Intelligentes Design von Kristallzüchtungsöfen und -prozessen

• Antragstellerinnen / Antragsteller: Dr. Natascha Dropka; Dr. David Linke
• Fachliche Zuordnung: Thermodynamik und Kinetik sowie Eigenschaften der Phasen und Gefüge von Werkstoffen ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik ; Metallurgische, thermische und thermomechanische Behandlung von Werkstoffen
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 467401796

In den letzten Jahren gab es bemerkenswerte Fortschritte in der Erforschung der künstlichen Intelligenz (KI) und in der Erforschung der Elektromobilität auf der Grundlage von Leistungshalbleitern und Einkristallen als Schlüsselkomponenten. Dennoch werden der Prozess und die Anlagen für die Züchtung von Einkristallen nach der bevorzugten Czochralski (Cz)-Methode traditionell aus zeitaufwändigen und kostenintensiven CFD-Simulationen (Computational Fluid Dynamics) abgeleitet. Dies findet mit übermäßig vereinfachten Modellversuchen im kleinen Maßstab statt. Auf dem Mehrwert, der durch die Kombination von KI und Kristallzüchtungsforschung erzielt wird, basierend, wollen wir das Potenzial künstlicher neuronaler Netze (ANN) bei der Ableitung der unbekannten Zusammenhänge zwischen dem Ofendesign und den Prozessparametern auf der einen Seite und der Kristallgröße und den angestrebten Temperaturverteilungen im gezüchteten Material auf der anderen Seite bewerten. Das Ziel ist es, die optimalen Abmessungen der Heißzonenteile, die optimale Wahl der Baumaterialien, die Heizleistungen, den Umgebungsgasdruck, die Tiegel- und Kristalldrehzahlen usw. für jedes gezüchtete Material jeder Größe in Echtzeit vorherzusagen. Die Neuheit dieses vorgeschlagenen Ansatzes besteht in der hybriden Kombination von CFD und ANN, wobei CFD verwendet wird um Transportphänomene zu simulieren die während des Kristallwachstums im Ofen stattfinden, und eine Datenbank für die ANN-Training zu generieren. Auf diese Weise werden die zeitaufwändigen CFD-Simulationen auf den einzelnen Schritt der Datengenerierung beschränkt. Der Schwerpunkt liegt auf der Untersuchung des Potenzials dynamischer tiefer neuronaler Netze, insbesondere auf dem Langkurzzeitgedächtnis (Long short-term memory LSTM) und seinen späteren Nachkommen zur Modellierung dynamischer Abhängigkeiten, die die Cz-Kristallzüchtung charakterisieren. Seltene Studien in der Literatur über die Anwendung von ANN in der Kristallzüchtung verwendeten statische Feedforward-Netzwerke der Art mehrschichtiges Perzeptron, um dynamische Abhängigkeiten im Zusammenhang mit dem Kristallwachstumsprozess zu modellieren.Durch die bilaterale Zusammenarbeit zweier Forschungsgruppen, die sich auf KI und Kristallzüchtung spezialisiert haben, deren Kompetenzen und Komplementaritäten, ist eine Grundlage für ein besseres Verständnis der Kristallzüchtungsprozesse und Zusammenhänge zwischen zahlreichen Parametern möglich und der Projekterfolg sehr plausibel.Außerdem bietet dieses Projekt Nachwuchsforschern die Möglichkeit, ein herausragendes Forschungsprogramm im Bereich KI und Materialwissenschaft/Kristallzucht über die Grenzen von Disziplinen und Institutionen hinweg zu verfolgen.

• DFG-Verfahren: Sachbeihilfen