摘要：制备大尺寸优质晶体是材料领域的重要课题，当前晶体生长仍十分依赖于技术人员的生长经验，耗时长，成本高，导致研制进度十分缓慢。随着计算机科学的发展，机器学习有望加快大尺寸晶体生长工艺的探索速度。本文概述了机器学习在晶体生长中的应用，重点介绍了进化算法和神经网络算法，并概括了国内外相关领域的研究成果。在晶体结构预测方面，已成功开发出晶体结构预测软件，如Crystal Structure Prediction Network (CRYSPNet)、Universal Structure Predictor：Evolutionary Xtallography (USPEX)和Crystal structure AnaLYsis by Particle Swarm Optimization (CALYPSO)。在晶体生长条件优化方面，机器学习已成功用于铸锭炉热场优化、SiC、YAG、Si单晶温场以及生长工艺参数优化，取得了显著的效果。在晶体生长控制方法方面，机器学习已成功改进了激光晶体、Si单晶的直径控制，并在Si单晶晶体质量控制以及模型的自适应控制方法方面也取得了一定的进展。机器学习具有高精度、高效率的特点，可避开复杂的物理化学过程，通过从大量数据中挖掘信息和规律，实现晶体结构预测、晶体生长条件优化以及晶体生长精准控制。但机器学习在晶体生长中的应用也面临诸多挑战，包括大尺寸多元复杂体系的晶体结构预测、模型物理解释和数据处理、晶体生长过程的物理机制和控制规律以及多因素的耦合和复杂系统的模拟等。
文章目录
1 晶体生长模拟中的机器学习
1.1 机器学习概述
1.2 晶体生长模拟中常用的机器学习算法
1.2.1 进化算法(EA)
1.2.2 人工神经网络算法(ANN)
2 机器学习在晶体生长中的应用
2.1 晶体结构预测
2.1.1 CRYSPNet
2.1.2 USPEX
2.1.3 CALYPSO
2.2 晶体生长条件优化
2.3 晶体生长控制方法
3 总结与展望
