CN117157576A - 模型训练方法、性能预测方法、装置、设备及介质 - Google Patents

模型训练方法、性能预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN117157576A
CN117157576A CN202280000619.5A CN202280000619A CN117157576A CN 117157576 A CN117157576 A CN 117157576A CN 202280000619 A CN202280000619 A CN 202280000619A CN 117157576 A CN117157576 A CN 117157576A
Authority
CN
China
Prior art keywords
data
model
training sample
display device
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202280000619.5A
Other languages
English (en)
Inventor
周全国
王杰
王志东
曾诚
徐丽蓉
张青
唐浩
周丽佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Publication of CN117157576A publication Critical patent/CN117157576A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Nonlinear Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Optics & Photonics (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

模型训练方法、性能预测方法、装置、设备及介质，涉及显示技术领域。模型训练方法，包括：获取训练样本集合，所述训练样本集合包括：训练样本显示器件的设计数据和测试数据；将训练样本设计数据输入待训练模型，根据待训练模型的输出以及训练样本测试数据，对待训练模型进行训练，得到初始预测模型；当初始预测模型满足预设条件时，将初始预测模型确定为性能预测模型；性能预测模型，用于预测目标显示器件的性能数据。

Description

模型训练方法、性能预测方法、装置、设备及介质 技术领域
本公开涉及显示器件技术领域，特别是涉及一种模型训练方法、一种性能预测方法、一种模型训练装置、一种性能预测装置、一种计算处理设备以及一种非瞬态计算机可读介质。
背景技术
为了提高产品开发成功率，降低产品的研发成本和生产成本，目前常常使用仿真软件对薄膜晶体管液晶显示器(Thin film transistor liquid crystal display,TFT-LCD)和有机发光二极体(organic light-emitting diode，AMOLED)显示器件，基于结构、材料、工艺等物理性质和化学性质等进行模拟仿真，以此预测某一指定设计的显示器件各方面的性能，在生产制造之前事先了解设计的优劣与否。
基于薄膜晶体管液晶显示器或者有机发光二极体衍生了众多显示技术，比如，量子点(Quantum Dot,QD)发光显示技术，可以利用蓝光OLED作为光源，激发量子点光致转换膜中的红/绿量子点，进而激发出红光/绿光通过彩色滤光片透出，形成全彩显示，相较于常规的有机发光二极体(organic light-emitting diode,OLED)，量子点发光显示器件具有高色域、低能耗、光谱可调等优点。但是，由于量子点显示器件和其他衍生显示器件一样，都与常规的有机发光二极体的物理结构不一致，发光原理也存在差异，无法直接使用现有的仿真软件进行仿真和预测性能，这对开发新型显示技术产品形成了阻碍。
概述
本公开提供了一种模型训练方法，包括：
获取训练样本集合，所述训练样本集合包括：训练样本设计数据和训练样本测试数据；其中，所述训练样本设计数据包括：训练样本显示器件的设计数据，所述训练样本测试数据包括：所述训练样本显示器件的测试数据；
将所述训练样本设计数据输入待训练模型，根据所述待训练模型的输出以及所述训练样本测试数据，对所述待训练模型进行训练，得到初始预测模型；
当所述初始预测模型满足预设条件时，将所述初始预测模型确定为性能预测模型；其中，所述性能预测模型，用于根据目标显示器件的设计数据，预测所述目标显示器件的性能数据。
可选地，所述获取训练样本集合的步骤，包括：
获取所述训练样本显示器件的设计数据和所述训练样本显示器件的测试数据并进行预处理；
分别对预处理后的所述设计数据和所述测试数据进行One-Hot编码，得到所述训练样本设计数据和所述训练样本测试数据。
可选地，所述分别对预处理后的所述设计数据和所述测试数据进行One-Hot编码，得到所述训练样本设计数据和所述训练样本测试数据的步骤，包括：
对预处理后的所述设计数据进行One-Hot定值编码，将预处理后的所述设计数据对应的定值数据编码作为所述训练样本设计数据；
若预处理后的所述测试数据是定值数据，则对预处理后的所述测试数据进行One-Hot定值编码；若预处理后的所述测试数据是量化数据，则对预处理后的所述测试数据进行One-Hot量化编码；将预处理后的所述测试数据对应的定值数据编码和/或者量化数据编码作为所述训练样本测试数据。
可选地，所述对所述设计数据和所述测试数据进行预处理的步骤，包括：
对所述设计数据和所述测试数据进行聚类处理，使同一类型的设计数据的数据格式相同，并使同一类型的测试数据的数据格式相同；
剔除聚类处理后的所述设计数据和所述测试数据中的错误数据和重复数据，以及，获得聚类处理后的所述设计数据和所述测试数据中的缺项数据，得到完整的设计数据和完整的测试数据；
对完整的所述设计数据和完整的所述测试数据进行归一化处理，以统一所述设计数据和所述测试数据的数据尺度，并对统一数据尺度后的所述设计数据和所述测试数据进行数据关联；
统一数据关联后的所述设计数据和所述测试数据的格式和标准。
可选地，所述将所述训练样本设计数据输入待训练模型，根据所述待训练模型的输出以及所述训练样本测试数据，对所述待训练模型进行训练的步骤，包括：
将所述待训练模型的输出以及所述训练样本测试数据输入预设的损失函数，得到损失值；
以最小化所述损失值为目标，调整所述待训练模型的参数。
可选地，所述损失函数为：
