利用迁移学习克服 czochralski 晶体生长中的数据限制
材料科学
2025-06-24 v1 最优化与控制
摘要
Czochralski（Cz）方法是生长高质量单晶的常用方法，对于半导体、光学和先进材料的应用至关重要。实现最佳生长条件需要精确控制工艺和炉具设计参数。然而，数据稀缺——尤其是对于新材料——限制了机器学习（ML）在预测建模和优化中的应用。本研究提出一种迁移学习方法，通过将在更大数据量的一种源材料（Si）上训练的 ML 模型适配到另一种目标材料（Ge 和 GaAs）上的数据量较小的情况来克服这一限制。该研究有意选择了这些材料，以评估迁移学习方法在处理数据相似性变化方面的鲁棒性，其中 Cz-Ge 与 Cz-Si 相似，而通过液体封装 czochralski 方法（LEC）生长的 GaAs 与 Cz-Si 不同。我们探索了 various 迁移学习策略，包括 Warm Start、合并训练和超参数迁移，并在两种不同材料上评估了多种 ML 架构。我们的结果表明，迁移学习在数据有限的情况下显著提高了预测精度，为跨材料优化 cz 生长参数提供了实用框架。
引用
@article{arxiv.2506.18774,
title = {Leveraging Transfer Learning to Overcome Data Limitations in Czochralski Crystal Growth},
author = {Milena Petkovic and Natasha Dropka and Xia Tang and Janina Zittel},
journal= {arXiv preprint arXiv:2506.18774},
year = {2025}
}
备注
Submitted to Advanced Theory and Simulations. 21 pages, 8 figures