一种MPCVD金刚石生长设备的优化方法

一种mpcvd金刚石生长设备的优化方法
技术领域
1.本发明属于微波等离子体化学气相沉积(mpcvd)金刚石晶体生长装置设计领域，具体涉及一种mpcvd金刚石生长设备优化设计方法。


背景技术：

2.单晶金刚石具有极其优异的性能，在机械、电子、光学、导热等方面都具有广泛应用。自上世纪五十年代起，研究人员开发了多种金刚石制备方法，包括高温高压法、热丝法、dccvd法、mpcvd法等，其中mpcvd法被认为是制备高品质金刚石并实现其电子器件应用的最佳方法。
3.根据腔体结构的不同，大体可以分为石英管式、石英钟罩式、圆柱金属谐振腔式、多模非圆柱形金属谐振腔式、椭球形谐振腔式等。为保证金刚石的沉积品质，需要对mpcvd金刚石生长系统的微波谐振腔进行优化设计，其关键在于通过对微波传输边界的调整获得扁平贴近沉积台的高密度等离子体。微波电磁场仿真能够在一定程度上对mpcvd系统的性能进行预测和优化，但通过数值分析(如有限元法、有限体积法、有限差分法等)的方法进行微波谐振腔的优化设计是一个耗时耗力的过程。一方面，数值分析法会占用较多的计算资源，计算花费的时间比较多且容易出现计算不收敛的情况，这通常是由于网格划分不合理或某些初始条件设置有误导致的；另外，微波谐振腔初始几何尺寸的确定也是一个值得关注的问题，初始尺寸的选取可能会影响最终优化的结果，这些关键几何尺寸决定了最终电场谐振情况及等离子体激发状态，同时也是我们需要进行优化的对象。近年来，得益于人工智能和机器学习的发展，人工神经网络在计算机视觉、自然语言处理、语音识别等方面展现出了极大的优势，对于一般的回归和分类问题也能有效解决，在结果可验证的前提下，能够建立输入参数和输出参数之间的映射关系—无需通过相对耗时的有限元(或其他数值分析方法)计算即可实现目标函数的快速预测，因此结合微波电磁场仿真和人工神经网络将有望大大提高微波谐振腔的设计效率。