其中，Loss是所述损失值，Y是所述训练样本测试数据，Y’是所述待训练模型的输出值，n是迭代次数。
可选地，所述待训练模型为全连接神经网络或者transformer模型。
可选地，所述待训练模型的全连接层的不同网络层级之间存在至少一个跳跃连接；其中，至少一个所述跳跃连接，用于将相隔至少两层的网络层级的输出值融合后输入到预设网络层；所述预设网络层是与被融合的网络层相隔至少三层的深层网络。
可选地，所述训练样本显示器件的设计数据至少包括以下一项：所述训练样本显示器件的材料数据、所述训练样本显示器件的结构数据、所述训练样本显示器件的像素设计数据、所述训练样本显示器件的工艺数据；
所述训练样本显示器件的测试数据至少包括以下一项：所述训练样本显示器件的量子点光谱、所述训练样本显示器件的半峰宽、所述训练样本显示器件的蓝光吸收谱、所述训练样本显示器件的色坐标偏移、所述训练样本显示器件的亮度衰减、所述训练样本显示器件的发光亮度、所述训练样本显示器件的色域、所述训练样本显示器件的外量子效率、所述训练样本显示器件的寿命。
可选地，所述当所述初始预测模型满足预设条件时，将所述初始预测模型确定为性能预测模型的步骤，包括：
将测试样本设计数据输入初始预测模型，得到初始预测数据；其中，所述测试样本设计数据是测试样本显示器件的设计数据；
根据所述初始预测数据相对于测试样本测试数据的误差值获得判定结果，包括：当所述初始预测数据相对于测试样本测试数据的误差值小于或等于第一预设阈值时，判定所述初始预测模型预测准确，否则判定初始预测模型预测错误；其中，所述测试样本测试数据是所述测试样本显示器件的测试数据；
根据至少一个所述判定结果，得到所述初始预测模型的预测准确率；
当所述预测准确率大于或等于第二预设阈值时，确定初始预测数据为性能预测模型。
可选地，在所述判定初始预测模型预测准确的步骤之后，还包括：
将所述测试样本设计数据作为训练样本设计数据，将所述测试样本测试数据作为训练样本测试数据，更新所述训练样本集合；
根据更新后的所述训练样本集合，对所述性能预测模型进行训练。
本公开还提供了一种性能预测方法，包括：
获取目标显示器件的设计数据；
输入所述目标显示器件的设计数据至性能预测模型中，获得所述目标显示器件的测试数据；其中，所述性能预测模型是采用如上述任一实施例所述的模型训练方法训练得到的。
可选地，当所述目标显示器件的测试数据高于预设性能阈值时，将所述目标设计数据确定为目标硬件设计数据。
本公开还提供了一种模型训练装置，包括：
样本获取单元，用于获取训练样本集合，所述训练样本集合包括：训练样本设计数据和训练样本测试数据；其中，所述训练样本设计数据包括：训练样本显示器件的设计数据，所述训练样本测试数据包括：所述训练样本显示器件的测试数据；
训练单元，用于将所述训练样本设计数据输入待训练模型，根据所述待训练模型的输出以及所述训练样本测试数据，对所述待训练模型进行训练，得到初始预测模型；
模型生成单元，用于当所述初始预测模型满足预设条件时，将所述初始预测模型确定为性能预测模型；其中，所述性能预测模型，用于根据目标显示器件的设计数据，预测所述目标显示器件的性能数据。
本公开还提供了一种性能预测装置，包括：
设计获取单元，用于获取目标显示器件的设计数据；
预测单元，用于输入所述目标显示器件的设计数据至性能预测模型中，获得所述目标显示器件的测试数据；其中，所述性能预测模型是采用如上述任一实施例所述的模型训练方法训练得到的。
本公开还提供了一种计算处理设备，包括：
存储器，其中存储有计算机可读代码；
一个或多个处理器，当所述计算机可读代码被所述一个或多个处理器执行时，所述计算处理设备执行如上述任一实施例所述的方法。
本公开还提供了一种非瞬态计算机可读介质，存储有计算机可读代码，当所述计算机可读代码在计算处理设备上运行时，导致所述计算处理设备执行如上述任一实施例所述的方法。
上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。
附图简述
为了更清楚地说明本公开实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。需要说明的是，附图中的比例仅作为示意并不代表实际比例。
图1示意性地示出了本公开提供的一种模型训练方法的步骤流程图；
图2示意性地示出了本公开提供的一种全连接层跳跃连接的结构关系图；
图3示意性地示出了本公开提供的一种模型训练及应用方法的步骤流程图；
图4示意性地示出了本公开提供的一种模型输入和输出的关系图；
图5示意性地示出了本公开提供的一种预处理的流程图；
图6示意性地示出了本公开提供的一种性能预测方法的步骤流程图；
图7示意性地示出了本公开提供的一种模型训练装置的结构框图；
图8示意性地示出了本公开提供的一种性能预测装置的结构框图。
详细描述
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
参照图1，图1是本公开提供的一种模型训练方法的步骤流程图。如图1所示，本公开提供了一种模型训练方法，包括：
步骤S31，获取训练样本集合，所述训练样本集合包括：训练样本设计数据和训练样本测试数据；其中，所述训练样本设计数据包括：训练样本显示器件的设计数据，所述训练样本测试数据包括：所述训练样本显示器件的测试数据。
为了提供针对性地训练和后续更加精准的应用预测，在可选的一种实施方式中，训练样本显示器件可以是某一指定类型的显示器件。具体地，训练样本显示器件可以是量子点发光显示器件。示例性地，训练样本显示器件可以是蓝光OLED和量子点组合结构的量子点光致发光(photoluminescence,PL)显示器件，训练样本显示器件还可以是量子点结构的量子点电致发光(electroluminescent,EL)发光显示器件。
在可选的另一种实施方式中，本公开还可以提供多线程的模型训练，针对至少两种类型的显示器件进行合并训练。在得到多线程性能预测模型，并将多线程性能预测模型用于显示器件的性能预测时，在输入目标显示器件的设计数据时，自动识别显示器件的类型，多线程性能预测模型可以使用相应的线程进行预测。其中，训练样本显示器件则至少包括两种类型的显示器件。示例性地，训练样本显示器件可以是量子点光致发光显示器件和量子点电致发光显示器件。
本公开中，训练样本集合中的训练样本设计数据和训练样本测试数据可以是以数据对的形式存储和训练使用的。进一步，训练样本显示器件的测试数据可以是与训练样本显示器件的设计数据相对应的真实测试数据。示例性 地，训练样本设计数据可以包括某一像素排列方式，则与之对应的训练样本测试数据可以是在该像素排列方式下，针对该显示器件的真实性能测试数据，比如具体的发光寿命数值、具体的发光亮度数值、具体的色域数值等。
