近十年来，2010年推出的LED背光显示技术已在全球市场得到广泛认可。未来有一个更精确的蓝图：更高的能源应用效率，更高的色彩饱和度，以及具有超高对比度度控制能力的Micro-LED背光模块。Micro-LED背光模块在为前瞻显示带来诸多优势的同时，也带来了许多新颖的挑战和创新机会。例如，通过在NCTU SCLAB研究奈米球光罩蚀刻技术，可以减轻在制程阶段由薄外延设计产生的量子局限史塔克效应(QCSE)。由于芯片尺寸比，照明角度设计区域受到限制，提出了新的低光损耗光学设计挑战。相当多的研究成果也测量了整体背光设计的间接物理参数。设计具有高均匀性和低功耗的Micro-LED模块在今天仍然是一项重大挑战。
此外，由于量子点材料可以显著提升显示器的色彩质量，量子点色彩转换技术也是前瞻性显示技术中一项极为重要且被广泛讨论的技术。在过去的半个世纪中，许多成熟的光学设计方法和物理概念已经建立并用于各种研究工作。在LED领域，对不同尺度的物理模型进行了大量的研究和分析。但是，由于宏观尺度和微观尺度的具体表现分别是粒子和波，在进行光学设计时，往往不可能同时进行宏观尺度和微观尺度的设计。由于晶粒结构的微观尺度和背光模块的宏观尺度都存在于Micro-LED模块中，这种现象已成为追求超薄设计的Micro-LED模块的一个挑战。
近日，来自台湾交大、深圳大学、富士康半导体研究所以及英国利物浦大学合作的研究项目一项成果构建了一套光学编程程序，并介绍了一种环境控制代理技术来控制宏观和微观尺度。此外，由于传统的优化计算方法，如差分进化算法和基因算法，都是rule-based的算法，具有可解释性和使用较少超参数的特点。这种方式虽然方便开发者使用，但对于可变性较大的主题，应用起来难度更大。相反，由大量数据驱动的数据驱动算法有很多超参数来解决各种变化的问题。
为了实现高度适应性的解决方案，避免过度敏感的搜索过程导致无法找到全局最大值或最小值，研究提供人工智能深度强化学习技术，并采用Google DeepMind的double DQN（DDQN）架构作为核心网络创建人工智能光学设计代理以实现最佳光学设计。深度强化学习 (DRL) 和环境控制代理技术在研究中得到充分实现。此外，基于人工智能模型的推理结果，成功生产出超薄、高效、高均匀度的Micro-LED模块。
研究引入的环境控制代理技术将微观尺度和宏观尺度模型高效地整合为一组优化模型，消除了不同计算尺度带来的所有计算障碍。强化学习模型还提供了一种针对Micro-LED背光模块的高效模型优化设计方法。与全循环模式相比，可以确定解平面上分辨率更高的最优位置；因此，设计代理的优化结果比整个循环的优化结果要好一些。此外，与多参数离散循环解相比，设计代理可以找到更准确的解，只需要整个循环时间的17.9%即可找到解。研究采用新颖的多环境控制方法和强化学习框架，成功开发出具有DBR结构的Micro-LED背光模块作为背光均匀度优化组件，与没有DBR结构的Micro-LED背光模块相比，其均匀度提升了32%。
关于该研究成果，相关研究人员表示，该项技术在光学设计领域是顶尖水平, 主要三个技术特点 (1) 同时考虑微观及巨观光学的光学设计技术 (2) 利用人工智能技术将虚拟设计软件与实作结果进行拟真, (3) 使用人工智能技术进行优化技术, 此技术可以用在除了设计领域外, 也可与制造及材料成长技术进行整合。
Micro-LED背光模组目前普遍都以单纯的GaN数组进行排列, 在光晕及高动态对比上尚存有质量不佳的问题, 因此光学设计技术的推进将有助于质量更佳的显示器产生。
此次收录的研究成果有效整合仿真设计与实务信息, 此类模式与TSMC以及各大IC设计公司的思路一致, 因此此次的研究成功的将前瞻设计整合技术落实在光电产业上, 提供给后续研究人员一个新的思路与模式。
对于该研究成果接下来会以此架构持续在半导体制程技术的整合上进行进一步的制程方法与结构优化。
原文链接：
https://www.hh-ri.com/2022/01/07/micro-led-backlight-module-by-deep-reinforcement-learning-and-micro-macro-hybrid-environment-control-agent/
