TMF Otimization in VGF Crystal Growth of GaAs by Artificial Neural Networks and Gaussian Process Models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F17%3A00477799" target="_blank" >RIV/67985807:_____/17:00477799 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

TMF Otimization in VGF Crystal Growth of GaAs by Artificial Neural Networks and Gaussian Process Models

Popis výsledku v původním jazyce

In Vertical Gradient Freeze growth of GaAs, the solid-liquid interface shape and subsequently the crystal quality can be improved by forced convection via travelling magnetic fields (TMFs). At present, general methodology to identify the relation and optimize magnetic and crystal growth parameters doesn’t exist. In this study, artificial neural networks (ANN) and Gaussian process models (GP) were used to assess the complex nonlinear relationships among the parameters and to optimize TMF for the interface flattening. 2D CFD simulations provided data sets for ANN and GP. The first encouraging results were presented and the strengths and weaknesses of both mathematical methods discussed.

Název v anglickém jazyce

TMF Otimization in VGF Crystal Growth of GaAs by Artificial Neural Networks and Gaussian Process Models

Popis výsledku anglicky

In Vertical Gradient Freeze growth of GaAs, the solid-liquid interface shape and subsequently the crystal quality can be improved by forced convection via travelling magnetic fields (TMFs). At present, general methodology to identify the relation and optimize magnetic and crystal growth parameters doesn’t exist. In this study, artificial neural networks (ANN) and Gaussian process models (GP) were used to assess the complex nonlinear relationships among the parameters and to optimize TMF for the interface flattening. 2D CFD simulations provided data sets for ANN and GP. The first encouraging results were presented and the strengths and weaknesses of both mathematical methods discussed.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10302 - Condensed matter physics (including formerly solid state physics, supercond.)

Projekt

<a href="/cs/project/GA17-01251S" target="_blank" >GA17-01251S: Metaučení pro extrakci pravidel s numerickými konsekventy</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Electrotechnologies for Material Processing

ISBN

978-3-80273-095-5

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

203-208

Název nakladatele

Vulkan

Místo vydání

Hannover

Místo konání akce

Hannover

Datum konání akce

6. 6. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—