基于迁移学习的大尺寸铸锭晶体硅热场设计

不同尺寸的铸锭晶体硅生长过程具有相似性,小尺寸晶体的生长规律可以迁移至大尺寸。本文采用迁移学习(TL)对G8型铸锭炉进行热场设计,设计对象为侧、顶加热器位置及体积、侧隔热笼分区块高度,主要设计目标为减少晶体内部的位错缺陷、抑制硅锭边缘多晶且使晶体生长界面微凸。首先使用神经网络对已有的G7铸锭炉建立热场几何参数与热场评价参数间的映射模型,然后将该模型迁移至G8铸锭炉,对比不同模型结构对迁移过程的影响,采用Dropout分析模型是否存在过拟合,并使用遗传算法(GA)结合聚类算法(CA)对热场几何参数进行优化,以上为G8热场设计过程。最后对优化结果采用数值模拟方法研究其在晶体生长过程中的温度分布、固液界面形状等,最终选定的优化方案能够实现较高质量的长晶。将该方案同时应用于G7和G8热场并进行对比,结果表明G8在硅熔体和硅晶体中的轴向温度梯度均小于G7,在晶体生长界面沿径向的温度梯度也小于G7,这有利于减小晶体内部的热应力。     

基于神经网络和遗传算法的铸锭晶体硅质量控制及工艺优化

铸锭晶体硅是太阳能级晶硅材料的重要来源之一,为了进一步降低硅片成本,需要在保证晶体质量的同时发展大尺寸铸锭晶硅。影响铸造晶体硅质量的热场控制核心参数包括晶体生长速度与生长界面温度梯度之比V/G、壁面热流q、生长界面高度差Δh和硅熔体内部温差ΔT等。针对铸锭晶体硅生长过程中的质量控制问题,本研究基于人工神经网络(ANN)模型对晶体生长过程建立了工艺控制优化方法,利用实验测量数据和数值仿真模拟结果构建铸锭晶体硅生长过程的工艺控制数据集,以底部隔热笼开口和侧、顶加热器功率比作为主要工艺控制参数,V/G、|q|、|Δh|和ΔT为优化目标,建立用于研究晶体生长工艺控制参数和热场参数之间映射关系的神经网络模型。使用训练完成的模型分析底部隔热笼开口及侧、顶加热器功率比对晶体生长过程热场的影响规律,并采用遗传算法(GA)对铸锭晶体硅生长过程的工艺控制参数以提高晶体质量为目标进行优化,最后结合实际生产中的检测图像讨论了V/G对晶体质量的影响。研究表明晶体生长中期的V/G沿横向变化较平缓,对应缺陷较少且分布均匀,因此增大V/G在横向上的均匀度也是提高晶体质量的一个重要因素。