EP4771402A1

EP4771402A1 - Method for ascertaining a luminance noise level of a light-emitting semiconductor diode

Info

Publication number: EP4771402A1
Application number: EP24812415.8A
Authority: EP
Inventors: Viktor Krueckl; Michael Binder; Maximilian TAUER; Moses RICHTER
Original assignee: Ams Osram International GmbH
Current assignee: Ams Osram International GmbH
Priority date: 2023-11-22
Filing date: 2024-11-18
Publication date: 2026-07-08
Also published as: WO2025108894A1; DE102023132576A1

Abstract

A method for ascertaining a luminance noise level of a light-emitting semiconductor diode comprises steps for measuring an electrical voltage dropping across the semiconductor diode during operation of the semiconductor diode at a constant current intensity in order to obtain a voltage dataset, and for predicting the luminance noise level based on the voltage dataset using a trained model.

Description

VERFAHREN ZUM ERMITTELN EINES HELLIGKEITSRAUSCHNIVEAUS EINER LICHTEMITTIERENDEN HALBLEITERDIODE Method for determining a brightness noise level of a light-emitting semiconductor diode

BESCHREIBUNG DESCRIPTION

Die vorliegende Erfindung betri f ft ein Verfahren zum Ermitteln eines Helligkeitsrauschniveaus einer lichtemittierenden Halbleiterdiode . The present invention relates to a method for determining a brightness noise level of a light-emitting semiconductor diode.

Die Patentanmeldung beansprucht die Priorität der deutschen Patentanmeldung 10 2023 132 576 . 0 , deren Of fenbarungsgehalt hiermit durch Rückbezug aufgenommen wird . The patent application claims priority from German patent application 10 2023 132 576 . 0 , the disclosure of which is hereby incorporated by reference.

Zur Verwendung in Messvorrichtungen zur Messung zeitaufgelöster Signale vorgesehene lichtemittierende Halbleiterdioden müssen in vielen Anwendungs fällen eine hohe zeitliche Stabilität der Helligkeit des emittierten Lichts aufweisen . Zur Ermittlung geeigneter lichtemittierender Halbleiterdioden ist es im Stand der Technik bekannt , ein Helligkeitsrauschniveau einer in Frage kommenden Halbleiterdiode zu bestimmen . Hierzu wird die Helligkeit des von der lichtemittierenden Halbleiterdiode emittierten Lichts während eines Betriebs der Halbleiterdiode mit einer konstanten Stromstärke über einen längeren Zeitraum von beispielsweise 25 Sekunden erfasst und ausgewertet . Light-emitting semiconductor diodes intended for use in measuring devices for measuring time-resolved signals must, in many applications, exhibit a high degree of temporal stability in the brightness of the emitted light. In order to identify suitable light-emitting semiconductor diodes, it is known in the art to determine the brightness noise level of a semiconductor diode in question. For this purpose, the brightness of the light emitted by the light-emitting semiconductor diode is recorded and evaluated while the semiconductor diode is operated at a constant current over a prolonged period of time, for example, 25 seconds.

Eine Aufgabe der vorliegenden Erfindung besteht darin, ein Verfahren zum Ermitteln eines Helligkeitsrauschniveaus einer lichtemittierenden Halbleiterdiode anzugeben . Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 gelöst . In den abhängigen Ansprüchen sind verschiedene Weiterbildungen angegeben . One object of the present invention is to provide a method for determining a brightness noise level of a light-emitting semiconductor diode. This object is achieved by a method having the features of claim 1. Various developments are specified in the dependent claims.

Ein Verfahren zum Ermitteln eines Helligkeitsrauschniveaus einer lichtemittierenden Halbleiterdiode umfasst Schritte zum Erfassen einer über die Halbleiterdiode abfallenden elektrischen Spannung während eines Betriebs der Halbleiterdiode mit einer konstanten Stromstärke , um einen Spannungsdatensatz zu erhalten, und zum Vorhersagen des Helligkeitsrauschniveaus auf Grundlage des Spannungsdatensatzes unter Verwendung eines trainierten Modells . Dieses Verfahren erlaubt die Ermittlung des Helligkeitsrauschniveaus auf Grundlage einer elektrischen Messung anstelle einer optischen Messung . Das Verfahren beruht dabei auf der Erkenntnis , dass zwischen dem Helligkeitsrauschniveau einer lichtemittierenden Halbleiterdiode und einem Rauschen einer über die Halbleiterdiode abfallenden elektrischen Spannung ein Zusammenhang besteht , der eine Bestimmung des Helligkeitsrauschniveaus anhand des Rauschens der elektrischen Spannung ermöglicht . Dadurch lässt sich das Verfahren vorteilhafterweise besonders einfach und mit geringer Störanfälligkeit durchführen . Ein besonderer Vorteil des Verfahrens besteht darin, dass sich das Verfahren an mehreren lichtemittierenden Halbleiterdioden parallel durchführen lässt , ohne dass von den einzelnen Halbleiterdioden emittiertes Licht das Messergebnis bei den j eweils anderen Halbleiterdioden verfälscht . Dadurch ermöglicht das Verfahren eine Parallelisierung, wodurch sich das Verfahren im Endergebnis schneller und kostengünstiger durchführen lässt . A method for determining a brightness noise level of a light-emitting semiconductor diode comprises steps of detecting an electrical voltage drop across the semiconductor diode during operation of the semiconductor diode with a constant current to obtain a voltage data set and predicting the brightness noise level based on the voltage data set using a trained model. This method allows the brightness noise level to be determined based on an electrical measurement instead of an optical measurement. The method is based on the knowledge that there is a relationship between the brightness noise level of a light-emitting semiconductor diode and the noise of an electrical voltage falling across the semiconductor diode, which relationship enables the brightness noise level to be determined based on the noise of the electrical voltage. This makes it advantageously easy to carry out the method and it is less susceptible to interference. A particular advantage of the method is that it can be carried out on several light-emitting semiconductor diodes in parallel without the light emitted by the individual semiconductor diodes distorting the measurement results for the other semiconductor diodes. This means that the method can be carried out in parallel, which ultimately makes the method faster and more cost-effective.

