,[23], [24], [25], [26], [27]]，以提高生长速率并平滑生长表面。据我们所知，溶剂的物理性质，包括碳（C）的溶解度和粘度（η），是控制晶体生长行为的关键因素[28,29]。然而，在高温（>1800°C）下实验测定这些性质极其困难。为了解决高温下晶体生长过程中获取信息的挑战，人们采用了各种理论计算方法来模拟溶剂熔体的性质[[30], [31], [32], [33]]。其中，基于多组分熔体热力学模型的CALPHAD（计算机耦合相图和热化学）技术被认为是计算溶剂高温性质的有效方法[24,28,[34], [35], [36]]，这对于溶剂设计和理解晶体生长机制至关重要。然而，CALPHAD方法仍然需要评估和优化热力学参数，这严重限制了获取多组分溶剂高温性质的效果。
作为人工智能（AI）的一个重要子领域，机器学习（ML）正在化学和材料科学中迅速扩展其应用，特别是在分析材料性质和优化合成过程方面[[37], [38], [39], [40], [41], [42], [43], [44], [45], [46], [47], [48]]。将ML算法应用于从CALPHAD技术获得的溶剂性质数据（C溶解度和η）可以实现对多组分溶剂系统物理性质的快速准确预测。据我们所知，关于应用ML加速热力学计算来分析晶体生长用溶剂性质的报道仍然较少。
在这项研究中，我们构建了一个ML框架，可以在不脱离物理基础的情况下协助并显著加速CALPHAD过程，同时实现高精度和高效率。我们建立了一个包含814组数据的溶剂性质数据库，并基于该数据库训练了四种常见的ML回归模型，分别评估了它们在预测C溶解度和η方面的性能。通过将预测结果与CALPHAD数据进行比较，发现支持向量回归（SVR）是预测Si-Cr基溶剂性质的合适模型。利用训练好的SVR模型，我们预测了九种Si-Cr-M三元溶剂系统（M = Al, Sn, Ga, Co, Ti, Ce, La, Pr, Y）的碳过饱和度和粘度，以评估不同添加剂对SiC晶体生长的影响。结果表明，添加Sn、Ga和Ce可以提高Si-Cr基溶剂的过饱和度，而Al、Sn、Ga和La添加剂可以降低Si-Cr的η值。我们的工作为HTSG方法中使用的多组分溶剂的设计提供了一种高效的方法。
