一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用
阅读说明：本技术 一种利用机器学习辅助生长大尺寸lbo晶体的方法及其应用 (Method for growing large-size LBO crystal by machine learning assistance and application thereof ) 是由 胡章贵 邱海龙 齐小方 朱显超 吴以成 于 2020-05-22 设计创作，主要内容包括：本发明提供了一种利用机器学习辅助生长大尺寸LBO晶体的方法及其应用,所述方法包括以下步骤：步骤1,LBO单晶生长数据的采集与预处理,确定对应的影响因素和质量标签,建立数据集；步骤2,对步骤1得到的数据集中所有数据进行归一化处理,将处理后的数据集划分为训练集和测试集两部分；步骤3,利用训练集和机器学习算法,构造预测模型,并测试该预测模型在测试集上的可靠性,直至预测精度满足要求,得到对应的目标预测模型；步骤4,利用所述目标预测模型预测最优实验条件。本发明通过机器学习的分析与预测,探索合适的生长条件,减少试探性实验次数,降低LBO晶体生长成本,提高晶体质量。(The invention provides a method for growing a large-size LBO crystal by machine learning assistance and application thereof, wherein the method comprises the following steps: step 1, acquiring and preprocessing LBO single crystal growth data, determining corresponding influence factors and quality labels, and establishing a data set; step 2, performing normalization processing on all data in the data set obtained in the step 1, and dividing the processed data set into a training set and a test set; step 3, constructing a prediction model by utilizing a training set and a machine learning algorithm, and testing the reliability of the prediction model on a test set until the prediction precision meets the requirement to obtain a corresponding target prediction model; and 4, predicting optimal experimental conditions by using the target prediction model. According to the invention, through the analysis and prediction of machine learning, appropriate growth conditions are explored, the times of tentative experiments are reduced, the growth cost of the LBO crystal is reduced, and the crystal quality is improved.)
技术领域
本发明涉及非线性光学晶体生长技术领域，特别是涉及一种利用机器学习辅助生长大尺寸LBO(三硼酸锂晶体)晶体的方法及其应用。
背景技术
非线性光学晶体是激光频率转换核心材料，在信息、光通信、国防和国家安全等领域具有重要应用和不可或缺作用。三硼酸锂晶体(LBO)是一种优良的非线性光学材料。它具有足够大的非线性系数，在温室下能够实现相位匹配，不潮解、化学性能稳定、硬度适中，尤其以其较大的激光损伤闽值和相位匹配容许角、宽的透光范围见长于其他非线性晶体。目前已普遍应用于固体激光变频领域之中。但是因为LBO单晶生长的影响因素较多，而且很可能存在耦合，所以寻找合适的条件难度较大，因此实验室往往需要耗费大量的时间和材料成本试探单晶材料合适的生长条件。
发明内容
本发明的目的是针对现有技术中存在的探索影响LBO单晶生长条件费时费力的问题，而提供一种利用机器学习辅助生长大尺寸LBO晶体的方法。
本发明的另一个目的是提供所述方法在LBO晶体培育或LBO晶体尺寸验证中的应用。
为实现本发明的目的所采用的技术方案是：
一种利用机器学习辅助生长大尺寸LBO晶体的方法，包括以下步骤：
步骤1，LBO单晶生长数据的采集与预处理，确定对应的影响因素和质量标签，建立数据集；
步骤2，对步骤1得到的数据集中所有数据进行归一化处理，将处理后的数据集划分为训练集和测试集两部分；
步骤3，利用训练集和机器学习算法，构造预测模型，并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的目标预测模型；
步骤4，利用所述目标预测模型预测最优实验条件。
在上述技术方案中，所述利用机器学习辅助生长大尺寸LBO晶体的方法还包括步骤5，利用实验验证步骤4得到的最优实验条件，以培育LBO晶体或验证生长出的LBO晶体尺寸是否达标。
在上述技术方案中，所述步骤1中，所述影响因素主要为三段温区的起始温度和结束温度、原料配比、原料浓度、助溶剂种类或反应时间。
在上述技术方案中，所述步骤2中，所述训练集与测试集的比例通过收敛性计算得到。
在上述技术方案中，所述步骤2中，所述训练集与测试集的划分方法为随机划分或Kennard-Stone划分。
在上述技术方案中，所述步骤3中，所述机器学习算法为人工神经网络算法。
在上述技术方案中，所述步骤3中，所述可靠性的评价指标包括相关系数R和均方根误差MSE，其中，相关系数R计算公式如下：
均方根误差MSE如下：
其中，n为样本总数，yi和为第i个样本的实验值与预测值，为相应数据集中所有样本实验值的平均值，为相应数据集中所有样本预测值的平均值。