In einer Aus führungs form des Verfahrens wird der Spannungsdatensatz über einen Zeitraum von weniger als 5 Sekunden erfasst , insbesondere über einen Zeitraum von weniger als 2 Sekunden . Experimente haben gezeigt , dass bereits ein über einen derart kurzen Zeitraum erfasster Spannungsdatensatz hinreichend aussagekräftig ist , um das Helligkeitsrauschniveau der lichtemittierenden Halbleiterdiode mit hoher Genauigkeit zu ermitteln . Dadurch lässt sich das Verfahren vorteilhafterweise besonders schnell und somit auch kostengünstig durchführen . In one embodiment of the method, the voltage data set is acquired over a period of less than 5 seconds, in particular over a period of less than 2 seconds. Experiments have shown that even a voltage data set acquired over such a short period is sufficiently informative to determine the brightness noise level of the light-emitting semiconductor diode with high accuracy. This advantageously allows the method to be carried out particularly quickly and thus also cost-effectively.

In einer Aus führungs form des Verfahrens umfasst das Vorhersagen des Helligkeitsrauschniveaus einen Schritt zum Trans formieren des Spannungsdatensatzes in die Frequenzdomäne , um einen Spektraldatensatz zu erhalten . Dabei wird das Helligkeitsrauschniveau auf Grundlage des Spektraldatensatzes vorhergesagt . Vorteilhafterweise lassen sich dem in die Frequenzdomäne trans formierten Spektraldatensatz besonders aus- sagekräftige Merkmale entnehmen, aus denen auf das Helligkeitsrauschniveau der Halbleiterdiode geschlossen werden kann . In one embodiment of the method, predicting the brightness noise level comprises a step of transforming the voltage data set into the frequency domain to obtain a spectral data set. The brightness noise level is predicted based on the spectral data set. Advantageously, the spectral data set transformed into the frequency domain can be particularly meaningful features from which the brightness noise level of the semiconductor diode can be deduced.

In einer Aus führungs form des Verfahrens erfolgt das Trans formieren des Spannungsdatensatzes mit Kurz zeit-Fourier- Trans formation . Vorteilhafterweise kann dadurch ein über einen nur kurzen Zeitraum erfasster Spannungsdatensat z in den Spektraldatensatz trans formiert werden . In one embodiment of the method, the voltage data set is transformed using short-time Fourier transformation. This advantageously allows a voltage data set acquired over only a short period of time to be transformed into the spectral data set.

In einer Aus führungs form des Verfahrens umfasst das Vorhersagen des Helligkeitsrauschniveaus ein Extrahieren von Merkmalen aus dem Spektraldatensatz mittels einer dimensionsreduzierenden Trans formation . Dabei wird das Helligkeitsrauschniveau auf Grundlage der extrahierten Merkmale vorhergesagt . Vorteilhafterweise ermöglicht die dimensionsreduzierende Trans formation eine Reduktion des Spektraldatensatzes auf besonders charakteristische Merkmale . Dies vereinfacht die Vorhersage des Helligkeitsrauschniveaus unter Verwendung des trainierten Modells . In one embodiment of the method, predicting the brightness noise level comprises extracting features from the spectral data set using a dimension-reducing transformation. The brightness noise level is predicted based on the extracted features. Advantageously, the dimension-reducing transformation enables a reduction of the spectral data set to particularly characteristic features. This simplifies the prediction of the brightness noise level using the trained model.

In einer Aus führungs form des Verfahrens umfasst das Modell ein Regressionsmodell . Vorteilhafterweise sind derartige Modelle gut handhabbar und haben sich als zweckmäßig zur Vorhersage des Helligkeitsrauschniveaus erwiesen . In one embodiment of the method, the model comprises a regression model. Such models are advantageously easy to handle and have proven useful for predicting the brightness noise level.

In einer Aus führungs form des Verfahrens ist die Halbleiterdiode eine Leuchtdiode . Bei Leuchtdioden kann eine Ermittlung eines Helligkeitsrauschniveaus besonders wichtig sein . In one embodiment of the method, the semiconductor diode is a light-emitting diode. For light-emitting diodes, determining a brightness noise level can be particularly important.

