大直径硅浮区晶体生长的数据驱动多目标优化
最优化与控制
2025-08-25 v1
摘要
浮区 (FZ) 硅晶体生长是高功率电子器件和先进探测系统的关键环节。不断提升工艺规模带来的不断增压挑战，源于多目标间的相互制约。本文提出一种基于代理模型的优化框架，以解决 FZ 生长中的多目标优化问题，考虑八个相关目标，涉及生产率、几何参数和晶体质量等方面。深度集成 (DE) 神经网络作为代理模型，基于有限元模型 (FEM) 中的数值数据进行训练。优化采用 NSGA-II 和 NSGA-III 两种遗传算法变体，以探索目标间的权衡并识别高性能候选解。结果表明 NSGA-II 优于 NSGA-III。最优解正确捕捉了已知趋势，例如晶体尺寸、抽取速率与热应力之间的相关性。一组更复杂的解答经新仿真验证，显示出色的预测性能。然而，必须在 FEM 中对候选解进行验证后才能进行实验验证。这一框架为 FZ 生长系统化、数据驱动的工艺优化奠定了基础，可推广至加速其他晶体生长方法的改进。
引用
@article{arxiv.2508.16111,
title = {Data-Driven Multi-Objective Optimization of Large-Diameter Si Floating-Zone Crystal Growth},
author = {Lucas Vieira and Milena Petkovic and Robert Menzel and Natasha Dropka},
journal= {arXiv preprint arXiv:2508.16111},
year = {2025}
}
备注
Preprint submitted to Advanced Theory and Simulations, 19 pages, 8 figures