(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111203505.4 (22)申请日 2021.10.15 (71)申请人 厦门大学 地址 361005 福建省厦门市思明区思明南 路422号 申请人 嘉庚创新实验室 (72)发明人 黄凯　江莹　姜卓颖　李琳　李澄　 李金钗　张荣　康俊勇　 (74)专利代理 机构 厦门加减专利代理事务所 (普通合伙) 35234 代理人 李强　杨泽奇 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/00(2019.01) G06N 3/04(2006.01)G06K 9/62(2022.01) G06F 30/27(2020.01) (54)发明名称 一种LED结构性能的预测方法 (57)摘要 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。 权利要求书1页 说明书13页 附图5页 CN 113988389 A 2022.01.28 CN 113988389 A 1.一种LED结构性能的预测方法， 其特 征在于包括下列步骤： 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； 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； 运用机器学习算法构建初始模型； 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； 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； 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。 2.根据权利 要求1所述的LED结构性能的预测方法， 其特征在于： 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； 所述对应的输出特征参数包括所述LED结构的内量子效率、 光输出功 率及其所对应的电流密度。 3.根据权利要求1所述的LED结构性能的预测方法， 其特征在于： 所述机器学习算法至 少为深度学习算法、 多层感知器、 决策树、 线性回归、 梯度提升回归中的一种。 4.根据权利要求3所述的LED结构性能的预测方法， 其特征在于： 所述深度学习算法至 少为卷积神经网络、 循环神经网络、 自编码、 深度置信网络中的一种。 5.根据权利要求1所述的LED结构性能的预测方法， 其特征在于： 所述LED结构包括 InGaN基可 见光LED、 AlGaN基深紫外LED、 GaAs基LED、 GaAlAs基LED、 GaP基LED。 6.根据权利 要求1所述的LED结构性能的预测方法， 其特征在于： 所述LED结构的输入特 征参数及对应的输出 特征参数的数据可根据所述 LED结构的类型进行筛 选、 调整。 7.根据权利要求1所述的LED结构性能的预测方法， 其特征在于： 对所述原始数据集和 所述预测数据集进行 预处理的方法包括以下步骤： 挑选特征， 依据已知的物理知识及数据之间的关系对所述LED结构的输入特征参数进 行挑选； 数据处理， 对挑选出的所述特 征数据进行归一 化处理； 数据重组， 对处 理后的所述特 征数据的大小 进行重组。 8.根据权利要求7所述的LED结构性能的预测方法， 其特征在于： 在对挑选出的所述特 征数据进行归一 化处理后， 所述特 征参数的数据均值 为0、 标准差为1。 9.根据权利要求1所述的LED结构性能的预测方法， 其特征在于： 在优化所述初始化的 模型的步骤中， 采用均方误差判定所述初始化的模型的训练结果， 所述均方误差公式为： 其中， Predicti、 Actuali分别为第i个样本的预测值、 真实值。权　利　要　求　书 1/1 页 2 CN 113988389 A 2一种LED结构性能的预测方 法 技术领域 [0001]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 [0002]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。 [0003]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。 [0004]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。 [0005]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。 [0006]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 [0007]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。 [0008]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说　明　书 1/13 页 3 CN 113988389 A 3