In einer Aus führungs form wird das Verfahren durchge führt , während sich die Halbleiterdiode in einem Waferverbund befindet . Vorteilhafterweise lässt sich das Verfahren dadurch zu einem frühen Zeitpunkt während der Herstellung der lichtemittierenden Halbleiterdiode durchführen . In diesem Fall kann bei einer sich als ungeeignet erweisenden Halbleiterdiode beispielsweise auf eine weitere Prozessierung verzichtet werden, was eine deutliche Kostenreduzierung ermöglichen kann . Eine Ermittlung des Helligkeitsrauschniveaus in einem frühen Verfahrensstand kann auch eine frühzeitige Erkennung und Korrektur eventueller Störeinflüsse bei der Waferherstellung und -bearbeitung ermöglichen . Hierdurch lässt sich unter Umständen eine Menge an Verwurf reduzieren, was ebenfalls eine Kostenreduzierung bewirken kann . In one embodiment, the method is carried out while the semiconductor diode is in a wafer assembly. Advantageously, the method can thus be carried out at an early stage during the manufacture of the light-emitting semiconductor diode. In this case, for example, if a semiconductor diode proves to be unsuitable, further processing can be dispensed with, which can enable a significant cost reduction. Determining the brightness noise level early in the process can also enable early detection and correction of potential interference during wafer fabrication and processing. This can potentially reduce waste, which can also lead to cost savings.

Eine Aus führungs form des Verfahrens wird bei mehreren Halbleiterdioden des Waferverbunds parallel durchgeführt . Vorteilhafterweise bewirkt dabei das von den mehreren Halbleiterdioden emittierte Licht keine wechselseitige Beeinflussung der Messergebnisse . Die Parallelisierbarkeit des Verfahrens kann es gemeinsam mit der kurzen Dauer des Verfahrens ermöglichen, das Verfahren für einer Viel zahl oder sogar allen Halbleiterdioden eines Waferverbunds durchzuführen . One embodiment of the method is carried out in parallel on several semiconductor diodes of the wafer assembly. Advantageously, the light emitted by the several semiconductor diodes does not mutually influence the measurement results. The parallelizability of the method, together with the short duration of the method, can make it possible to carry out the method for a large number or even all semiconductor diodes of a wafer assembly.

In einer Aus führungs form des Verfahrens umfasst dieses ein vorhergehendes Trainieren des Modells . Das Trainieren umfasst dabei Schritte zum Bereitstellen einer Mehrzahl von Trainings-Halbleiterdioden, zum Erfassen eines Trainings- Helligkeitsrauschniveaus und eines zugehörigen Trainings- Spannungsdatensatzes für j ede Trainings-Halbleiterdiode , wobei das Trainings-Helligkeitsrauschniveau j eder Trainings- Halbleiterdiode mit einer Messung eines Helligkeitsverlauf s eines von der j eweiligen Trainings-Halbleiterdiode emittierten Lichts während eines Betriebs der j eweiligen Trainings- Halbleiterdiode mit einer konstanten Stromstärke erfasst wird, wobei eine über die j eweilige Trainings-Halbleiterdiode abfallende elektrische Spannung während eines Betriebs der j eweiligen Trainings-Halbleiterdiode mit einer konstanten Stromstärke erfasst wird, um den j eweiligen Trainings- Spannungsdatensatz zu erhalten, und zum Trainieren des Modells zur Vorhersage der Trainings-Helligkeitsrauschniveaus auf Grundlage der zugehörigen Trainings-Spannungsdatensätze . Ein Vorteil dieses Verfahrens besteht darin, dass s ich die zum Trainieren des Modells benötigten Trainings-Datensätze auf einfache und zuverlässige Weise gewinnen lassen . Die verwendeten Trainings-Datensätze umfassen dabei j eweil s ein Trainings-Helligkeitsrauschniveau und einen zugehörigen Trainings-Spannungsdatensatz . Das Trainings- Helligkeitsrauschniveau kann auf bereits bekannte Weise mittels einer optischen Messung der Helligkeit des von der j eweiligen Trainings-Halbleiterdiode emittierten Lichts erfasst werden . In one embodiment of the method, this comprises prior training of the model. The training comprises steps of providing a plurality of training semiconductor diodes, detecting a training brightness noise level and an associated training voltage data set for each training semiconductor diode, wherein the training brightness noise level of each training semiconductor diode is detected by measuring a brightness curve of a light emitted by the respective training semiconductor diode during operation of the respective training semiconductor diode with a constant current, wherein an electrical voltage dropping across the respective training semiconductor diode is detected during operation of the respective training semiconductor diode with a constant current in order to obtain the respective training voltage data set, and training the model to predict the training brightness noise levels on the basis of the associated training voltage data sets. An advantage of this method is that the training data sets required to train the model can be obtained in a simple and reliable manner. The training data sets used each include a Training brightness noise level and an associated training voltage data set. The training brightness noise level can be detected in a known manner by optically measuring the brightness of the light emitted by the respective training semiconductor diode.