本发明的另一方面，还包括所述方法在LBO晶体培育或LBO晶体尺寸验证中的应用。
与现有技术相比，本发明的有益效果是：
1.本发明通过机器学习分析实验室已有的LBO晶体生长数据，并利用分析结果来预测大尺寸、高质量单晶的生长成功可能性，找出LBO单晶生长的关键因素。
2.本发明通过机器学习的分析与预测，探索合适的生长条件，减少试探性实验次数，降低LBO晶体生长成本，提高晶体质量。
附图说明
图1是为本发明的方法流程图。
图2是本发明
具体实施方式
中测试集的晶体质量实验值与预测值的分布图。
图3是本发明具体实施方式中人工神经网络分类识别率分布图。
图4中(a)是本发明的实施例得到的LBO单晶图片，(b)是其弱吸收谱。
图5中(a)是本发明的实施例得到的LBO单晶透过光谱，(b)是折射率测试。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例2
本实施例研究数据主要来自天津市功能晶体材料重点实验室用助熔剂法生长LBO单晶的实验记录，实验记录中包括晶体生长炉三段温区的起始温度和结束温度、生长时间和晶体质量标签(质量标签为“合格”和“不合格”，晶体质量大于1Kg标记为“合格”，其余标记为“不合格”)。这些数据来源于652个样品，去除无效数据(因断电、操作失误等造成的失败实验)后剩余500组数据，形成数据集。
将数据根据其最大值与最小值进行归一化处理，使得所有数据处于(0，1)范围中。本实例使用随机划分方法将整个数据集划分为训练集与测试集，二者比例通过收敛性测试确定，收敛性测试可参照文献：齐冲冲,陈秋松,张钦礼,等.一种利用机器学习预测充填材料强度参数的方法,中国,CN 109523069 A,2018.11.01.；王健.前馈神经网络梯度学习算法收敛性分析[D].大连理工大学,2012。
本实例中，训练集占总数据集的80％，测试集占总数据集的20％。
利用训练集通过人工神经网络算法构造预测模型及模型评估。并测试该预测模型在测试集上的可靠性，直至预测精度满足要求，得到对应的目标预测模型。
采用相关系数R和均方根误差MSE，作为判断预测精度的标准，其中，相关系数R计算公式如下：
均方根误差MSE如下：
其中，n为样本总数，yi和为第i个样本的实验值与预测值，为相应数据集中所有样本实验值的平均值，为相应数据集中所有样本预测值的平均值。均方根误差反映了预测量与实验值之间差异程度的一种度量，其数值越低，越接近零，预测精度越高，无固定值。(一般认为其值数量级在10-3，即满足预测精度要求。)相关系数是研究变量之间线性相关程度的量，其取值在-1～1之间，其数值越接近0，相关度越弱(等于0，线性无关)，其数值越往1(正相关)或-1(负相关)移动，表示相关性增强。
助熔剂法生长LBO单晶，涉及到众多运行参数的协同变化，本发明输入层选取晶体生长炉三段温区的起始温度和结束温度、生长时间关键运行参数为输入向量；采用表征晶体质量优劣的分类指标，即不合格和合格作为输出向量，用人工神经网络实现对晶体质量的有效分类。利用10折交叉验证，粒子群算法和均方误差确定神经网络的隐含层层数以及每层神经元的个数(可参考文献R.R.Picard,R.D.Cook,Cross-validation of regressionmodels,Journal of the American Statistical Association,79(1984)575-583.)。最终确定神经网络的结构为7-22-2，其中隐含层为单层，神经元个数为22。本发明共有500组晶体生长数据，从中随机选择400组数据作为训练数据训练人工神经网络，另外100组数据作为测试数据测试网络分类能力。经计算人工神经网络的均方误差为0.00618，晶体质量的相关系数为0.91，说明该人工神经网络模型具有良好的精度和可靠性，可用于晶体质量的预测。在实际应用中，隐含层层数、神经元个数以及判别标准可以根据数据集的改变进行调整。
LBO晶体质量预测：本实例使用训练后的神经网络模型对测试集中的晶体质量进行分类预测。图3中纵坐标1和2分别代表晶体质量“不合格”和“合格”。分类依据：根据晶体质量大于1kg标记为合格，其余标记为不合格。正确率即识别率，将预测的晶体质量与测试集中实验所得的晶体质量进行对比，将预测准确的样本总数除以实验测试样本总数即为正确率。在测试集上使用该神经网络预测的晶体质量与实验值之间的分布如图2所示，可见预测值与实验值吻合良好。经计算，两类晶体质量的分类预测正确率高达95.7％和96.3％，如图3所示。从人工神经网络分类预测结果可以看出，基于人工神经网络的质量分类算法具有较高的准确性，能够快速、准确预测出晶体质量所属类别。
最优参数验证实验：通过最优模型得到收敛的最优参数(具体方法可参照N.Dropka,M.Holena,Optimization of magnetically driven directionalsolidification of silicon using artificial neural networks and Gaussianprocess models,Journal of Crystal Growth,471(2017)53-61)，在晶体生长炉温区的起始与结束温度变化范围为500～800℃，生长时间变化范围为50-120天，在关键运行参数范围内随机生成输入值，基于人工神经网络对晶体质量进行预测。晶体生长质量合格时对应的参数为即为优化参数，选取一组进行晶体生长实验来验证模型的预测效果。起始温度为725℃，降温速率0.2℃/day，生长时间65天，以该参数作为实验条件，熔盐法生长LBO晶体。得到大尺寸、高质量的LBO晶体，LBO晶体质量达3.870Kg，尺寸240mm×160mm×110mm(见图4中(a)所示)；晶体在c轴和a轴方向的吸收都小于50ppm/cm(图4中(b)所示)，说明晶体的光吸收很小；如图5中(a)所示，晶体透过率为250-1500nm；LBO晶体的折射率变化如图5中(b)，利用633nm光源照射晶体，晶体整体折射率较为均一(大部分蓝色区域)，边缘部分折射率发生改变(红色和绿色区域)，说明晶体总体质量较好，只有边缘质量较差。说明该模型对LBO晶体生长具有指导作用。通过本实施例得到大尺寸LBO晶体生长的关键因素为起始温度、降温速率和生长时间。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种用于磷化铟晶体的制备装置