技术实现要素：

4.本发明的目的是为了解决现有mpcvd设备设计过程中，仅依靠有限元仿真难以实现设备高效设计的问题，而提供一种mpcvd金刚石生长设备中微波谐振腔的优化方法，以提高系统优化设计效率，实现高性能金刚石生长设备的快速设计。
5.本发明mpcvd金刚石生长设备的优化方法按照以下步骤实现：
6.一、建立mpcvd设备仿真计算几何模型：
7.mpcvd设备包括矩形波导、同轴波导、微波谐振腔体、微波输入窗口和样品台，矩形波导通过同轴波导与微波谐振腔体相连通，样品台设置在微波输入窗口上，微波谐振腔体由上腔体和下腔体组成；
8.二、确定关键参数：
9.设置微波谐振腔体的下腔体半径为r1，下腔体高度为h1，上腔体半径为r2，上腔体
高度为h2，同轴天线高度为h(矩形波导和同轴波导的总高度)，优化的目标函数m为：
10.m＝ae1+b e1/e2；
11.目标函数中的e1表示等离子体激发区域平均电场强度的绝对值，e2表示其它微波传输区域平均电场强度绝对值，a和b代表常系数，通过调整微波谐振腔体边界几何尺寸，使得m值达到最大；利用comsol多物理场仿真软件计算分析下腔体半径r1和上腔体高度h2与目标函数值m的相关性最大；
12.三、建立人工神经网络并进行训练和预测：
13.建立前馈神经网络，前馈神经网络由输入层、隐藏层以及输出层组成，以下腔体半径r1和上腔体高度h2作为输入数据，采用relu函数作为各隐藏层之间的激活函数，以激活函数为sigmoid函数作为最后一个隐藏层与输出层之间的激活函数，输出层为预测值m*，采用实际目标值m与预测值m*之间的均方误差mse作为损失函数loss进行训练，得到训练后的人工神经网络；
14.四、采用训练后的人工神经网络对目标函数进行预测，当预测值m*取最大值时，下腔体半径r1和上腔体高度h2的取值作为mpcvd金刚石生长设备的优化尺寸，从而完成mpcvd金刚石生长设备的优化。
15.本发明将下腔体半径为r1和上腔体高度为h2作为输入，提出一种基于神经网络的微波谐振腔体的优化方法。本发明基于人工神经网络优化mpcvd设备的尺寸参数，能够对不同几何参数下的微波谐振效果进行快速预测，从而大幅提高mpcvd系统的设计优化效率。
附图说明
16.图1为实施例中mpcvd设备仿真计算几何模型示意图；
17.图2为实施例中前馈神经网络结构示意图；
18.图3为实施例中不同r1、h2组合下预测值的三维散点图；
19.图4为实施例中不同r1、h2组合下预测值的二维等值线图；
20.图5为实施例中最佳参数组合下的微波电场分布。
具体实施方式
21.具体实施方式一：本实施方式mpcvd金刚石生长设备的优化方法按照以下步骤实施：
22.一、建立mpcvd设备仿真计算几何模型：
23.mpcvd设备包括矩形波导1、同轴波导2、微波谐振腔体3、微波输入窗口4和样品台5，矩形波导1通过同轴波导2与微波谐振腔体3相连通，样品台5设置在微波输入窗口4上，微波谐振腔体3由上腔体和下腔体组成；
24.二、确定关键参数：
25.设置微波谐振腔体3的下腔体半径为r1，下腔体高度为h1，上腔体半径为r2，上腔体高度为h2，同轴天线高度为h(矩形波导1和同轴波导2的总高度)，优化的目标函数m为：
26.m＝ae1+b e1/e2；
27.目标函数中的e1表示等离子体激发区域平均电场强度的绝对值，e2表示其它微波传输区域平均电场强度绝对值，a和b代表常系数，通过调整微波谐振腔体3边界几何尺寸，
使得m值达到最大；利用comsol多物理场仿真软件计算分析下腔体半径r1和上腔体高度h2与目标函数值m的相关性最大；
28.三、建立人工神经网络并进行训练和预测：
29.建立前馈神经网络，前馈神经网络由输入层、隐藏层以及输出层组成，以下腔体半径r1和上腔体高度h2作为输入数据，采用relu函数作为各隐藏层之间的激活函数，以激活函数为sigmoid函数作为最后一个隐藏层与输出层之间的激活函数，输出层为预测值m*，采用实际目标值m与预测值m*之间的均方误差mse作为损失函数loss进行训练，得到训练后的人工神经网络；
30.四、采用训练后的人工神经网络对目标函数进行预测，当预测值m*取最大值时，下腔体半径r1和上腔体高度h2的取值作为mpcvd金刚石生长设备的优化尺寸，从而完成mpcvd金刚石生长设备的优化。
31.具体实施方式二：本实施方式与具体实施方式一不同的是步骤一中mpcvd设备为下馈式微波输入结构。
32.本实施方式采用下馈式微波输入结构设计，相比于上馈式谐振腔，具有能量耦合效率高、传输损耗小、沉积面积大、等离子体激发稳定、不易产生石英刻蚀等优点。
33.具体实施方式三：本实施方式与具体实施方式一或二不同的是微波谐振腔体3的上腔体和下腔体形成“凸”字形空腔。
34.具体实施方式四：本实施方式与具体实施方式一至三之一不同的是步骤二中等离子体激发区域为圆柱体结构，圆柱体的直径为45～80mm，圆柱体的高度为30～60mm。
35.具体实施方式五：本实施方式与具体实施方式一至四之一不同的是步骤三前馈神经网络中损失函数其中n表示训练数据的个数。
36.具体实施方式六：本实施方式与具体实施方式五不同的是n的取值为500～1000。
37.具体实施方式七：本实施方式与具体实施方式一至六之一不同的是步骤三训练数据中下腔体半径为r1的取值范围为101mm～140mm，步长为2mm。