In einer Aus führungs form des Verfahrens umfasst das Trainieren des Modells einen Schritt zum Trans formieren der Trainings-Spannungsdatensätze in die Frequenzdomäne , um eine Mehrzahl von Trainings-Spektraldatensätzen zu erhalten . Dabei wird das Modell zur Vorhersage der Trainings- Helligkeitsrauschniveaus auf Grundlage der zugehörigen Trainings-Spektraldatensätze trainiert . Den in die Frequenzdomäne trans formierten Trainings-Spektraldatensätzen lassen sich vorteilhafterweise besonders einfach aussagekräftige Merkmale zur Vorhersage der Trainings-Helligkeitsrauschniveaus entnehmen . In one embodiment of the method, training the model comprises a step of transforming the training voltage data sets into the frequency domain to obtain a plurality of training spectral data sets. The model is trained to predict the training brightness noise levels based on the associated training spectral data sets. From the training spectral data sets transformed into the frequency domain, meaningful features for predicting the training brightness noise levels can advantageously be extracted particularly easily.

In einer Aus führungs form des Verfahrens umfasst das Trainieren des Modells eine Analyse der Trainings-Spektraldatensätze mit einem Analyseverfahren, um die dimensionsreduzierende Trans formation zu ermitteln . Das Analyseverfahren ermittelt dabei besonders aussagekräftige Merkmale und Merkmalskombinationen der Trainings-Spektraldatensätze . In one embodiment of the method, training the model involves analyzing the training spectral data sets using an analysis method to determine the dimension-reducing transformation. The analysis method identifies particularly meaningful features and feature combinations of the training spectral data sets.

In einer Aus führungs form des Verfahrens ist das Analyseverfahren eine Hauptkomponentenanalyse oder eine Nichtnegative Matrixf aktorisierung . Vorteilhafterweise haben sich diese Analyseverfahren als geeignet erwiesen, um eine dimensionsreduzierende Trans formation zu ermitteln, die eine Extrahierung aussagekräftiger Merkmale aus den Training- Spektraldatensätzen sowie aus den in der späteren Anwendung des Verfahrens ermittelten Spektraldatensätzen ermöglicht . In one embodiment of the method, the analysis method is a principal component analysis or a non-negative matrix factorization. These analysis methods have advantageously proven suitable for determining a dimension-reducing transformation that enables the extraction of meaningful features from the training spectral data sets as well as from the spectral data sets determined in the subsequent application of the method.

In einer Aus führungs form des Verfahrens umfasst das Trainieren des Modells ein Extrahieren von Trainings-Merkmalen aus den Trainings-Spektraldatensätzen mittels der dimensionsredu- zierenden Trans formation . Dabei wird das Modell zur Vorhersage der Trainings-Helligkeitsrauschniveaus auf Grundlage der zugehörigen extrahierten Trainings-Merkmale trainiert . Dies ermöglicht es vorteilhafterweise , das Modell nachfolgend zur Vorhersage des Helligkeitsrauschniveaus einer untersuchten lichtemittierenden Halbleiterdiode auf Grundlage der verfahrensgemäß extrahierten Merkmale zu nutzen . In one embodiment of the method, training the model comprises extracting training features from the training spectral data sets using the dimension-reducing izing transformation. The model is trained to predict the training brightness noise levels based on the corresponding extracted training features. This advantageously allows the model to subsequently be used to predict the brightness noise level of a light-emitting semiconductor diode under investigation based on the features extracted according to the method.

In einer Aus führungs form des Verfahrens stammen die Training- Halbleiterdioden von unterschiedlichen Wafern . Vorteilhafterweise wird es dadurch ermöglicht , das Modell nachfolgend zur Vorhersage des Helligkeitsrauschniveaus unterschiedlicher lichtemittierender Halbleiterdioden zu nutzen . In one embodiment of the method, the training semiconductor diodes originate from different wafers. This advantageously makes it possible to subsequently use the model to predict the brightness noise level of different light-emitting semiconductor diodes.

Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung, sowie die Art und Weise , wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden Beschreibung der Aus führungsbeispiele , die im Zusammenhang mit den Zeichnungen näher erläutert werden . Dabei zeigen in j eweils schematisierter Darstellung : The above-described properties, features and advantages of this invention, as well as the manner in which they are achieved, will become clearer and more readily understood in connection with the following description of the embodiments, which are explained in more detail in connection with the drawings. In each case, a schematic representation shows:

Figur 1 einen Waferverbund mit mehreren lichtemittierenden Halbleiterdioden; Figure 1 shows a wafer assembly with several light-emitting semiconductor diodes;

Figur 2 ein Vorhersageverfahren zum Ermitteln eines Helligkeitsrauschniveaus einer lichtemittierenden Halbleiterdiode auf Grundlage eines Spannungsdatensatzes ; Figure 2 shows a prediction method for determining a brightness noise level of a light-emitting semiconductor diode based on a voltage data set;

Figur 3 ein Trainingsverfahren zum Trainieren eines Modells zur Vorhersage eines Helligkeitsrauschniveaus ; und Figure 3 shows a training procedure for training a model to predict a brightness noise level; and

Figur 4 ein Verfahren zur Analyse von Spektraldatensätzen . Figure 4 shows a method for analyzing spectral data sets.

