In der Vergangenheit basierte die Prozessentwicklung und Prozessoptimierung auf allgemeinen Erfahrungswerten, die bei der Anwendung im industriellen Maßstab oder bei der Züchtung neuer Materialien eher spekulativ sind. Heute helfen globale numerische CFD-Simulationen, in Verbindung mit Modellexperimenten im kleinen Maßstab und realitätsnahen Experimenten im vorindustriellen Maßstab, die entscheidenden Prozessschritte und Faktoren für die Kristallzüchtung zu verstehen, erhöhen aber gleichzeitig die Entwicklungszeit und -kosten für die neue Technologie erheblich [1]. So dauerte es z.B. ca. 40 Jahre, um den Durchmesser von Si-Wafern von 1 Zoll auf 12 Zoll zu vergrößern.
Eines der leistungsstärksten, innovativen Verfahren, das in den letzten zehn Jahren auf dem Gebiet der Kristallzüchtung entwickelt wurde, ist das maschinelle Lernen. Es handelt sich um eine Reihe statistischer Methoden, die ein großes Potenzial für die Beschleunigung der Grundlagenforschung und der angewandten Forschung bieten, insbesondere im Hinblick auf die Optimierung von Prozessen und Anlagen, die Prozesskontrolle sowie die Interpretierbarkeit der Ergebnisse. Heutzutage erleben wir eine explosionsartige Zunahme der Anwendungen in allen Bereichen der Kristallzüchtung sowie in allen Größenordnungen. Diese reicht von der Volumenkristallzüchtung bis hin zum Epitaxiewachstum, von der numerischen Simulationen bis hin zu den Experimenten oder auch von der atomaren Ebene bis zu einer Größenordnung im Makro-Bereich.
Die Arbeitsgruppe ´Numerische Modellierung´ begann ihre Aktivitäten auf diesem Gebiet vor fünf Jahren in Zusammenarbeit mit der Technischen Universität Dresden und dem Leibniz-Institut für Katalyse (LIKAT) und gehört damit zu den Pionieren im Bereich der Volumenkristallzüchtung. Im Rahmen zweier von der DFG geförderter Projekte wurden und werden Techniken des maschinellen Lernens bei der Prozesssteuerung und der Entwicklung von Kristallzuchtöfen und -prozessen eingesetzt.
Der erfolgreiche Einsatz von maschinellem Lernen hängt stark mit dem Umfang und der Qualität der zur Verfügung gestellten Daten zusammen. Daher ist die Datensammlung und dessen Analyse eine wichtige Säule für den Erfolg. Vor diesem Hintergrund beteiligt sich die Gruppe ´Numerische Modellierung´ aktiv im Rahmen des FAIRMAT-Projekts [2] als Task Leader für die Thematik „Synthese aus der Schmelze“ am Aufbau einer nationalen Dateninfrastruktur auf dem Gebiet der Materialwissenschaften.
Darüber hinaus fördert die IKZ Arbeitsgruppe auch in den deutschen, europäischen und internationalen Kristallzüchtungsgesellschaften und auf Konferenzen die Techniken des maschinellen Lernens, z.B. als Mitglied der BR 50 Interessengruppe "Künstliche Intelligenz", als Vorsitz der Sitzung "Digitalisierung in der Kristallzüchtung" auf der ECCG7 Paris 2022 und in Form von eingeladenen Vorträgen auf der DKT, ACCGE-22, IWCGT-8 und JCCG-49 [3-6].
[1] N. Dropka, M. Holena, Application of Artificial Neural Networks in Crystal Growth of Electronic and Opto-Electronic Materials, Crystals 10 (2020) 00663.
[2] FAIRMAT, https://www.fair-di.eu/fairmat/fairmat_/consortium
[3] N. Dropka, M. Holena, Recent advances and applications of data mining and machine learning in bulk crystal growth, DKT-2021, Berlin (2021/10/6-2021/10/8)
[4] N. Dropka, K. Böttcher, M. Holena, Smart development of vertical gradient freeze crystal growth recipes, ACCGE-22, USA(2021/8/2-2021/8/4) Virtual Conf.
[5] N. Dropka, M. Holena, Can artificial intelligence help us make better crystals? IWCGT-8,Berlin (22/05/29-22/06/02).
[6] N. Dropka, S. Ecklebe, M. Holena, Towards fast prediction of VGF growth process by recurrent neural networks, JCCG-49, Japan (2020/11/09-2020/11/11) Virtual Conf.
[7] N. Dropka, K. Böttcher, M. Holena, Development and optimization of VGF-GaAs crystal growth process using data mining and machine learning techniques, Crystals 11 (2021) 1218.
