基于双向长短期记忆网络的高纯度德氏晶体生长器级产率机器学习优化
应用物理
2026-02-04 v1 核实验
摘要
高纯度德氏 (HPGe) 晶体是支撑某些最灵敏探测器用于基本物理学及其他高分辨率辐射感知应用的关键材料。尽管其重要性突出，但器官级 HPGe 的供应仍有限，因为在 czochralski 生长 (CZ) 中实现高产率取决于紧密耦合的非线性工艺、杂质掺入、热力学梯度以及动态控制设置，而这些因素只有少数几家拥有数十年经验的公司才能掌握。本文提出了一个基于双向长短期记忆 (BiLSTM) 神经网络的多头注意力数据驱动预测框架，训练于来自 48 次独立晶体生长过程中的时间分辨生长参数（如加热器功率、抽取速率和杂质指标）。该模型预测每一次生长的最终器官级比例，并通过 SHAP 特征重要性分析识别杂质浓度和生长速率为主导因素，这与经验认识一致。该框架提供了过程信号与生长后器官质量之间定量、可解释的关联，为提高产率、减少试错调参、并扩展 HPGe 生产以满足下一代稀有事件探测器提供了实际路径。
引用
@article{arxiv.2602.03721,
title = {Machine-Learning Optimization of Detector-Grade Yield in High-Purity Germanium Crystal Growth},
author = {Athul Prem and Dongming Mei and Sanjay Bhattarai and Narayan Budhathoki and Sunil Chhetri},
journal= {arXiv preprint arXiv:2602.03721},
year = {2026}
}
备注
26 pages, 8 figures, and 3 tables