Figur 1 zeigt eine schematische Darstellung mehrerer lichtemittierenden Halbleiterdioden 10 . Die lichtemittierenden Halbleiterdioden 10 sind in einem Waferverbund 15 angeordnet und noch nicht vereinzelt . Die lichtemittierenden Halbleiterdioden 10 sind dazu ausgebildet , elektromagnetische Strahlung, beispielsweise sichtbares Licht , zu emittieren . Die lichtemittierenden Halbleiterdioden 10 können beispielsweise Leuchtdioden sein . Figure 1 shows a schematic representation of several light-emitting semiconductor diodes 10. The light-emitting semiconductor diodes 10 are arranged in a wafer assembly 15 and are not yet separated. The light-emitting semiconductor diodes 10 are designed to emit electromagnetic radiation, for example, visible light. The light-emitting semiconductor diodes 10 can be, for example, light-emitting diodes.

Für verschiedene Anwendungsbereiche der lichtemittierenden Halbleiterdioden 10 kann es erforderlich sein, ein Helligkeitsrauschniveau der lichtemittierenden Halbleiterdioden 10 zu kennen . Dies kann beispielsweise der Fall sein, wenn die lichtemittierenden Halbleiterdioden 10 bei einer Erfassung zeitaufgelöster Signale eingesetzt werden . Das Hell igkeitsrauschniveau stellt ein Maß dar, das eine zeitliche Variation einer Helligkeit des von der j eweiligen lichtemittierenden Halbleiterdiode 10 emittierten Lichts charakterisiert . For various applications of the light-emitting semiconductor diodes 10, it may be necessary to know a brightness noise level of the light-emitting semiconductor diodes 10. This may be the case, for example, when the light-emitting semiconductor diodes 10 are used to detect time-resolved signals. The brightness noise level represents a measure that characterizes a temporal variation in the brightness of the light emitted by the respective light-emitting semiconductor diode 10.

Im Stand der Technik ist es bekannt , das Helligkeitsrauschniveau einer lichtemittierenden Halbleiterdiode 10 zu bestimmen, indem die lichtemittierende Halbleiterdiode 10 mit konstanter Stromstärke betrieben und die Helligkeit des von der lichtemittierenden Halbleiterdiode 10 emittierten Lichts über einen Zeitraum von beispielsweise 25 Sekunden erfas st wird, beispielsweise mittels einer Photodiode . Die so erfassten Daten werden mit einem Bandpass gefiltert , dann wird das Helligkeitsrauschniveau als auf die durchschnittliche Helligkeit normierter Ef fektivwert des Rauschsignals berechnet . It is known in the art to determine the brightness noise level of a light-emitting semiconductor diode 10 by operating the light-emitting semiconductor diode 10 at a constant current and detecting the brightness of the light emitted by the light-emitting semiconductor diode 10 over a period of, for example, 25 seconds, for example using a photodiode. The data thus acquired are bandpass filtered, and then the brightness noise level is calculated as the effective value of the noise signal normalized to the average brightness.

Nachfolgend wird anhand der Figur 2 ein Vorhersageverfahren 100 beschrieben, das es ermöglicht , ein Helligkeitsrauschniveau 140 einer lichtemittierenden Halbleiterdiode 10 in kürzerer Zeit und ohne eine optische Lichtmessung zu ermitteln . In the following, a prediction method 100 is described with reference to Figure 2, which makes it possible to determine a brightness noise level 140 of a light-emitting semiconductor diode 10 in a shorter time and without an optical light measurement.

Das Vorhersageverfahren 100 beginnt mit einem Messvorgang 105 zum Erfassen einer über die Halbleiterdiode 10 abfallenden elektrischen Spannung während eines Betriebs der Halbleiterdiode 10 mit einer konstanten Stromstärke , um einen Spannungsdatensatz 110 zu erhalten . Der Spannungsdatensatz 110 kann über einen Zeitraum erfasst werden, der kürzer als 25 Sekunden ist . Der Zeitraum kann sogar kürzer als 5 Sekunden, kürzer als 2 Sekunden oder kürzer als eine Sekunde sein . Das Erfassen des Spannungsdatensatzes 110 kann bereits wenige Sekunden nach dem Beginn der Bestromung der lichtemittierenden Halbleiterdiode 10 beginnen, beispielsweise nach einer Zeit von 3 Sekunden oder 5 Sekunden . Der Spannungsdatensatz 110 kann beispielsweise mit einer Datenrate im Bereich von kHz erfasst werden, sodass der Spannungsdatensatz 110 beispielsweise einige 1000 Messpunkte umfassen kann . The prediction method 100 begins with a measurement process 105 for detecting an electrical voltage drop across the semiconductor diode 10 during operation of the semiconductor diode 10 at a constant current in order to obtain a voltage data set 110. The voltage data set 110 can be detected over a period of time that is shorter than 25 Seconds. The period may even be shorter than 5 seconds, shorter than 2 seconds, or shorter than one second. The acquisition of the voltage data set 110 may begin just a few seconds after the start of energization of the light-emitting semiconductor diode 10, for example after a time of 3 seconds or 5 seconds. The voltage data set 110 may, for example, be acquired at a data rate in the range of kHz, so that the voltage data set 110 may, for example, comprise several thousand measurement points.

