本申请涉及单晶硅制备，特别是一种基于深度学习的直拉法单晶硅热场估计方法、装置和产品。
背景技术：
1、在采用直拉法制备单晶硅的过程中，单晶硅生长系统的内部热场往往处于1800k左右的高温下，难以对其进行观测和具体信息的采集。
2、在相关技术中，主要采用实验研究的方式来获取内部热场数据。然而。实验研究方法需要进行大量重复实验，实验周期长、成本昂贵，且直接通过实验测得的信息有限。因此，有必要开发一种基于深度学习的直拉法单晶硅热场估计方法、装置和产品，以实现高效准确地获取单晶硅生长系统内部的温度分布相关数据。
技术实现思路
1、鉴于上述问题，本申请实施例提供了一种基于深度学习的直拉法单晶硅热场估计方法、装置和产品，以便克服上述问题或者至少部分地解决上述问题。
2、本申请实施例的第一方面，提供了一种基于深度学习的直拉法单晶硅热场估计方法，所述方法包括：
3、获取直拉法制备单晶硅过程中的历史工况数据，所述历史工况数据至少包括：单晶硅生长系统中多个位置点的历史温度监测数据；
4、基于所述历史温度监测数据，生成所述单晶硅生长系统的历史热场分布信息；
5、基于本轮训练的共享参数，利用所述历史温度监测数据和所述历史热场分布信息，训练热场估计模型，得到本轮训练的输出结果，所述输出结果包括：所述单晶硅生长系统中各个位置点的温度预测值，以及所述单晶硅生长系统的热场预测值；
6、根据所述本轮训练的共享参数，以及具有高斯分布的动量变量，更新得到下一轮训练的共享参数；
7、根据所述输出结果，计算损失函数值，根据所述损失函数值对所述热场估计模型进行参数优化；
8、基于所述下一轮训练的共享参数，重新利用所述历史温度监测数据和所述历史热场分布信息，对参数优化后的所述热场估计模型进行下一轮训练，直至达到预设训练次数，得到训练完成的热场估计模型和共享参数序列；所述共享参数序列表示，将最后s轮训练所得到的共享参数和动量变量，按照训练次序排列而成的序列；所述s小于所述预设训练次数；
9、将最后s轮训练所得到的输出数据中的温度预测值的平均值，确定为所述单晶硅生长系统中对应位置点的温度值，根据最后s轮训练所得到的输出数据中的温度预测值的标准差，确定所述训练完成的热场估计模型的不确定性衡量值。
10、本申请实施例第二方面还提供了一种基于深度学习的直拉法单晶硅热场估计装置，所述装置包括：
11、历史工况数据获取模块，用于获取直拉法制备单晶硅过程中的历史工况数据，所述历史工况数据至少包括：单晶硅生长系统中多个位置点的历史温度监测数据；
12、热场模拟模块，用于基于所述历史温度监测数据，生成所述单晶硅生长系统的历史热场分布信息；
13、模型训练模块，用于基于本轮训练的共享参数，利用所述历史温度监测数据和所述历史热场分布信息，训练热场估计模型，得到本轮训练的输出结果，所述输出结果包括：所述单晶硅生长系统中各个位置点的温度预测值，以及所述单晶硅生长系统的热场预测值；
14、共享参数更新模块，用于根据所述本轮训练的共享参数，以及具有高斯分布的动量变量，更新得到下一轮训练的共享参数；
15、参数优化模块，用于根据所述输出结果，计算损失函数值，根据所述损失函数值对所述热场估计模型进行参数优化；
16、迭代训练模块，用于基于所述下一轮训练的共享参数，重新利用所述历史温度监测数据和所述历史热场分布信息，对参数优化后的所述热场估计模型进行下一轮训练，直至达到预设训练次数，得到训练完成的热场估计模型和共享参数序列；所述共享参数序列表示，将最后s轮训练所得到的共享参数和动量变量，按照训练次序排列而成的序列；所述s小于所述预设训练次数；
17、不确定性计算模块，用于将最后s轮训练所得到的输出数据中的温度预测值的平均值，确定为所述单晶硅生长系统中对应位置点的温度值，根据最后s轮训练所得到的输出数据中的温度预测值的标准差，确定所述训练完成的热场估计模型的不确定性衡量值。
18、本申请实施例第三方面还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序以实现本申请实施例第一方面所述的基于深度学习的直拉法单晶硅热场估计方法中的步骤。