步骤S32，将所述训练样本设计数据输入待训练模型，根据所述待训练模型的输出以及所述训练样本测试数据，对所述待训练模型进行训练，得到初始预测模型。
在本公开中，可以基于数据预测包括量子点显示器件在内的各类型显示器件的性能，因此，待训练模型可以是数据型的模型，进一步的，待训练模型可以是神经网络模型。在可选的一种实施方式中，所述待训练模型为全连接神经网络(Fully Connected Neural Network，FCN)或者transformer模型。
其中，根据所述待训练模型的输出以及所述训练样本测试数据，对所述待训练模型进行训练，可以包括：对待训练模型的参数进行调整。具体的，还可以包括：对待训练模型中各网络层之间的权值参数进行调整。初始预测模型可以是对待训练模型中各网络层之间的权值参数进行调整之后的人工智能算法模型。
步骤S33，当所述初始预测模型满足预设条件时，将所述初始预测模型确定为性能预测模型；其中，所述性能预测模型，用于根据目标显示器件的设计数据，预测所述目标显示器件的性能数据。
其中，目标显示器件可以是输入的具有相应的设计数据的同类型显示器件。也即，训练样本显示器件和目标显示器件可以是同类型的显示器件。具体地，训练样本显示器件和目标显示器件可以是量子点发光显示器件。示例性地，训练样本显示器件和目标显示器件可以是蓝光OLED和量子点组合结构的量子点光致发光显示器件，训练样本显示器件和目标显示器件还可以是量子点结构的量子点电致发光显示器件。
需要注意的是，上述所指的同类型是具有相同的发光原理，而不限制于指代显示器件具体的尺寸结构或材料性质相同。
其中，预设条件可以是对待训练模型进行训练所使用的样本数据对数量达到预设样本量。示例性地，预设样本量可以是500或者1000。
其中，预设条件还可以是待训练模型的输出相对于训练样本测试数据之间的误差值小于或者等于预设误差值。预设误差值可以是10％。
通过上述实施例，本公开提供了一种模型训练方法，采用数据作为支撑，根据训练样本显示器件的设计数据和测试数据对数据模型进行训练，得到的预测模型，不仅无需综合考虑显示器件的物理结构和材料化学性质，也无需根据显示器件的具体构造和发光原理搭建仿真预测模型，可以针对显示器件实现更高效率的性能预测，预测准确率高，而且还不受限于显示器件的具体类型、具体构造和发光原理，可以针对各种类型的显示器件进行模型的学习和训练，兼容性和适用性强，对于诸如量子点发光显示器件这类发光原理与常规显示器件存在差异的显示器件也可以实现性能预测。因此，本公开提供的模型训练方法，能够针对各类显示器件，基于数据模型进行学习和训练，所得到的性能预测模型能在脱离显示器件的发光原理的情况下，兼容性强、高效率地实现显示器件的性能预测。
具体的，本公开具有以下优点：
(1)首先，本公开提供的模型训练方法，利用训练样本显示器件的设计数据和测试数据，对所述待训练模型进行训练，是依靠数据的模型训练，不受限于显示器件的具体类型、具体构造和发光原理，可以针对各种类型的显示器件进行模型的学习和训练，得到的性能预测模型可以用于相应类型的显示器件的性能预测，适用范围广，兼容性强。
(2)其次，本公开提供的模型训练方法，无需根据显示器件的具体构造和发光原理搭建仿真预测模型，而诸如量子点发光技术显示器件的材料性质、结构性质和发光原理较为复杂，在应用数据模型进行仿真预测的基础上，针对此类显示器件，预测准确率将会比基于光学结构的仿真软件的预测准确率更高，预测结果更加接近真实值。
(3)本公开提供的模型训练方法，无需考虑显示器件的内部物理结构和光路关系，直接基于真实数据对数据模型进行的训练得到预测模型，预测模型直接基于数据的输入给出预测值，无需综合考虑显示器件的物理结构和材料化学性质，预测过程更加简单，因此，对于显示器件可以实现更高效率的性能预测。
考虑到待训练模型采用数据模型所具有的数据化性质，需要对训练样本设计数据和训练样本测试数据进行相应的数据化处理，以使待训练模型更好的完成识别。为此，在一种可选的实施方式中，本公开还提供了一种获取训 练样本集合的方法，包括：
步骤S311，获取所述训练样本显示器件的设计数据和所述训练样本显示器件的测试数据并进行预处理。
其中，训练样本显示器件的设计数据和训练样本显示器件的测试数据可以是在针对至少一种类型的显示器件，通过量测或测试训练样本显示器件，获得的真实设计数据和真实测试数据。示例性地，比如训练样本显示器件进行老化实验可以获得寿命数据。
其中，设计数据和测试数据的预处理可以是对数据进行格式和标准的统一，使待训练模型能够进行统一的特征识别和处理。
步骤S312，分别对预处理后的所述设计数据和所述测试数据进行One-Hot编码，得到所述训练样本设计数据和所述训练样本测试数据。
其中，One-Hot编码将设计数据和测试数据的分类变量作为二进制向量的表示，以此提高待训练模型的识别效率。具体的，One-Hot编码先将设计数据和测试数据的分类值映射到整数值，再使每个整数值被表示为二进制向量。
示例性地，针对设计数据中的工艺分类进行编码可以是，旋涂工艺的编码为001，打印工艺的编码为010。
因此，在本公开中，训练样本设计数据和训练样本测试数据可以是使用One-Hot编码进行表示的。
参照图4，图4是本公开提供的一种模型输入和输出的示意图。如图4所示，具体地，在一种可选的实施方式中，针对所述训练样本显示器件为量子点发光显示器件的情况，所述训练样本显示器件的设计数据至少包括以下一项：所述训练样本显示器件的材料数据、所述训练样本显示器件的结构数据、所述训练样本显示器件的像素设计数据、所述训练样本显示器件的工艺数据。
所述训练样本显示器件的测试数据至少包括以下一项：所述训练样本显示器件的量子点光谱、所述训练样本显示器件的半峰宽、所述训练样本显示器件的蓝光吸收谱、所述训练样本显示器件的色坐标偏移、所述训练样本显示器件的亮度衰减、所述训练样本显示器件的发光亮度、所述训练样本显示器件的色域、所述训练样本显示器件的外量子效率、所述训练样本显示器件 的寿命。
进一步的，考虑到设计数据可以粗略进行分类，而测试数据有些是需要进行量化的，为此，在一种可选的实施方式中，本公开还提供了一种对设计数据和测试数据进行编码的方法，包括：
步骤S3131，对预处理后的所述设计数据进行One-Hot定值编码，将预处理后的所述设计数据对应的定值数据编码作为所述训练样本设计数据。