Experimente haben gezeigt , dass sich aus dem so gewonnenen Spannungsdatensatz 110 das Helligkeitsrauschniveau 140 der lichtemittierenden Halbleiterdiode 10 Vorhersagen lässt , beispielsweise unter Verwendung eines trainierten Modells 135 . Dies kann beispielsweise die nachfolgend beschriebenen Verfahrensschritte umfassen . Experiments have shown that the brightness noise level 140 of the light-emitting semiconductor diode 10 can be predicted from the voltage data set 110 thus obtained, for example using a trained model 135. This can, for example, comprise the method steps described below.

Das Vorhersagen des Helligkeitsrauschniveaus 140 umfasst in diesem Beispiel zunächst ein Trans formieren 115 des Spannungsdatensatzes 110 in die Frequenzdomäne , um einen Spektraldatensatz 120 zu erhalten . Das Trans formieren 115 kann beispielsweise mit der Methode der Kurz zeit-Fourier- Trans formation erfolgen . Das Helligkeitsrauschniveau wird dann auf Grundlage des Spektraldatensatzes 120 vorhergesagt . In this example, predicting the brightness noise level 140 first includes transforming 115 the voltage data set 110 into the frequency domain to obtain a spectral data set 120. The transform 115 can be performed, for example, using the short-time Fourier transformation method. The brightness noise level is then predicted based on the spectral data set 120.

Hierzu können zunächst mittels einer dimensionsreduzierenden Trans formation 125 Merkmale 130 aus dem Spektraldatensatz 120 extrahiert werden . Die dimensionsreduzierende Trans formation 125 kann beispielsweise in einem Trainingsvorgang auf eine weiter unten noch genauer beschriebene Weise ermittelt werden . Das trainierte Modell 135 sagt das Helligkeitsrauschniveau 140 der lichtemittierenden Halbleiterdiode 10 auf Grundlage der extrahierten Merkmale 130 vorher . For this purpose, features 130 can first be extracted from the spectral data set 120 by means of a dimension-reducing transformation 125. The dimension-reducing transformation 125 can, for example, be determined in a training process in a manner described in more detail below. The trained model 135 predicts the brightness noise level 140 of the light-emitting semiconductor diode 10 based on the extracted features 130.

Das trainierte Modell 135 kann beispielsweise ein bekanntes Regressionsmodell umfassen, beispielsweise AdaBoost oder ExtraTrees . Das beschriebene Vorhersageverfahren 100 kann durchgeführt werden, während sich die untersuchte Halbleiterdiode 10 noch in dem Waferverbund 15 befindet . Das Vorhersageverfahren 100 kann dabei sogar bei mehreren Halbleiterdioden 10 des Waferverbunds 15 parallel durchgeführt werden . The trained model 135 may, for example, comprise a well-known regression model, such as AdaBoost or ExtraTrees. The described prediction method 100 can be carried out while the semiconductor diode 10 under investigation is still located in the wafer assembly 15. The prediction method 100 can even be carried out in parallel for several semiconductor diodes 10 of the wafer assembly 15.

Nachfolgend wird anhand der Figur 3 ein Trainingsverfahren 200 zum Trainieren des Modells 135 beschrieben . Das Trainingsverfahren 200 wird einmalig vor der Anwendung des vorstehend beschriebenen Vorhersageverfahrens 100 durchgeführt . A training method 200 for training the model 135 is described below with reference to Figure 3. The training method 200 is carried out once before the application of the prediction method 100 described above.

Das Trainingsverfahren 200 beginnt mit einem Bereit stellen einer Mehrzahl von Trainings-Halbleiterdioden 20 . Die Trainingshalbleiterdioden 20 sind ausgebildet wie die später mittels des Vorhersageverfahrens 100 untersuchten lichtemittierenden Halbleiterdioden 10 . Es ist zweckmäßig, wenn die Trainings-Halbleiterdioden 20 von unterschiedlichen Wafern stammen und somit unterschiedliche Eigenschaften aufwei sen . The training method 200 begins with providing a plurality of training semiconductor diodes 20. The training semiconductor diodes 20 are configured like the light-emitting semiconductor diodes 10 later examined by means of the prediction method 100. It is expedient if the training semiconductor diodes 20 originate from different wafers and thus have different properties.