19、本申请实施例第四方面还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请实施例第一方面所述的基于深度学习的直拉法单晶硅热场估计方法中的步骤。
20、本申请实施例第五方面还提供了一种计算机程序产品，所述计算机程序产品在电子设备上运行时，使处理器执行时实现如本申请实施例第一方面所述的基于深度学习的直拉法单晶硅热场估计方法中的步骤。
21、本申请实施例提供的一种基于深度学习的直拉法单晶硅热场估计方法，所述方法包括：获取直拉法制备单晶硅过程中的历史工况数据，所述历史工况数据至少包括：单晶硅生长系统中多个位置点的历史温度监测数据；基于所述历史温度监测数据，生成所述单晶硅生长系统的历史热场分布信息；基于本轮训练的共享参数，利用所述历史温度监测数据和所述历史热场分布信息，训练热场估计模型，得到本轮训练的输出结果，所述输出结果包括：所述单晶硅生长系统中各个位置点的温度预测值，以及所述单晶硅生长系统的热场预测值；根据所述本轮训练的共享参数，以及具有高斯分布的动量变量，更新得到下一轮训练的共享参数；根据所述输出结果，计算损失函数值，根据所述损失函数值对所述热场估计模型进行参数优化；基于所述下一轮训练的共享参数，重新利用所述历史温度监测数据和所述历史热场分布信息，对参数优化后的所述热场估计模型进行下一轮训练，直至达到预设训练次数，得到训练完成的热场估计模型和共享参数序列；所述共享参数序列表示，将最后s轮训练所得到的共享参数和动量变量，按照训练次序排列而成的序列；所述s小于所述预设训练次数；将最后s轮训练所得到的输出数据中的温度预测值的平均值，确定为所述单晶硅生长系统中对应位置点的温度值，根据最后s轮训练所得到的输出数据中的温度预测值的标准差，确定所述训练完成的热场估计模型的不确定性衡量值。
22、具体有益效果在于：本申请根据直拉法单晶硅实际工况条件(即历史工况数据)，测出热场内部有限点位温度分布情况(即单晶硅生长系统中多个位置点的历史温度监测数据)，采用深度学习的方式，训练得到热场估计模型，以预测得到连续的热场温度分布情况(即单晶硅生长系统中对应位置点的温度值)，实现简单快捷地单晶硅生长热场的预估，可以获取到内部热场各个位置点的具体温度信息。并且，通过计算模型输出结果的不确定性(训练完成的热场估计模型的不确定性衡量值)，解决了对模型输出的预测结果难以衡量正确性的技术问题，有利于提高所评估的热场的准确性。
1.一种基于深度学习的直拉法单晶硅热场估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的直拉法单晶硅热场估计方法，其特征在于，所述根据所述本轮训练的共享参数，以及具有高斯分布的动量变量，更新得到下一轮训练的共享参数，包括：
3.根据权利要求1所述的基于深度学习的直拉法单晶硅热场估计方法，其特征在于，所述根据所述输出结果，计算损失函数值，包括：
4.根据权利要求1所述的基于深度学习的直拉法单晶硅热场估计方法，其特征在于，所述根据最后s轮训练所得到的输出数据中的温度预测值的标准差，确定所述训练完成的热场估计模型的不确定性衡量值，包括：
5.根据权利要求4所述的基于深度学习的直拉法单晶硅热场估计方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的基于深度学习的直拉法单晶硅热场估计方法，其特征在于，所述方法还包括：
7.根据权利要求2所述的基于深度学习的直拉法单晶硅热场估计方法，其特征在于，所述根据所述本轮训练的共享参数状态，以及所述候选共享参数状态，确定接受率，包括：
8.一种基于深度学习的直拉法单晶硅热场估计装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现权利要求1-7任一项所述的基于深度学习的直拉法单晶硅热场估计方法中的步骤。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现权利要求1-7任一项所述的基于深度学习的直拉法单晶硅热场估计方法中的步骤。
