InGaAs（P）分别限制应变单量子阱激光器的优化设计

针对较常用的ＩｎＧａＡｓ（Ｐ）分别限制应变单量子阱激光器，给出了为得到最大净增益的优化设计参数。对于激射波长为１．５５μｍ的无应变激光器，最佳的光限制层波长为１．２４μｍ，厚度为１００ｎｍ。当阱材料引入压缩应变后．由于价带的有效状态密度减小，量子阱激光器的微分增益变大，阱深的增大对增大线性增益的效果更加明显．所以最佳光限制层的波长将变短，为１．２０μｍ     

半绝缘InP（Fe）的低温氯化物VPE生长

介绍了一种半绝缘ＩｎＰ（Ｆｅ）的低温氯化物气相外延（ＶＰＥ）生长方法，生长温度为５５０℃，可为金属有机气相淀积的量子阱结构二次外延半绝缘ＩｎＰ（Ｆｅ）盖层。４０μｍ层厚时电阻率超过５×１０８Ωｃｍ，临界击穿电压达到１０Ｖ以上。用这种方法制备的激光器阈值电流达８０ｍＡ，较平板式的降低３倍，远场图样平行和垂直结平面方向光功率曲线对称性良好，远场发散角，器件测试得到较好光谱。目前尚未见到其它类似报道。     

O3有效钝化多孔硅的研究

开发了用O3氧化钝化多孔Si（PS）的实用工艺方法。O3的基本作用是对Si-Hx和Si悬挂键（DB）的充分氧化，经过随后158d贮存的老化实验，得到了表面Si—H，键完全被Si-O3膜和Si-烷基膜所替代并覆盖的PS，其光致发光（PL）强度达到稳定的增强，这归因于PS纳米晶粒的表面势垒高度的提高以及量子效率的提高。     

太赫兹Si/SiGe量子级联激光器的能带设计

使用nextnano3模拟软件计算Si/Si1-xGex/Si量子阱的能带结构,对Si/SiGe量子级联激光器有源区的能带结构进行设计,结果表明使用Ge组分为0.27～0.3,量子阱宽度为3nm的SiGe合金与垒宽为3nm的Si层构成对称应变级联异质结构,有利于优化THz Si/SiGe量子级联激光器结构.     

Si-Si直接键合的研究及其应用

硅片直接键合技术是一种简单易行的硅片熔合技术,由于该技术不受材料的结构、晶向和点阵参数的影响,因而得到了广泛的应用。介绍了硅片直接键合的方法和键合模型,并简单介绍了硅片直接键合技术的应用。     

Si/Si键合结构的电学性质测量及模拟

研究Si／Si键合的电学性质对于界面研究和微电子器件的制备有着重要意义。分析了亲水处理方法键合的不同Si／Si键合结构的I—V特性，然后用SOS模型对n—Si／n—Si的C—V特性做了计算机辅助模拟，并和实际C—V曲线比较得出了平带电压VFB和界面态密度Din，这些结果对于键合的界面性质的了解和研究都是有意义的。     

Si/InP键合界面的研究

应用疏水处理方法成功实现了Si/InP的键合,然后通过对InP和Si的表面XPS能谱分析得到界面信息,从而了解键合机理.I-V曲线也反应了键合界面的性质,通过450、550℃退火样品的伏安特性可知道,对于InP/Si键合结构而言,退火温度与界面特性应该存在最佳值.     

Ge/Si(100)量子点生长与形态分布的研究

利用超高真空化学气相淀积系统,通过控制淀积量、温度、流量等生长参数,在n型Si(100)衬底上自组装生长了一系列Ge量子点样品,用原子力显微镜进行了表征与分析.系统地研究了生长参数对Ge岛形态分布的影响并分析了有序、高密度Ge岛的生长机理.结果表明,从二维向三维岛跃迁后,最初形成的高宽比(高度与底宽的比值)在0.04～0.06之间的小岛是一种在低温下可以与圆顶岛共存的稳定岛,两种岛的分布随淀积参数的变化而变化.在高温下小岛几乎消失,流量的变化对小岛的密度影响较小.实验中获得小岛的密度最高为2.6×1010cm-2,圆顶岛的密度最高为4.2×109cm-2.     

基于区域神经网络的TFT-LCD电路缺陷检测方法

对薄膜晶体管液晶显示器（TFT-LCD）边框电路中细微、复杂的缺陷进行检测,一直是自动光学检测（AOI）的一个难点。本文提出基于改进的快速区域神经网络（FasterR-CNN）算法对TFT-LCD边框电路的缺陷进行检测。首先在共享卷积层进行特征提取,然后通过多层的区域提议网络结构生成精确候选区域,根据候选区域的特征和目标分类实现对缺陷的识别和定位。同时设计多种有效的网络结构并详细分析网络层深度及卷积核大小对检测效果的影响,最后进行不同算法的比较。在实际构建的数据集上实验,结果表明本文方法具有良好的检测效果,对6种类别的液晶屏边框电路缺陷识别定位达到平均每张0.12s的检测速度和94.6%的准确率。     

液晶屏线路中导电粒子压合的自动光学检测研究

在薄膜晶体管液晶显示器线路检测中,常通过对线路中的导电薄膜粒子的计数和定位实现其导电性的自动检测。为了解决窄边框线路中粒子密度增大带来的粒子重叠问题,提出一种采用微分干涉成像和掩模法结合k均值聚类的算法,在分离出粒子的亮、暗部后,结合图像熵值和粒子的凸性准确分割出粒子。讨论了聚类簇选值的影响,通过不同粒子密度、不同粒子尺寸的样本检验本文算法,并与以往的梯度结合灰度的方法进行对比。结果表明:本文算法在粒子密度较小的区域能达到92.6%的识别率,在粒子密度较大的区域也能达到86%的识别率,分别比梯度加灰度的方法提高了9.9%和42.7%。解决了粒子重叠的问题,并且对光场和成像效果有更好的鲁棒性。