38.具体实施方式八：本实施方式与具体实施方式七不同的是步骤三训练数据中上腔体高度为h2的取值范围为1mm～90mm，步长为2mm。
39.本实施方式共有900种不同的组合，不同r1和h2组合对应的m值通过有限元方法计算得到，其中750组数据作为训练集，另外150组数据作为测试集。
40.具体实施方式九：本实施方式与具体实施方式一至八之一不同的是步骤三中实际目标值m通过有限元方法计算得到。
41.具体实施方式十：本实施方式与具体实施方式一至九之一不同的是步骤三中前馈神经网络中隐藏层为3个，每层隐藏层的神经元数目为16个神经元。
42.本实施方式为最优的神经网络结构，此时训练集和测试集的损失函数相对于其他情况都较小，在此基础上对模型进行训练。
43.实施例：本实施例mpcvd金刚石生长设备的优化方法按照以下步骤实施：
44.一、建立mpcvd设备仿真计算几何模型：
45.mpcvd设备采用下馈式微波输入结构，mpcvd设备包括矩形波导1、同轴波导2、微波谐振腔体3、微波输入窗口4和样品台5，矩形波导1通过同轴波导2与微波谐振腔体3相连通，
样品台5设置在微波输入窗口4上，样品台5下部的连杆作为微波耦合天线，使矩形波导1中的微波耦合进入同轴波导2，再通过微波输入窗口4进入微波谐振腔体3，微波谐振腔体3由上腔体和下腔体形成“凸”字形空腔，微波输入窗口4设置在下腔体的底壁上；
46.二、确定关键参数：
47.设置微波谐振腔体3的下腔体半径为r1，下腔体高度为h1，上腔体半径为r2，上腔体高度为h2，同轴天线高度为h，优化的目标函数m为：
48.m＝ae1+b e1/e2；
49.目标函数中的e1表示等离子体激发区域(图1中的标号6)平均电场强度的绝对值，e2表示其它微波传输区域平均电场强度绝对值，a取1
×
10-6
～1
×
10-4
，b取1
×
10-2
～1
×
10-1
，通过调整微波谐振腔体3边界几何尺寸，使得m值达到最大；通过参数a、b对e1和e2进行归一化处理，等式右边第一项保证沉积台上方的等离子体区域有高的电场强度，第二项则确保多数微波能量聚集在等离子体区域，从而减少微波传输过程中引起的能量损耗，尤其是局部热量累积；利用comsol多物理场仿真软件优化模块计算，进行相关性分析，分析下腔体半径r1和上腔体高度h2与目标函数值m的相关性最大；
50.三、建立人工神经网络并进行训练和预测：
51.建立前馈神经网络，前馈神经网络由输入层、隐藏层以及输出层组成，以下腔体半径r1和上腔体高度h2作为输入数据，采用relu函数作为各隐藏层之间的激活函数，以激活函数为sigmoid函数作为最后一个隐藏层与输出层之间的激活函数，输出层为预测值m*，使用实际目标值m与预测值m*之间的均方误差mse作为损失函数loss，得到训练后的人工神经网络；
52.四、采用训练后的人工神经网络对目标函数进行预测，当预测值m*取最大值时，下腔体半径r1和上腔体高度h2的取值作为mpcvd金刚石生长设备的优化尺寸，从而完成mpcvd金刚石生长设备的优化。
53.本实施例步骤三输入参数r1在101mm～140mm范围内取值，步长为2mm，输入参数h2在1mm～90mm范围内取值，步长为2mm，因此共有900中不同的组合，不同r1和h2组合对应的m值通过有限元方法计算得到，其中750组数据作为训练集，另外150组数据作为测试集，神经网络训练前需要对数据进行归一化处理以提高收敛速度。隐藏层个数及每个隐藏层的单元数都会对模型预测准确度产生较大影响，为确定最优网络结构，对不同隐藏层单元个数求出训练集和测试集的损失函数平均值，当测试集损失函数大于训练集损失函数时，说明模型出现了过拟合。最终优化选择3个隐藏层，16个神经元作为最优的神经网络结构，此时训练集和测试集的损失函数相对于其他情况都较小，在此基础上对模型进行训练。
54.基于上述训练后的神经网络对目标函数进行预测，参数r1在101mm～140mm范围内取值，步长为1mm，输入参数h2在1mm～90mm范围内取值，步长为1mm，因此共有3600中不同的组合(包含了用于训练神经网络的750组数据)，图3和图4分别表示预测结果的三维散点图和二维等值线图。从图中可以看出目标函数在局部存在最大值，考虑到神经网络的训练误差，将结果大于0.5的r1和h2参数组合通过有限元方法进行验证，最终发现目标函数m存在最大值1.0926，其中e1＝6.63e5v/m，e2＝1.54e5v/m(图3中的m点)，此时下腔体半径r1＝115～118mm，h2＝30～33mm。
55.图5是最佳参数组合下的微波电场分布，绝大部分微波电场集中与沉积台上方(区域a)，同轴天线(区域b)及腔体径向(区域c)场强相对值明显减小。
56.从神经网络的预测结果中可以看出，有限元法计算的结果与神经网络预测结果之间存在一定的误差，这些误差来源是多方面的，例如训练集大小、训练次数、神经网络结构等。在可接受的误差范围内，人工神经网络能够实现输入到输出的快速预测，一般情况下计算3600个结果，神经网络仅需2s，通过comsol计算二维轴对称模型生成900组用于训练神经网络的数据时花费20min14s，对于三维几何，计算相同数量(900组)的结果需要的时间更多，约为15h。因此，通过人工神经网络，我们能够非常高效地得到目标函数m的大致分布情况，从而为进一步的优化提供了方向。