情報学を活用した移動現象制御手法の開発とパワー半導体作製プロセスへの適用

利用信息学开发运动现象控制方法及其在功率半导体制造过程中的应用

• 批准号: 22KJ2057
• 负责人: 竹原 悠人
• 金额: $ 1.6万
• 依托单位: Osaka University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2023
• 资助国家: 日本
• 起止时间: 2023-03-08 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-22KJ2057/
• 关键词: PINNs; 結晶成長; シリコン結晶; チョクラルスキー法; 数値計算; ベイズ最適化; 機械学習; PINN; SiC半導体

現在半導体として幅広く利用されるシリコン結晶はチョクラルスキー法と呼ばる手法により作製される。チョクラルスキー法では、シリコンを一度完全に溶かして融液にしてから、種結晶を融液表面上に浸すことで結晶を成長させる。その際、融液内の流れ、温度場、そして濃度場が結晶品質に影響を与える。そのため、実験中の融液内の状態を観察することは高品質な結晶を作製するために必要不可欠である。しかし、実験中は融液温度が約1700Kとなるため、直接観察することは困難である。これまでは融液内の観察のために、数値計算や機械学習による予測が行われてきたが、数値計算には長大な計算時間という弱みがあり、機械学習には大量の訓練用データの準備や予測された値が物理法則を満たす保証がないという欠点があった。そこで本研究では、物理法則を学習対象とする機械学習であるPhysics Informed Neural Networks (PINNs)を利用することで、融液内の状態を瞬時に予測する新たな手法を開発に取り組んだ。その結果、PINNsにより様々な条件における流れ、温度場を0.1秒未満で精度良く予測することに成功した。数値計算では形状、条件を変更するたびに計算格子の再生成、そして約30分の計算が必要であったが、PINNsではいかなる形状、条件でも、同じくわずか0.1秒未満で予測が可能であった。そのうえ本研究では、数値計算により生成された訓練データを一切使用せずにPINNsの構築に成功した。そのため、これまでの機械学習の欠点であった大量の訓練データの準備という問題も克服されている。さらに、PINNsは物理法則を学習するため、物理的整合性も担保される。

Now semiconductor と し て picture hiroo く using さ れ る シ リ コ ン crystallization は チ ョ ク ラ ル ス キ と ー method called ば る gimmick に よ り cropping さ れ る. チ ョ ク ラ ル ス キ ー method で は, シ リ コ ン を once に completely dissolved か し て melt fluid に し て か ら, kinds of crystallization を に melting liquid surface leaching す こ と で crystallization を growth さ せ る. Youdaoplaceholder0 そ international, <s:1> flow in the molten liquid れ, temperature field, そ <s:1> て concentration field が crystallization quality に influence を and える. そ の た め, be 験 の melt fluid in the の status in を 観 examine す る こ と は な high quality crystal を cropping す る た め に need not owe で あ る. The temperature of the <s:1> molten liquid in the experiment is が approximately 1700Kとなるため, and it is difficult to directly observe 観 する と と である である. こ れ ま で は melt fluid inside の 観 examine の た め に mechanical learning, the numerical calculation や に よ る line to measure が わ れ て き た が, the numerical calculation に は grew up な computing time と い う weak み が あ り, mechanical learning に は の training with デ ー タ の prepare や be さ れ た numerical が physics を against た す guarantee が な い と い う points less が あ っ た. そ こ で this study で は, を study the laws of Physics as と seaborne す る rote learning で あ る Physics Informed Neural Networks (PINNs) を using す る こ と で, melting liquid state の を instantaneous す に to test new た る な gimmick を open 発 に group take り ん だ. そ の results, PINNs に よ り others 々 な conditions に お け れ る flow, temperature field を 0.1 seconds not against で す く to test precision is good る こ と に successful し た. The numerical calculation で を は shape and condition - more す る た び に の computing grid generating, そ し て の calculation about 30 points が necessary で あ っ た が, PINNs で は い か な る shape, condition で も, with じ く わ ず か 0.1 seconds not against で may be が で あ っ た. そ の う え this study で は, the numerical calculation に よ り generated さ れ た training デ ー タ を all use せ ず に PINNs built の に success し た. そ の た め, こ れ ま で の rote learning の points less で あ っ た の training デ ー タ の prepare と い う も overcome さ れ て い る. Youdaoplaceholder0, PINNs さらに physical laws を learning するため, the integration of physics さらに guarantee される.

项目成果

The Bayesian Optimization for a High- and Uniform-Crystal Growth Rate in the Top-Seeded Solution Growth Method Using Different Objective Functions

使用不同目标函数的顶晶溶液生长方法中高且均匀晶体生长速率的贝叶斯优化

• 发表时间: 2021
• 作者: Yuto Takehara;Yasunori Okano
• 通讯作者: Yasunori Okano

Physics Informed Neural Networksを用いたSi結晶成長における熱流体の高速解析

使用物理信息神经网络对硅晶体生长过程中的热流体进行高速分析

• 发表时间: 2022
• 作者: 竹原悠人;岡野泰則
• 通讯作者: 岡野泰則

Development of the production process for high-quality power semiconductor SiC crystals for an efficient energy system using data science

利用数据科学开发高品质功率半导体 SiC 晶体的生产工艺，以实现高效能源系统

• 发表时间: 2022
• 作者: Yuto Takehara;Yasunori Okano;Sadik Dost
• 通讯作者: Sadik Dost

PINNs (Physics Informed Neural Networks) によるシリコンバルク単結晶成長デジタルツインの構築

使用 PINN（物理知情神经网络）构建硅块单晶生长数字孪生

• 发表时间: 2022
• 作者: 竹原悠人;岡野泰則
• 通讯作者: 岡野泰則

PINNs (Physics Informed Neural Networks)を用いた熱対流解析の高速化

使用 PINN（物理信息神经网络）加速热对流分析

• 发表时间: 2022
• 作者: 竹原悠人;岡野泰則
• 通讯作者: 岡野泰則