其中，对设计数据进行定值编码是对同一设计数据类型中的每一个数据对应一个编码。其中，设计数据类型可以包括：材料数据、结构数据、像素设计数据以及工艺数据。
本公开提供了一种对预处理后的设计数据进行One-Hot定值编码的示例：
材料数据、结构数据、像素设计数据、工艺数据为定值数据，可以对设计数据的定值数据进行编码。示例性地，材料数据中蓝光OLED器件中OLED材料有11种，量子点材料分成红光和绿光两类，其中，红光材料光谱可以从610-650nm，波峰每偏移1nm为一种材料，因此可分成40种材料，绿光材料光谱可以从530-550nm，波峰每偏移0.5nm为一种材料，也可分成40种材料，因此，红绿两种量子点材料有80种。散射材料有氧化锆和氧化钛2种，彩色滤光片材料有红绿蓝一共3种，增亮膜和反射膜各1种，遮光膜(Black mask,BM)材料为1种。结构数据有3个值，像素设计4个值，工艺数据有3个值。因此，对设计数据进行编码的定值数据可以是109个值。
步骤S3132，若预处理后的所述测试数据是定值数据，则对预处理后的所述测试数据进行One-Hot定值编码；若预处理后的所述测试数据是量化数据，则对预处理后的所述测试数据进行One-Hot量化编码；将预处理后的所述测试数据对应的定值数据编码和/或者量化数据编码作为所述训练样本测试数据。
其中，对测试数据进行定值编码是对同一测试数据类型中的每一个数据对应一个编码。其中，进行定值编码的测试数据类型可以包括：半峰宽、色域、外量子效率以及寿命。
对测试数据进行量化编码时对同一测试数据类型中的每一个数据范围对应一个编码。进行量化编码的测试数据类型可以包括：量子点光谱、蓝光吸收谱、色坐标偏移、亮度衰减、发光亮度。
具体的，One-Hot定值编码和One-Hot量化编码的总数可以等于待训练模型的全连接层的网络通道数量。
本公开提供了一种对预处理后的测试数据进行One-Hot量化编码的示例：
在测试数据中，可以将量子点发光光谱、蓝光吸收谱、色坐标偏移、发光亮度、亮度衰减等量化数据，每类数据分解成50份，处理的量化编码数据可以为250个。
在测试数据中，可以将以下数据设为定值：半峰宽为1个定值，色域为2个定值，外量子效率为1个定值，寿命为1个定值。对测试数据进行编码的定值数据可以是5个值。
因此，通过上述示例，处理的量化编码数据和定值编码数据一共可以是364个。
其中，对预处理后的测试数据进行One-Hot量化编码，可以是通过量化得到预设梯度值的量化拟合曲线，进行量化编码。
参照图4，进一步进行示例：
一、对设计数据进行one hot定值编码可以包括：
1、材料编码
(1)对11种OLED材料可以编码为：00000000001、0000000010、00000000100、……01000000000、10000000000；
(2)对量子点材料中的40种红光材料从光谱610nm编码至650nm，可以编码为：000000…0001(1前面为39个0)、000000…0010(1前面为38个0)、……10000…0000(1后面有39个0)；
(3)对绿光材料也可以分为40种材料，编码为：000000…0001(1前面为39个0)、000000…0010(1前面为38个0)、……10000…0000(1后面有39个0)；
(4)彩色滤光片(Color filter,CF)材料对红绿蓝RGB三色编码分别为：001、010、100；
(5)增量膜材料编码：1；
(6)反射膜材料编码：1；
(7)遮光膜材料编码：1。
2、结构数据编码：
(1)蓝色OLED+白色光致发光-量子点结构+彩色滤光片的结构编码为：001；
(2)蓝色OLED+红色/绿色光致发光-量子点结构+彩色滤光片结构编码为：010；
(3)量子点发光器件结构编码为：100。
3、像素设计数据：
(1)RGB像素排列的编码为：0001；
(2)Pentile像素排列的编码为：0010；
(3)GGRB像素排列的编码为：0100；
(4)Blue diamond钻石排列像素排列的编码为：1000。
4、工艺数据编码：
(1)旋涂工艺的编码为：001；
(2)打印工艺的编码为：010；
(3)光刻工艺的编码为：100。
二、对测量数据进行one hot定值编码可以包括：
1、色域(色坐标)编码为：01、10；
2、外量子效率编码为：1；
3、寿命编码为：1；
4、半峰宽编码为：1。
三、对测量数据进行one hot量化编码可以包括：
1、量子点发光光谱(通过量化分成50份)，从光谱起始位编码为000……0001(1前面有49个0)、000…00010(1前面有48个0)、………、1000……0000(1后面有49个0)；
2、蓝光吸收光谱(通过量化分成50份)：从光谱起始位编码为000……0001(1前面有49个0)、000…00010(1前面有48个0)、………、1000……0000(1后面有49个0)；
3、色坐标偏移编码(通过量化分成50份)：从光谱起始位编码为000……0001(1前面有49个0)、000…00010(1前面有48个0)、………、1000……0000(1后面有49个0)；
4、亮度衰减(L-decay)编码(通过量化分成50份)：从光谱起始位编 码为000……0001(1前面有49个0)、000…00010(1前面有48个0)、………、1000……0000(1后面有49个0)；
5、发光亮度编码(通过量化分成50份)：从光谱起始位编码为000……0001(1前面有49个0)、000…00010(1前面有48个0)、………、1000……0000(1后面有49个0)。
进一步的，如果设计数据或者测试数据如果需要更多精确到量化的部分，比如像素设计的面积比例，也可以对预处理后的设计数据和/或者更多的测试数据进行One-Hot量化编码，则处理的量化编码数据和定值编码数据还可以更多，涉及到的计算量更大，但得到的性能预测模型的预测结果更精确。以及，还可以提高量化编码的精度，比如将发光亮度编码，通过量化分成100份，涉及到的计算量也更大，但得到的性能预测模型的预测结果也更精确。
参照图5，图5是本公开提供的一种预处理的流程示意图。如图5所示，为了进一步便于实现模型对数据的识别和处理，在一种可选的实施方式中，本公开还提供了一种对所述设计数据和所述测试数据进行预处理的方法，包括：
步骤S3121，对所述设计数据和所述测试数据进行聚类处理，使同一类型的设计数据的数据格式相同，并使同一类型的测试数据的数据格式相同。