Anschließend erfolgt in einem Messvorgang 205 ein Erfassen eines Trainings-Helligkeitsrauschniveaus 240 und eines zugehörigen Trainings-Spannungsdatensatzes 210 für j ede Trainings-Halbleiterdiode 20 . Dabei wird das Trainings- Helligkeitsrauschniveau 240 j eder Trainings-Halbleiterdiode 20 auf die oben beschriebene , herkömmliche Weise mit einer Messung eines Helligkeitsverlaufs eines von der j eweiligen Trainings-Halbleiterdiode 20 emittieren Lichts während eines Betriebs der j eweiligen Trainings-Halbleiterdiode 20 mit einer konstanten Stromstärke erfasst . Der Trainings- Spannungsdatensatz 210 wird bei j eder Trainings- Halbleiterdiode 20 erfasst , indem eine über die j eweilige Trainings-Halbleiterdiode 20 abfallende elektrische Spannung während eines Betriebs der j eweiligen Trainings- Halbleiterdiode 20 mit einer konstanten Stromstärke erfasst wird . Das Erfassen des Trainings-Helligkeitsrauschniveaus 240 und des zugehörigen Trainings-Spannungsdatensatzes 210 kann bei j eder Trainings-Halbleiterdiode 20 j eweils gleichzeitig erfolgen . Der Messvorgang 205 liefert damit zu j eder Trainings- Halbleiterdiode 20 einen Trainings-Datensatz 250 , der j eweils das Trainings-Helligkeitsrauschniveau 240 und den zugehörigen Trainings-Spannungsdatensatz 210 umfasst . In einem nachfolgenden Trainingsvorgang 255 wird das Modell 135 trainiert , zu j edem Trainings-Datensatz 250 das Trainings- Helligkeitsrauschniveau 240 auf Grundlage des zugehörigen Trainings-Spannungsdatensatzes 210 vorherzusagen . Subsequently, in a measuring process 205, a training brightness noise level 240 and an associated training voltage data set 210 are recorded for each training semiconductor diode 20. The training brightness noise level 240 of each training semiconductor diode 20 is recorded in the conventional manner described above by measuring a brightness curve of a light emitted by the respective training semiconductor diode 20 during operation of the respective training semiconductor diode 20 with a constant current. The training voltage data set 210 is recorded for each training semiconductor diode 20 by recording an electrical voltage drop across the respective training semiconductor diode 20 during operation of the respective training semiconductor diode 20 with a constant current. The acquisition of the training brightness noise level 240 and the associated training voltage data set 210 can be carried out simultaneously for each training semiconductor diode 20. The measurement process 205 thus provides a training data set 250 for each training semiconductor diode 20, each of which includes the training brightness noise level 240 and the associated training voltage data set 210. In a subsequent training process 255, the model 135 is trained to predict the training brightness noise level 240 for each training data set 250 based on the associated training voltage data set 210.

Falls das Vorhersageverfahren 100 so ausgebildet ist , wie vorstehend anhand der Figur 2 beschrieben, so umfas st der Trainingsvorgang 255 ein Trans formieren 115 der Trainings- Spannungsdatensätze 210 der Trainings-Datensätze 250 in die Frequenzdomäne , um bei j edem Trainings-Datensatz 250 einen Trainings-Spektraldatensatz 220 zu erhalten . Das Modell 135 wird dann zur Vorhersage des Trainings- Helligkeitsrauschniveaus 240 auf Grundlage der zugehörigen Trainings-Spektraldatensätze 220 trainiert . If the prediction method 100 is configured as described above with reference to Figure 2, the training process 255 comprises transforming 115 the training voltage data sets 210 of the training data sets 250 into the frequency domain in order to obtain a training spectral data set 220 for each training data set 250. The model 135 is then trained to predict the training brightness noise level 240 based on the associated training spectral data sets 220.

Hierzu umfasst das Trainingsverfahren 200 ferner für j eden Trainings-Datensatz 250 ein Extrahieren von Trainings- Merkmalen 230 aus dem j eweiligen Trainings-Spektraldatensatz 220 mittels der dimensionsreduzierenden Trans formation 125 . Das Modell wird trainiert , bei j edem Trainings-Datensatz 250 das Trainings-Helligkeitsrauschniveau 240 auf Grundlage der zugehörigen extrahierten Trainings-Merkmale 230 vorherzusagen . For this purpose, the training method 200 further comprises, for each training data set 250, extracting training features 230 from the respective training spectral data set 220 by means of the dimension-reducing transformation 125. The model is trained to predict the training brightness noise level 240 for each training data set 250 based on the associated extracted training features 230.

Das Trainieren des Modells 135 umfasst ferner ein schematisch in Figur 4 gezeigtes Verfahren zur Analyse 300 , bei dem die Trainings-Spektraldatensätze 220 der Trainings-Datensätze 250 mit einem Analyseverfahren 310 analysiert werden, um die dimensionsreduzierende Trans formation 125 zu ermitteln . Das Analyseverfahren 310 kann dabei beispielsweise eine Hauptkomponentenanalyse oder eine Nichtnegative Matrixf aktorisierung sein . Die so ermittelte dimensionsreduzierende Trans formation 125 ist geeignet , auch bei den im später durchgeführten Vor- hersageverfahren 100 gewonnenen Spektraldatensätzen 120 die charakteristischen Merkmale 130 zu extrahieren . The training of the model 135 further comprises a method for analysis 300 shown schematically in Figure 4, in which the training spectral data sets 220 of the training data sets 250 are analyzed with an analysis method 310 in order to determine the dimension-reducing transformation 125. The analysis method 310 can be, for example, a principal component analysis or a non-negative matrix factorization. The dimension-reducing transformation 125 thus determined is suitable, even in the case of the pre- prediction method 100 to extract the characteristic features 130 from the spectral data sets 120 obtained.

