[发明专利]一种LED结构性能的预测方法

说明书

本发明涉及半导体电子器件技术领域，提供一种LED结构性能的预测方法，主要是通过对LED结构的输入特征参数及输出特征参数进行收集、提取，并建立相应的数据集；依据已知的准则对数据集中的数据进行预处理；利用机器学习算法搭建模型，并对此模型进行结构参数设定及初始化训练；运用经预处理后的前述数据集对经结构参数初始化训练后的模型进行训练优化，进而得到预测模型；将待预测的LED结构的输入特征参数的测试数据输入该预测模型，进而获得该待预测的LED结构的输出特征参数的预测值。藉此，可以对LED结构的性能进行快速预测，预测时间快且预测精度高。

技术领域

本发明涉及半导体电子器件技术领域，特别涉及一种运用机器学习算法模型对LED(发光二级管)结构性能进行预测的方法。

背景技术

发光二极管(Light Emitting Diode,LED)具有高效、节能、环保、寿命长等特点，已被广泛应用于交通指示、建筑装饰、显示照明等诸多领域。其中，半导体材料InGaN、GaN发展迅速，很快实现了商业化。

我国自1994年设立“GaN基材料和蓝绿光器件研究”课题至今，InGaN、GaN基LED已经广泛应用于通用照明、LCD背光、户外显示、景观照明以及汽车照明等领域。GaN基LED产品在固态照明领域处于前沿地位，是白炽灯和荧光等的高能效替代品。

高性能LED的结构设计通常是采用试错法，通过与前人的模拟或实验结果对比来确认LED性能优化结果的好坏，比如在材料的合成与开发、新型结构的设计和新的制造技术方面。器件的性能优化一般需要花费很长的时间，消耗大量的资源，比如时间、材料、设备和人力等。

机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一。机器学习是人工智能及模式识别领域的共同研究热点，其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。在当前互联网技术飞速发展的时代，若将人工智能中的机器学习方法应用于LED的结构设计中，所能实现的效率提升可能是呈几何级倍增的。

在高性能LED的结构设计中，如何借助机器学习方法对所设计的LED结构性能进行预测，并借助该预测结果及时调整该LED的结构设计方案以获得效率更佳的电子器件，已成为本领域技术人员欲积极解决得问题之一。

发明内容

为解决上述现有技术中高性能LED结构设计中其结构性能预测的不足，本发明提供一种LED结构性能的预测方法，该方法可以通过运用机器学习中不同的算法模型(如神经网络模型、决策树、MLP等)实现对高性能LED结构性能的预测，并根据该预测结果的指引及时调整该LED结构设计的方案，以使该高性能LED的结构设计在整体上具有更加优异的发光性能。

在一实施例中，一种LED结构性能的预测方法包括下列步骤:(S1)收集、提取LED结构的输入特征参数及对应的输出特征参数的数据，将所述数据分为原始数据集和预测数据集；(S2)对所述原始数据集和所述预测数据集进行预处理，获得预处理的原始数据集和预处理的预测数据集；(S3)运用机器学习算法构建初始模型；(S4)对所述初始模型进行结构参数设定，并对所述结构参数进行初始化训练，获得初始化的模型；(S5)优化所述初始化的模型，运用所述预处理的原始数据集对所述初始化的模型进行训练，以获得相应的网络权重和偏置,进而得到预测模型；(S6)预测，将待预测的LED结构的输入特征参数中的所述预处理的测试数据集输入所述预测模型，进而获得所述待预测的LED结构的输出特征参数的预测值。

在一实施例中，所述LED结构的输入特征参数包括所述LED结构中量子阱区的势垒层和势阱层的结构、成分、含量，以及电子阻挡层的结构、成分、含量；所述LED结构的输出特征参数的预测值包括所述LED结构的内量子效率(IQE)、光输出功率及其所对应的电流密度、IQE Droop(内量子效率衰减)、峰值电流密度等。