其中，数据格式对应不同的数据类型。聚类处理是包括将数据格式相同的设计数据和数据格式相同的测试数据进行聚合，以使相同类型的数据能被整合处理。示例性地，训练样本显示器件的半峰宽数据能够被聚合为一类，训练样本显示器件的色坐标偏移能够被聚合为一类，两种各自具有数据格式。
步骤S3122，剔除聚类处理后的所述设计数据和所述测试数据中的错误数据和重复数据，以及，获得聚类处理后的所述设计数据和所述测试数据中的缺项数据，得到完整的设计数据和完整的测试数据。
其中，针对一项设计数据，如果出现了两种及以上的相同的测试数据，则合并处理；如果出现了两种及以上的相矛盾的测试数据，则挑选出正确的测试数据。
步骤S3123，对完整的所述设计数据和完整的所述测试数据进行归一化处理，以统一所述设计数据和所述测试数据的数据尺度，并对统一数据尺度后的所述设计数据和所述测试数据进行数据关联。
其中，统一设计数据和测试数据的数据尺度是针对每一类型或者每一数据格式的数据，统一数据的起点值和单位。比如，针对不同起点的色坐标偏移数据，可以统一为相同起点的色坐标偏移数据；针对不同单位的色坐标偏移数据，可以统一为相同单位的色坐标偏移数据。
其中，数据关联包括：将设计数据和测试数据链接成相对应的数据对形式；其中，可以通过标记标签的方式进行链接。
步骤S3124，统一数据关联后的所述设计数据和所述测试数据的格式和标准。
其中，统一格式和标准是统一数据的输出文件格式和标准。设计数据和测试数据可以通过Excel文件或者csv文件的形式保存和输出，能够更好地供待训练模型进行识别和训练使用。
基于神经网络监督学习的特性，针对待训练模型为数据型网络模型的情况，在一种可选的实施方式中，本公开还提供了一种对待训练模型进行训练的方法，包括：
步骤S321，将所述待训练模型的输出以及所述训练样本测试数据输入预设的损失函数，得到损失值。
其中，在一种可选的实施方式中，所述损失函数为：
其中，Loss是所述损失值，Y是所述训练样本测试数据，Y’是所述待训练模型的输出值，n是迭代次数。
步骤S322，以最小化所述损失值为目标，调整所述待训练模型的参数。
具体地，调整所述待训练模型的参数，可以至少包括：调整待训练模型中各网络层之间的连接权值参数。其中，损失值越小，就代表模型拟合的越好。
还可以使用优化器进行参数调整。示例性地，优化器可以选择Adam优化器，学习率为1e-3；batch size为512，迭代次数为160000；其中迭代次数在80000和100000次的时候学习率乘以0.1。中间网络层的维度为256。
其中，可以将调整参数后的所述待训练模型作为初始预测模型。相应的， 当损失值达到预设的目标损失值时，则可以停止待训练模型的训练，并将所述初始预测模型确定为性能预测模型。
通过上述实施例，以损失函数的迭代对待训练模型进行监督，并调整待训练模型的参数使损失值最小化，整个网络的训练过程就是不断缩小损失值的过程，有助于提高性能预测模型的预测结果准确率。
参照图2，图2是本公开提供的一种全连接层跳跃连接的结构示意图。如图2所示，为了进一步提高性能预测模型的预测结果准确率，在一种可选的实施方式中，待训练模型可以包括全连接神经网络，所述待训练模型的全连接层的不同网络层级之间存在至少一个跳跃连接。
其中，至少一个所述跳跃连接，用于将相隔至少两层的网络层级的输出值融合后输入到预设网络层。
所述预设网络层是与被融合的网络层相隔至少三层的深层网络。
如图2所示，全连接神经网络的中间网络层的维度可以为256，输入的编码数量对应的通道数可以为364，输出的编码数量对应的通道数可以为255。在整个网络中，各个神经元分属不同的层，如输入层、隐藏层、输出层等。数据从左侧输入层输入，中间隐藏层计算，右侧输出层输出。每一级都是利用前一级的输出做输入。
示例性的，跳跃连接可以将全连接层中第N层和第(N+2)层网络的输出连接至第(N+5)层网络的输入。
其中，全连接层可以包括10层全连层(Fully Connected,FC)网络，用来对输入数据进行特征识别和处理。
通过上述实施例，利用全连接层之间的跳跃连接，可以有效防止梯度下降，并进一步提高得到的预测模型的预测结果准确度。
在一种可选的实施方式中，本公开还提供了一种确定性能预测模型的方法，包括：
步骤S331，将测试样本设计数据输入初始预测模型，得到初始预测数据；其中，所述测试样本设计数据是测试样本显示器件的设计数据。
其中，测试样本显示器件可以是与训练样本显示器件以及目标显示器件同类型的显示器件。
步骤S332，根据所述初始预测数据相对于测试样本测试数据的误差值获 得判定结果，包括：当所述初始预测数据相对于测试样本测试数据的误差值小于或等于第一预设阈值时，判定所述初始预测模型预测准确，否则判定初始预测模型预测错误；其中，所述测试样本测试数据是所述测试样本显示器件的测试数据。
示例性地，第一预设阈值可以是10％，初始预测数据相对于测试样本测试数据的误差值小于或等于10％时，可以判定所述初始预测模型预测准确，否则判定初始预测模型预测错误。
步骤S333，根据至少一个所述判定结果，得到所述初始预测模型的预测准确率。
其中，至少一个判定结果可以确定初始预测模型的预测准确率，示例性地，当4次判定结果为预测准确，1次判定结果为预测错误，则初始预测模型的预测准确率为80％。
步骤S334，当所述预测准确率大于或等于第二预设阈值时，确定初始预测数据为性能预测模型。
示例性地，第二预设阈值可以是90％，初始预测模型预测准确的比例高于90％时，可以确定初始预测数据为性能预测模型。
为了进一步扩充训练样本集合，并提高训练和验证模型的准确性、系统性，在一种可选的实施方式中，在所述判定初始预测模型预测准确的步骤之后，本公开还提供了一种训练性能预测模型的方法，包括：
步骤S41，将所述测试样本设计数据作为训练样本设计数据，将所述测试样本测试数据作为训练样本测试数据，更新所述训练样本集合。
其中，将测试样本设计数据作为训练样本设计数据，将测试样本测试数据作为训练样本测试数据，可以进一步丰富训练样本集合。
步骤S42，根据更新后的所述训练样本集合，对所述性能预测模型进行训练。
通过上述实施例，利用测试样本设计数据和测试样本测试数据对性能预测模型进行训练，相当于同时使用了验证方法和模型损失值最小化的方法对模型进行综合训练，有助于进一步提高模型的预测准确率。
参照图3，图3是本公开提供的一种模型训练及应用方法的步骤流程图。如图3所示，结合上述实施例，针对量子点发光显示器件，本公开还提供了 一种对模型训练后应用的方法，包括：
步骤S101，收集样本显示器件的设计数据和测试数据；
步骤S102，清洗样本显示器件的设计数据和测试数据，统一数据格式和标准；