Die Erfindung wurde anhand der bevorzugten Aus führungsbei- spiele näher illustriert und beschrieben . Dennoch i st die Erfindung nicht auf die of fenbarten Beispiele eingeschränkt . Andere Variationen können vom Fachmann abgeleitet werden . The invention has been illustrated and described in more detail using preferred embodiments. However, the invention is not limited to the disclosed examples. Other variations may be devised by those skilled in the art.

BEZUGSZEICHENLISTE lichtemittierende Halbleiterdiode Waferverbund Trainings-Halbleiterdiode Vorhersageverfahren Messvorgang Spannungsdatensatz Trans formieren Spektraldatensatz dimensionsreduzierende Trans formation Merkmale Modell Helligkeitsrauschniveau Trainingsverfahren Messvorgang Trainings-Spannungsdatensatz Trainings-Spektraldatensatz extrahierte Trainings-Merkmale Trainings-Helligkeitsrauschniveau Trainings-Datensatz Trainingsvorgang Verfahren zur Analyse Analyseverfahren LIST OF REFERENCE SYMBOLS light-emitting semiconductor diode wafer composite training semiconductor diode prediction method measurement process voltage data set transformation spectral data set dimension-reducing transformation features model brightness noise level training method measurement process training voltage data set training spectral data set extracted training features training brightness noise level training data set training process method for analysis analysis method

Claims

PATENT CLAIMS

1. A method for determining a brightness noise level (140) of a light-emitting semiconductor diode (10) comprising the following steps:

- detecting an electrical voltage drop across the semiconductor diode (10) during operation of the semiconductor diode (10) with a constant current in order to obtain a voltage data set (110);

- predicting the brightness noise level (140) based on the voltage data set (110) using a trained model (135).

2. The method according to claim 1, wherein the voltage data set (110) is acquired over a period of less than 5 seconds, in particular over a period of less than 2 seconds.

3. A method according to any one of the preceding claims, wherein predicting the brightness noise level (140) comprises the following step:

- Transforming the voltage data set (110) into the frequency domain to obtain a spectral data set (120); wherein the brightness noise level (140) is predicted based on the spectral data set (120).

4. The method according to claim 3, wherein the transformation of the voltage data set (110) is carried out using short-time Fourier transformation (115).

5. The method according to one of claims 3 and 4, wherein predicting the brightness noise level (140) comprises extracting features (130) from the spectral data set (120) by means of a dimension-reducing transformation (125), wherein the brightness noise level (140) is predicted based on the extracted features (130).

6. The method according to any one of the preceding claims, wherein the model (135) comprises a regression model.

7. Method according to one of the preceding claims, wherein the semiconductor diode (10) is a light-emitting diode.

8. The method according to any one of the preceding claims, wherein the method is carried out while the semiconductor diode (10) is located in a wafer assembly (15).

9. The method according to claim 8, wherein the method is carried out in parallel for a plurality of semiconductor diodes (10) of the wafer assembly (15).

10. The method according to any one of the preceding claims, wherein the method comprises a prior training of the model (135), wherein the training comprises the following steps:

- Providing a plurality of training semiconductor diodes (20);

- detecting a training brightness noise level (240) and an associated training voltage data set (210) for each training semiconductor diode (20), wherein the training brightness noise level (240) of each training semiconductor diode (20) is detected by measuring a brightness profile of a light emitted by the respective training semiconductor diode (20) during operation of the respective training semiconductor diode (20) with a constant current, wherein an electrical voltage dropping across the respective training semiconductor diode (20) is detected during operation of the respective training semiconductor diode (20) with a constant current in order to obtain the respective training voltage data set (210);

- Training the model (135) to predict the training brightness noise levels (240) based on the associated training voltage data sets (210).

11. The method according to claim 10, wherein training the model (135) comprises the following step:

- Transforming the training voltage data sets (210) into the frequency domain to obtain a plurality of training spectral data sets (220); wherein the model (135) for predicting the training brightness noise levels (240) is trained based on the associated training spectral data sets (220).

12. The method according to claims 5 and 11, wherein training the model (135) comprises analyzing the training spectral data sets (220) with an analysis method (310) to determine the dimension-reducing transformation (125).

13. The method according to claim 12, wherein the analysis method (310) is a principal component analysis or a non-negative matrix factorization.

14. The method according to one of claims 12 and 13, wherein training the model (135) comprises extracting training features (230) from the training spectral data sets (220) by means of the dimension-reducing transformation (125), wherein the model (135) is trained to predict the training brightness noise levels (240) based on the associated extracted training features (230).

15. The method according to any one of claims 10 to 14, wherein the training semiconductor diodes (20) originate from different wafers.