步骤S103，基于FCN模型对设计数据和测试数据进行特征学习和训练；
步骤S104，生成QD光特性预测模型；
步骤S105，基于QD光特性预测模型得到QD光特性预测系统；
步骤S106，将新的设计数据输入QD光特性预测系统，使QD光特性预测系统输出新的设计数据对应的QD光特性模拟仿真结果。
通过上述实施例，基于人工全连接人工智能神经网络模型，对已给定的QD显示技术的材料、结构、设计和工艺等数据进行清洗，将清洗后的数据送入到全连接神经网络模型进行学习和训练，生成QD光特性预测模型，将模型集成到QD光特性模拟仿真系统，再将新的设计数据如结构、材料、像素设计、工艺等属于输入到系统进行模拟仿真，最终可以确定QD发光显示器件性能如QD光谱、半峰宽、色坐标shift、亮度衰减、蓝光吸收谱、发光亮度、色域、外量子效率(EQE)、寿命等指标，从而可以提高QD显示技术开发成功率，降低QD显示器件的研发和生产成本。
参照图6，图6是本公开提供的一种性能预测方法的步骤流程图。如图6所示，基于相同或相似的发明构思，本公开还提供了一种性能预测方法，包括：
步骤S51，获取目标显示器件的设计数据。
其中，目标显示器件的设计数据也可以是与同类型的训练样本显示器件的设计数据相似的数据格式，可以由性能预测模型进行后续的预处理和编码。
步骤S52，输入所述目标显示器件的设计数据至性能预测模型中，获得所述目标显示器件的测试数据；其中，所述性能预测模型是采用如上述任一实施例所述的模型训练方法训练得到的。
具体的，目标显示器件的设计数据可以是以数值和/或者one hot编码的方式输入，性能预测模型可以自行进行数据的处理，并输出相应的测试数据。
在可选的一种实施方式中，当所述目标显示器件的测试数据高于预设性 能阈值时，将所述目标设计数据确定为目标硬件设计数据。
具体的，预设性能阈值可以是根据对目标显示器件的性能要求预先设定的，目标显示器件的至少一项测试数据对应有相应的预设性能阈值。示例性地，比如要求目标显示器件的发光亮度达到500尼特，目标显示器件的发光亮度测试数据为515尼特，则将目标设计数据确定为目标硬件设计数据。
通过上述实施例，利用上述实施例中训练得到的模型进行显示器件的性能预测，不需要利用根据显示器件的具体构造和发光原理搭建的仿真模型，提高了显示器件的性能预测效率，并且对于诸如量子点发光显示器件这类发光原理与常规显示器件存在差异的显示器件也可以实现性能预测。
参照图7，图7是本公开提供的一种模型训练装置的结构框图。如图7所示，基于相同或相似的发明构思，本公开还提供了一种模型训练装置700，包括：
样本获取单元701，用于获取训练样本集合，所述训练样本集合包括：训练样本设计数据和训练样本测试数据；其中，所述训练样本设计数据包括：训练样本显示器件的设计数据，所述训练样本测试数据包括：所述训练样本显示器件的测试数据。
训练单元702，用于将所述训练样本设计数据输入待训练模型，根据所述待训练模型的输出以及所述训练样本测试数据，对所述待训练模型进行训练，得到初始预测模型。
模型生成单元703，用于当所述初始预测模型满足预设条件时，将所述初始预测模型确定为性能预测模型；其中，所述性能预测模型，用于根据目标显示器件的设计数据，预测所述目标显示器件的性能数据。
其中，模型训练装置可以采用中央处理器CPU(central processing unit)芯片或微型逻辑控制单元MCU(Microcontroller Unit)芯片作为信息处理装置，上述芯片中可以烧录用于训练模型的程序，使得该模型训练装置实现本公开的功能，而这些功能的实现上利用现有技术即可。
参照图8，图8是本公开提供的一种性能预测装置的结构框图。如图8所示，基于相同或相似的发明构思，本公开还提供了一种性能预测装置800， 包括：
设计获取单元801，用于获取目标显示器件的设计数据。
预测单元802，用于输入所述目标显示器件的设计数据至性能预测模型中，获得所述目标显示器件的测试数据；其中，所述性能预测模型是采用如上述任一实施例所述的模型训练方法训练得到的。
其中，性能预测装置可以采用中央处理器CPU(central processing unit)芯片或微型逻辑控制单元MCU(Microcontroller Unit)芯片作为信息处理装置，上述芯片中可以烧录用于性能预测的程序，使得该性能预测装置实现本公开的功能，而这些功能的实现上利用现有技术即可。
基于相同或相似的发明构思，本公开还提供了一种计算处理设备，包括：
存储器，其中存储有计算机可读代码；
一个或多个处理器，当所述计算机可读代码被所述一个或多个处理器执行时，所述计算处理设备执行如上述任一实施例所述的方法。
基于相同或相似的发明构思，本公开还提供了一种非瞬态计算机可读介质，存储有计算机可读代码，当所述计算机可读代码在计算处理设备上运行时，导致所述计算处理设备执行如上述任一实施例所述的方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外 的相同要素。
以上对本公开所提供的一种模型训练方法、一种性能预测方法、一种模型训练装置、一种性能预测装置、一种计算处理设备以及一种非瞬态计算机可读介质进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对于本领域的一般技术人员，依据本公开的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本公开的限制。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着，结合实施例描述的特定特征、结构或者特性包括在本公开的至少一个实施例中。此外，请注意，这里“在一个实施例中”的词语例子不一定全指同一个实施例。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是：以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围。

Claims (17)

  1. 一种模型训练方法，其中，包括：
    获取训练样本集合，所述训练样本集合包括：训练样本设计数据和训练样本测试数据；其中，所述训练样本设计数据包括：训练样本显示器件的设计数据，所述训练样本测试数据包括：所述训练样本显示器件的测试数据；
    将所述训练样本设计数据输入待训练模型，根据所述待训练模型的输出以及所述训练样本测试数据，对所述待训练模型进行训练，得到初始预测模型；
    当所述初始预测模型满足预设条件时，将所述初始预测模型确定为性能预测模型；其中，所述性能预测模型，用于根据目标显示器件的设计数据，预测所述目标显示器件的性能数据。
  2. 根据权利要求1所述的一种模型训练方法，其中，所述获取训练样本集合的步骤，包括：
    获取所述训练样本显示器件的设计数据和所述训练样本显示器件的测试数据并进行预处理；
    分别对预处理后的所述设计数据和所述测试数据进行One-Hot编码，得到所述训练样本设计数据和所述训练样本测试数据。
  3. 根据权利要求2所述的一种模型训练方法，其中，所述分别对预处理后的所述设计数据和所述测试数据进行One-Hot编码，得到所述训练样本设计数据和所述训练样本测试数据的步骤，包括：
    对预处理后的所述设计数据进行One-Hot定值编码，将预处理后的所述设计数据对应的定值数据编码作为所述训练样本设计数据；
    若预处理后的所述测试数据是定值数据，则对预处理后的所述测试数据进行One-Hot定值编码；若预处理后的所述测试数据是量化数据，则对预处理后的所述测试数据进行One-Hot量化编码；将预处理后的所述测试数据对应的定值数据编码和/或者量化数据编码作为所述训练样本测试数据。
  4. 根据权利要求2所述的一种模型训练方法，其中，获取所述训练样本显示器件的设计数据和所述训练样本显示器件的测试数据并进行预处理，包括：
    对所述设计数据和所述测试数据进行聚类处理，使同一类型的设计数据的数据格式相同，并使同一类型的测试数据的数据格式相同；
    剔除聚类处理后的所述设计数据和所述测试数据中的错误数据和重复数据，以及，获得聚类处理后的所述设计数据和所述测试数据中的缺项数据，得到完整的设计数据和完整的测试数据；
    对完整的所述设计数据和完整的所述测试数据进行归一化处理，以统一所述设计数据和所述测试数据的数据尺度，并对统一数据尺度后的所述设计数据和所述测试数据进行数据关联；
    统一数据关联后的所述设计数据和所述测试数据的格式和标准。
  5. 根据权利要求1所述的一种模型训练方法，其中，所述将所述训练样本设计数据输入待训练模型，根据所述待训练模型的输出以及所述训练样本测试数据，对所述待训练模型进行训练的步骤，包括：
    将所述待训练模型的输出以及所述训练样本测试数据输入预设的损失函数，得到损失值；
    以最小化所述损失值为目标，调整所述待训练模型的参数。
  6. 根据权利要求5所述的一种模型训练方法，其中，所述损失函数为：
    其中，Loss是所述损失值，Y是所述训练样本测试数据，Y’是所述待训练模型的输出值，n是迭代次数。
  7. 根据权利要求1所述的一种模型训练方法，其中，所述待训练模型为全连接神经网络或者transformer模型。
  8. 根据权利要求7所述的一种模型训练方法，其中，所述待训练模型的全连接层的不同网络层级之间存在至少一个跳跃连接；其中，
    至少一个所述跳跃连接，用于将相隔至少两层的网络层级的输出值融合后输入到预设网络层；所述预设网络层是与被融合的网络层相隔至少三层的深层网络。
  9. 根据权利要求1所述的一种模型训练方法，其中，所述训练样本显示器件的设计数据至少包括以下一项：所述训练样本显示器件的材料数据、所述训练样本显示器件的结构数据、所述训练样本显示器件的像素设计数据、所述训练样本显示器件的工艺数据；
    所述训练样本显示器件的测试数据至少包括以下一项：所述训练样本显示器件的量子点光谱、所述训练样本显示器件的半峰宽、所述训练样本显示器件的蓝光吸收谱、所述训练样本显示器件的色坐标偏移、所述训练样本显示器件的亮度衰减、所述训练样本显示器件的发光亮度、所述训练样本显示器件的色域、所述训练样本显示器件的外量子效率、所述训练样本显示器件的寿命。
  10. 根据权利要求1至9任一项所述的一种模型训练方法，其中，所述当所述初始预测模型满足预设条件时，将所述初始预测模型确定为性能预测模型的步骤，包括：
    将测试样本设计数据输入初始预测模型，得到初始预测数据；其中，所述测试样本设计数据是测试样本显示器件的设计数据；
    根据所述初始预测数据相对于测试样本测试数据的误差值获得判定结果，包括：当所述初始预测数据相对于测试样本测试数据的误差值小于或等于第一预设阈值时，判定所述初始预测模型预测准确，否则判定初始预测模型预测错误；其中，所述测试样本测试数据是所述测试样本显示器件的测试数据；
    根据至少一个所述判定结果，得到所述初始预测模型的预测准确率；
    当所述预测准确率大于或等于第二预设阈值时，确定初始预测数据为性能预测模型。
  11. 根据权利要求10所述的一种模型训练方法，其中，在所述判定初始预测模型预测准确的步骤之后，还包括：
    将所述测试样本设计数据作为训练样本设计数据，将所述测试样本测试数据作为训练样本测试数据，更新所述训练样本集合；
    根据更新后的所述训练样本集合，对所述性能预测模型进行训练。
  12. 一种性能预测方法，其中，包括：
    获取目标显示器件的设计数据；
    输入所述目标显示器件的设计数据至性能预测模型中，获得所述目标显示器件的测试数据；其中，所述性能预测模型是采用如权利要求1至11中任一项所述的模型训练方法训练得到的。
  13. 根据权利要求11所述的一种性能预测方法，其中，当所述目标显示器件的测试数据高于预设性能阈值时，将所述目标设计数据确定为目标硬件设计数据。
  14. 一种模型训练装置，其中，包括：
    样本获取单元，用于获取训练样本集合，所述训练样本集合包括：训练样本设计数据和训练样本测试数据；其中，所述训练样本设计数据包括：训练样本显示器件的设计数据，所述训练样本测试数据包括：所述训练样本显示器件的测试数据；
    训练单元，用于将所述训练样本设计数据输入待训练模型，根据所述待训练模型的输出以及所述训练样本测试数据，对所述待训练模型进行训练，得到初始预测模型；
    模型生成单元，用于当所述初始预测模型满足预设条件时，将所述初始预测模型确定为性能预测模型；其中，所述性能预测模型，用于根据目标显示器件的设计数据，预测所述目标显示器件的性能数据。
  15. 一种性能预测装置，其中，包括：
    设计获取单元，用于获取目标显示器件的设计数据；
    预测单元，用于输入所述目标显示器件的设计数据至性能预测模型中，获得所述目标显示器件的测试数据；其中，所述性能预测模型是采用如权利要求1至11中任一项所述的模型训练方法训练得到的。
  16. 一种计算处理设备，其中，包括：
    存储器，其中存储有计算机可读代码；
    一个或多个处理器，当所述计算机可读代码被所述一个或多个处理器执行时，所述计算处理设备执行如权利要求1至13中任一项所述的方法。
  17. 一种非瞬态计算机可读介质，其中，存储有计算机可读代码，当所述计算机可读代码在计算处理设备上运行时，导致所述计算处理设备执行如权利要求1至13中任一项所述的方法。
CN202280000619.5A 2022-03-30 2022-03-30 模型训练方法、性能预测方法、装置、设备及介质 Pending CN117157576A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/084158 WO2023184258A1 (zh) 2022-03-30 2022-03-30 模型训练方法、性能预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117157576A true CN117157576A (zh) 2023-12-01

Family

ID=88198529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280000619.5A Pending CN117157576A (zh) 2022-03-30 2022-03-30 模型训练方法、性能预测方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN117157576A (zh)
WO (1) WO2023184258A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117130942B (zh) * 2023-10-24 2024-01-09 国网信息通信产业集团有限公司 一种模拟国产化生产环境的仿真测试方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7502763B2 (en) * 2005-07-29 2009-03-10 The Florida International University Board Of Trustees Artificial neural network design and evaluation tool
US11049744B2 (en) * 2017-10-24 2021-06-29 International Business Machines Corporation Optimizing semiconductor binning by feed-forward process adjustment
CN108873401B (zh) * 2018-06-22 2020-10-09 西安电子科技大学 基于大数据的液晶显示器响应时间预测方法
CN110866347A (zh) * 2019-11-28 2020-03-06 昆山国显光电有限公司 显示器件的寿命预估方法和装置、存储介质

Also Published As

Publication number Publication date
WO2023184258A1 (zh) 2023-10-05

Similar Documents

Publication Publication Date Title
Ballabio et al. A MATLAB toolbox for Self Organizing Maps and supervised neural network learning strategies
CN107636693A (zh) 针对人工神经网络的相关性分数指派
CN110826639B (zh) 一种利用全量数据训练零样本图像分类方法
CN112416358B (zh) 一种基于结构化词嵌入网络的智能合约代码缺陷检测方法
CN103559294A (zh) 支持向量机分类器的构造方法及装置、分类方法及装置
CN116685031A (zh) 隧道进出口光暗调节方法及其系统
CN117157576A (zh) 模型训练方法、性能预测方法、装置、设备及介质
CN113688890A (zh) 异常检测方法、装置、电子设备及计算机可读存储介质
CN109816002A (zh) 基于特征自迁移的单一稀疏自编码器弱小目标检测方法
CN114994760B (zh) 基于Transformer和自监督算法的微震事件危险性分析方法
CN114757432A (zh) 基于流程日志和多任务学习的未来执行活动及时间预测方法及系统
CN113591971A (zh) 基于dpi时间序列词嵌入向量的用户个性行为预测方法
CN114331122A (zh) 重点人员风险等级评估方法及相关设备
CN115131313A (zh) 基于Transformer的高光谱图像变化检测方法及装置
CN114494800B (zh) 预测模型训练方法、装置、电子设备及存储介质
CN114528835A (zh) 基于区间判别的半监督专业术语抽取方法、介质及设备
CN111062411A (zh) 从质谱数据中识别多种化合物的方法、装置和设备
US11393182B2 (en) Data band selection using machine learning
CN116363403B (zh) 用于基因样本的图像识别方法、图像识别系统和存储介质
CN107291813A (zh) 基于语义分割场景的示例搜索方法
CN111551252A (zh) 一种基于神经网络的光谱响应设计方法
Gong et al. KDCTime: Knowledge distillation with calibration on InceptionTime for time-series classification
CN114722928A (zh) 一种基于深度学习的蓝藻图像识别方法
GB2607788A (en) Method for predicting geological features from images of geologic cores using a deep learning segmentation process
CN111563413A (zh) 一种基于混合双模型的年龄预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination