KR102643229B1 - 머신러닝 기반의 유기 발광 다이오드(oled) 소자 내부 전하 거동 분석 장치 및 방법 - Google Patents

머신러닝 기반의 유기 발광 다이오드(oled) 소자 내부 전하 거동 분석 장치 및 방법 Download PDF

Info

Publication number
KR102643229B1
KR102643229B1 KR1020220056934A KR20220056934A KR102643229B1 KR 102643229 B1 KR102643229 B1 KR 102643229B1 KR 1020220056934 A KR1020220056934 A KR 1020220056934A KR 20220056934 A KR20220056934 A KR 20220056934A KR 102643229 B1 KR102643229 B1 KR 102643229B1
Authority
KR
South Korea
Prior art keywords
frequency
machine learning
charge
oled device
oled
Prior art date
Application number
KR1020220056934A
Other languages
English (en)
Other versions
KR20230157582A (ko
Inventor
이준엽
김재민
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020220056934A priority Critical patent/KR102643229B1/ko
Publication of KR20230157582A publication Critical patent/KR20230157582A/ko
Application granted granted Critical
Publication of KR102643229B1 publication Critical patent/KR102643229B1/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2837—Characterising or performance testing, e.g. of frequency response
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2839—Fault-finding or characterising using signal generators, power supplies or circuit analysers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Electroluminescent Light Sources (AREA)

Abstract

본 발명은 임피던스와 같은 주파수 기반의 측정값들을 기반으로 머신러닝 모델을 통해 OLED 소자의 내부 위치별 전하 밀도를 예측하여 소자 내부 전하 거동을 분석하는 장치 및 방법에 관한 것으로서, 본 발명에 따른 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 장치 및 방법에 의하면, 검사 대상 OLED 소자로부터 임피던스를 비롯한 주파수 기반 측정값들이 획득될 수 있고, 해당 측정값들에 대해 전처리 과정들을 수행하여 주파수 기반 특성 데이터가 생성될 수 있으며, 머신러닝 모델을 활용하여 주파수 기반 특성 데이터로부터 소자 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터가 도출될 수 있다. 따라서, OLED 소자를 구성하는 유기물 층들 각각에 대해 별도의 테스트용 소자를 생성하여 전하 이동도를 일일이 분석하지 않더라도, OLED 소자 내부의 어떤 위치에 전하가 축적되어 있는지가 분석될 수 있다.

Description

머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치 및 방법{APPARATUS AND METHOD FOR ANALYZING CHARGE BEHAVIOR INSIDE OLED DEVICE BASED ON MACHINE LEARNING}
본 발명은 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치 및 방법에 관한 것으로서, 보다 상세하게는, 임피던스와 같은 주파수 기반의 측정값들을 기반으로 머신러닝 모델을 통해 OLED 소자의 내부 위치별 전하 밀도를 예측하여 소자 내부 전하 거동을 분석하는 장치 및 방법에 관한 것이다.
유기 발광 다이오드(OLED) 소자가 원활하게 동작하여 발광하기 위해서는 OLED 소자 내부에서 정공과 전자의 이동도(mobility)가 높게 유지되어야 한다. 그러나 OLED 소자의 일부 유기물 층에 정공이나 전자가 트랩되어 전하가 축적되는 경우, 축적 전하에 의해 국소 전기장이 형성되어 정공과 전자의 이동도가 저하되고, OLED 소자의 발광 효율이 감소할 수 있다.
이와 같은 OLED 소자의 발광 효율 저하를 방지하기 위해서는 소자 내부의 전하 거동을 분석하여 OLED 소자의 어떤 유기물 층에 전하가 축적되는지를 밝힐 것이 요구될 수 있다. 전하 거동 분석을 위해 종래에는 OLED 소자를 구성하는 유기물 층들 각각에 대해 정공만 흐르는 소자(hole-only device; HOD) 및 전자만 흐르는 소자(electron-only device; EOD)를 별도로 제작하여 전하 이동도를 측정하는 방식이 활용되었으나, 이러한 종래 방식은 다량의 별도 소자들을 제작해야 하고 각 소자를 일일이 분석해야 한다는 점에서, 많은 비용과 시간을 소요한다는 점이 문제될 수 있다.
특허문헌 1: 등록특허공보 제10-2230354호 특허문헌 2: 등록특허공보 제10-2293791호
본 발명에 의해 해결하고자 하는 기술적 과제는, OLED 소자 내부의 전하 거동을 분석하는 종래의 비효율적인 방식을 개선하여 별도의 분석용 소자들을 제작하지 않고서도 OLED 소자의 내부 위치별 전하 밀도를 예측할 수 있는 전하 거동 분석 장치 및 방법을 제공하는 것이다.
전술한 기술적 과제를 해결하기 위한 수단으로서, 본 발명의 일부 실시예에 따른 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치는, 검사 전압 세기들 및 검사 주파수들 각각에 대해 교류 검사 전압을 검사 대상 OLED 소자에 인가하여 주파수 기반 측정값들을 획득하도록 구성되는 측정부; 상기 주파수 기반 측정값들에 대한 변환 처리를 수행하여 주파수 기반 유도 변수값들을 산출하고, 상기 검사 전압 세기들 및 상기 검사 주파수들의 변동에 따른 상기 주파수 기반 유도 변수값들의 변동을 나타내는 주파수 기반 특성 데이터를 생성하고, 그리고 상기 주파수 기반 특성 데이터로부터 OLED 소자 내부의 위치별 전하 밀도를 예측하도록 학습되는 머신러닝 모델을 활용하여 상기 검사 대상 OLED 소자의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터를 도출하도록 구성되는 처리부; 및 상기 전하 분포 데이터를 출력하도록 구성되는 출력부; 를 포함한다.
본 발명의 다른 실시예에 따른 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 방법은, 측정부를 통해, 검사 전압 세기들 및 검사 주파수들 각각에 대해 교류 검사 전압을 검사 대상 OLED 소자에 인가하여 주파수 기반 측정값들을 획득하는 단계; 처리부를 통해, 상기 주파수 기반 측정값들에 대한 변환 처리를 수행하여 주파수 기반 유도 변수값들을 산출하는 단계; 상기 처리부를 통해, 상기 검사 전압 세기들 및 상기 검사 주파수들의 변동에 따른 상기 주파수 기반 유도 변수값들의 변동을 나타내는 주파수 기반 특성 데이터를 생성하는 단계; 상기 처리부를 통해, 상기 주파수 기반 특성 데이터로부터 OLED 소자 내부의 위치별 전하 밀도를 예측하도록 학습되는 머신러닝 모델을 활용하여 상기 검사 대상 OLED 소자의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터를 도출하는 단계; 및 출력부를 통해, 상기 전하 분포 데이터를 출력하는 단계; 를 포함한다.
본 발명에 따른 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 장치 및 방법에 의하면, 검사 대상 OLED 소자로부터 임피던스를 비롯한 주파수 기반 측정값들이 획득될 수 있고, 해당 측정값들에 대해 전처리 과정들을 수행하여 주파수 기반 특성 데이터가 생성될 수 있으며, 머신러닝 모델을 활용하여 주파수 기반 특성 데이터로부터 소자 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터가 도출될 수 있다. 따라서, OLED 소자를 구성하는 유기물 층들 각각에 대해 별도의 테스트용 소자를 생성하여 전하 이동도를 일일이 분석하지 않더라도, OLED 소자 내부의 어떤 위치에 전하가 축적되어 있는지가 분석될 수 있다.
도 1은 OLED 소자의 일부 유기물 층에 축적되는 전하에 의해 전하 이동도가 저하되는 방식을 설명하기 위한 도면이다.
도 2는 기존에 OLED 소자를 평가하기 위한 예시적인 데이터를 나타내는 도면이다.
도 3은 본 발명에 따른 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치가 동작하는 방식을 설명하기 위한 도면이다.
도 4는 본 발명에 따른 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치를 구성하는 요소들을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 검사 대상 OLED 소자로부터 측정되는 주파수 기반 측정값들의 종류를 설명하기 위한 도면이다.
도 6은 본 발명에 따른 주파수 기반 측정값들에 전처리 과정들을 수행하여 머신러닝 모델에 입력되는 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명에 따른 주파수 기반 측정값들 및 그에 대응하여 생성되는 주파수 기반 특성 데이터의 예시들을 설명하기 위한 도면이다.
도 8은 본 발명에 따른 합성곱 신경망(CNN)의 형태로 구현되는 머신러닝 모델을 설명하기 위한 도면이다.
도 9는 본 발명에 따른 합성곱 신경망(CNN)의 형태로 구현되는 머신러닝 모델의 성능과 종래 모델의 성능을 비교하기 위한 도면이다.
도 10은 본 발명에 따른 검사 대상 OLED 소자의 구현 예시들 및 이들에 대한 평가 데이터를 나타내는 도면이다.
도 11은 본 발명에 따른 검사 대상 OLED 소자의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터를 설명하기 위한 도면이다.
도 12는 본 발명에 따른 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 방법을 구성하는 단계들을 설명하기 위한 도면이다.
이하에서는 도면을 참조하여 본 발명의 실시예들이 상세하게 설명될 것이다. 이하에서의 설명은 실시예들을 구체화하기 위한 것일 뿐, 본 발명에 따른 권리범위를 제한하거나 한정하기 위한 것은 아니다. 본 발명에 관한 기술 분야에서 통상의 지식을 가진 자가 발명의 상세한 설명 및 실시예들로부터 용이하게 유추할 수 있는 것은 본 발명에 따른 권리범위에 속하는 것으로 해석되어야 한다.
본 발명에서 사용되는 용어는 본 발명에 관한 기술 분야에서 널리 사용되는 일반적인 용어로 기재되었으나, 본 발명에서 사용되는 용어의 의미는 해당 분야에 종사하는 기술자의 의도, 새로운 기술의 출현, 심사기준 또는 판례 등에 따라 달라질 수 있다. 일부 용어는 출원인에 의해 임의로 선정될 수 있고, 이 경우 임의로 선정되는 용어의 의미가 상세하게 설명될 것이다. 본 발명에서 사용되는 용어는 단지 사전적 의미만이 아닌, 명세서의 전반적인 맥락을 반영하는 의미로 해석되어야 한다.
본 발명에서 사용되는 '구성된다' 또는 '포함한다'와 같은 용어는 명세서에 기재되는 구성 요소들 또는 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 일부 구성 요소들 또는 단계들은 포함되지 않는 경우, 및 추가적인 구성 요소들 또는 단계들이 더 포함되는 경우 또한 해당 용어로부터 의도되는 것으로 해석되어야 한다.
본 발명에서 사용되는 '제 1' 또는 '제 2'와 같은 서수를 포함하는 용어는 다양한 구성 요소들 또는 단계들을 설명하기 위해 사용될 수 있으나, 해당 구성 요소들 또는 단계들은 서수에 의해 한정되지 않아야 한다. 서수를 포함하는 용어는 하나의 구성 요소 또는 단계를 다른 구성 요소들 또는 단계들로부터 구별하기 위한 용도로만 해석되어야 한다.
이하에서는 도면을 참조하여 본 발명의 실시예들이 상세하게 설명될 것이다. 본 발명에 관한 기술 분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 대해서는 자세한 설명이 생략된다.
도 1은 OLED 소자의 일부 유기물 층에 축적되는 전하에 의해 전하 이동도가 저하되는 방식을 설명하기 위한 도면이다.
도 1을 참조하면, 일부 유기물 층에 축적되는 전하에 의해 전하 이동도가 저하되는 방식을 설명하기 위한 OLED 소자(10)가 도시될 수 있다.
OLED 소자(10)에서는, 인듐 주석 산화물(indium tin oxide; ITO)로 형성되는 애노드(anode) 및 LiF/Al 캐소드 사이에서 정공(hole)과 전자가 이동하며 발광할 수 있다. 예를 들면, OLED 소자(10)는 적어도 정공주입층(HIL), 정공수송층(HTL), 발광층(EML) 및 전자수송층(ETL)을 포함할 수 있다.
도시된 바와 같이, OLED 소자(10)의 발광층(EML), 또는 기타 다른 유기물 층에 정공이나 전자의 전하 누적이 발생할 수 있다. 이와 같은 전하 누적에 따른 전기장 형성은 정공이나 전자의 이동도(mobility)에 악영향을 줄 수 있어 OLED 발광 성능을 저하시킬 수 있다. 따라서, OLED 성능 개선을 위해서는 OLED 소자(10)의 어떤 유기물 층에 전하가 누적되어 있는지, 즉 소자 내부에서의 전하 거동을 규명하는 것이 요구될 수 있다.
도 2는 기존에 OLED 소자를 평가하기 위한 예시적인 데이터를 나타내는 도면이다.
도 2를 참조하면, 4종의 OLED 소자들에 대한 전압(V)-전류밀도(J) 그래프(21), 전압-휘도 그래프(22), 휘도-양자효율 그래프(23) 및 휘도-전력효율 그래프(24)가 도시될 수 있다.
전압(V)-전류밀도(J) 그래프(21)에서와 같이, OLED 소자들에 인가되는 전압이 증가하더라도, 전하 이동도 저하에 의해 전류밀도의 증가에는 한계가 있을 수 있다. 전압-휘도 그래프(22)에서와 같이 인가 전압의 증가에 따라 OLED 휘도는 증가할 수 있으나, 휘도-양자효율 그래프(23) 및 휘도-전력효율 그래프(24)에서와 같이 휘도가 증가할수록 OLED 소자의 발광 효율은 낮아질 수 있다. 따라서, OLED 소자의 발광 효율을 개선하기 위해서는 OLED 소자 내부의 전하 거동을 분석하는 것이 요구될 수 있다.
도 3은 본 발명에 따른 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치가 동작하는 방식을 설명하기 위한 도면이다.
도 3을 참조하면, 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치(200)는 검사 대상 OLED 소자(100)로부터 획득되는 측정값들을 입력받아 검사 대상 OLED 소자(100)의 내부 전하 거동을 나타내는 전하 분포 데이터(300)를 출력할 수 있다.
종래의 전하 거동 분석 방식과는 달리, 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치(200)는 OLED 유기물 층들 각각에 대해 HOD나 EOD를 제작하여 일일이 각 소자를 분석하는 과정을 거치지 않더라도, 검사 대상 OLED 소자(100)의 임피던스 특성 및 머신러닝 모델을 활용하여 소자 내부의 전하 거동을 분석할 수 있다.
도 4는 본 발명에 따른 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치를 구성하는 요소들을 설명하기 위한 도면이다.
도 4를 참조하면, 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치(200)는 측정부(210), 처리부(220) 및 출력부(230)를 포함할 수 있다.
측정부(210)는 검사 대상 OLED 소자(100)로부터 임피던스를 비롯한 주파수 기반 측정값들을 측정하기 위한 구조를 가질 수 있다. 예를 들면, 측정부(210)는 임피던스 측정기를 포함할 수 있다. 처리부(220)는 주파수 기반 측정값들 등과 같은 데이터를 처리하기 위한 구조를 가질 수 있다. 예를 들면, 처리부(220)는 범용적인 메모리 및 프로세서를 포함할 수 있다. 출력부(230)는 전하 분포 데이터(300)를 출력하기 위한 구조를 가질 수 있다. 예를 들면, 출력부(230)는 디스플레이, 모니터 등을 포함할 수 있다.
측정부(210)는 검사 전압 세기들 및 검사 주파수들 각각에 대해 교류 검사 전압을 검사 대상 OLED 소자(100)에 인가하여 주파수 기반 측정값들을 획득하도록 구성될 수 있다.
예를 들면, 10개의 검사 전압 세기들, 즉 10개의 직류 전압들 및 20개의 검사 주파수들에 각각 대해 200개의 교류 검사 전압이 검사 대상 OLED 소자(100)에 인가되어 200개의 주파수 기반 측정값들이 획득될 수 있다. 예를 들면, 주파수 기반 측정값들은 임피던스, 또는 커패시턴스 등과 같은 주파수 기반 측정값을 의미할 수 있다.
처리부(220)는 주파수 기반 측정값들에 대한 변환 처리를 수행하여 주파수 기반 유도 변수값들을 산출하도록 구성될 수 있다.
예를 들면, 주파수 기반 측정값들이 임피던스(Z) 측정값들인 경우, 임피던스 측정값들에 대한 변환 처리를 통해 어드미턴스(1/Z), 또는 모듈러스(-iωZ)와 같은 주파수 기반 유도 변수값들이 산출될 수 있다.
처리부(220)는 검사 전압 세기들 및 검사 주파수들의 변동에 따른 주파수 기반 유도 변수값들의 변동을 나타내는 주파수 기반 특성 데이터를 생성하도록 구성될 수 있다.
예를 들면, 주파수 기반 유도 변수값들이 모듈러스 변수값들이고, 교류 검사 전압이 10개의 검사 전압 세기들 및 20개의 검사 주파수들을 갖는 경우, 200개의 전압 세기-주파수의 경우들 각각에 대해 모듈러스 변수값들이 어떤 값들을 갖는지를 나타내는 주파수 기반 특성 데이터가 생성될 수 있다. 예를 들면, 주파수 기반 특성 데이터는 200개의 모듈러스 변수값들을 2차원 상에 플로팅한 이미지일 수 있다.
처리부(220)는 주파수 기반 특성 데이터로부터 OLED 소자 내부의 위치별 전하 밀도를 예측하도록 학습되는 머신러닝 모델을 활용하여 검사 대상 OLED 소자(100)의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터를 도출하도록 구성될 수 있다.
머신러닝 모델은 주파수 기반 특성 데이터로부터 OLED 소자 내부의 위치별 전하 밀도를 예측하도록 미리 학습되는 신경망(neural network) 모델일 수 있다. 미리 학습되어 제공된 머신러닝 모델에 주파수 기반 특성 데이터를 입력하면 검사 대상 OLED 소자(100)의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터가 추론될 수 있다. 예를 들면, 주파수 기반 특성 데이터는 2D 이미지 데이터일 수 있고, 머신러닝 모델은 합성곱 신경망(CNN) 모델일 수 있다.
출력부(230)는 전하 분포 데이터를 출력하도록 구성될 수 있다. 예를 들면, 전하 분포 데이터는 OLED 소자에서 애노드로부터의 거리에 따른 정공 또는 전하의 밀도를 나타내는 그래프일 수 있고, 전하 분포 데이터에 해당하는 거리-전하밀도의 그래프가 출력부(230)를 통해 출력될 수 있다.
도 5는 본 발명에 따른 검사 대상 OLED 소자로부터 측정되는 주파수 기반 측정값들의 종류를 설명하기 위한 도면이다.
도 5를 참조하면, 주파수 기반 유도 변수값들의 종류(510) 및 등가 회로를 통해 파악되는 모듈러스 측정값의 정성적 의미를 설명하기 위한 그래프(520)가 도시될 수 있다.
주파수 기반 유도 변수값들의 종류(510)에서와 같이, 주파수 기반 측정값은 임피던스(Z) 측정값일 수 있고, 임피던스(Z) 측정값으로부터 유도되는 주파수 기반 유도 변수값은 임피던스(Z) 자체, 어드미턴스(Y; 1/Z), 커패시턴스(C), 모듈러스(M; -iωZ) 및 위상차(φ) 중 어느 하나일 수 있다. 한편, 도시된 바와 같이 임피던스(Z)는 실수부 Re(Z)에 해당하는 Z' 및 허수부 Im(Z)에 해당하는 Z''의 값을 가질 수 있다.
유도 변수값들의 종류(510) 중 모듈러스(M)와 관련하여, 그래프(520)는 5종의 OLED 소자들의 등가 회로들에 대해 측정된 모듈러스(M)의 허수부(Im(Z))를 주파수 변화에 따라 도시할 수 있다. 측정 결과에 따르면, 전하 이동도를 증가시키기 위해 등가 회로에서 등가 저항(R2)의 값을 낮출수록 그래프(520)에서 x축 우측 고주파수 영역의 모듈러스(M)의 허수부(Im(Z)) 값이 낮아질 수 있으며, 전하 축적을 감소시키기 위해 등가 회로에서 등가 커패시턴스(C2)의 값을 낮출수록 그래프(520)에서 x축 우측 고주파수 영역의 모듈러스(M)의 허수부(Im(Z)) 값이 높아진다는 점이 확인될 수 있다. 이와 같은 모듈러스(M) 값이 갖는 정성적 특성을 활용하면 머신러닝 모델을 활용하여 OLED 소자 내부의 위치별 전하 밀도를 분석하는 것이 가능해질 수 있다.
한편, OLED 소자 내부 전하 거동을 분석하기 위해 활용되는 머신러닝 모델은 합성곱 신경망(CNN)의 형태로 구현될 수 있다. 즉, 주파수 기반 특성 데이터는 주파수 기반 유도 변수값들에 기반하는 이미지 데이터일 수 있고, 머신러닝 모델은 이미지 데이터로부터 검사 대상 OLED 소자(100)의 내부 위치별 전하 밀도를 예측하도록 학습되는 합성곱 신경망(CNN)일 수 있다.
도 6은 본 발명에 따른 주파수 기반 측정값들에 전처리 과정들을 수행하여 머신러닝 모델에 입력되는 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 6을 참조하면, 주파수 기반 측정값들에 전처리 과정들을 수행하여 머신러닝 모델에 입력되는 데이터를 생성하는 과정들(610, 620, 630, 640)이 도시될 수 있다.
제1 과정(610)에서는, 예를 들면 10개의 검사 전압 세기들(V1, ..., V10) 각각에 대해 20개의 주파수 기반 측정값들이 생성되어, 예를 들면 총 200개의 임피던스(Z) 값들이 측정될 수 있다. 제2 과정(620)에서는, 주파수 및 전압 세기(직류 전압)를 X축 및 Y축으로 하고 임피던스(Z) 값을 Z축 값으로 하는 플로팅이 수행될 수 있다. X축 및 Y축의 변수들은 상호 변경될 수 있으며, Z축의 값은 임피던스(Z)의 실수부(Z') 또는 허수부(Z'')에 관한 값일 수 있다.
제2 과정(620)의 플로팅과 관련하여, 주파수 기반 유도 변수값들의 종류는 임피던스(Z), 어드미턴스(Y; 1/Z), 커패시턴스(C), 모듈러스(M; -iωZ) 및 위상차(φ) 중 어느 하나일 수 있고, 이미지 데이터는 주파수 기반 유도 변수값들의 크기를 검사 전압 세기들 및 검사 주파수들에 대해 플로팅한 2D 플로팅 이미지일 수 있다.
또한, 제2 과정(620)의 플로팅과 관련하여, 주파수 기반 유도 변수값들(Z, Y, C, M)의 크기는 주파수 기반 유도 변수값들(Z, Y, C, M)의 절대값(Abs), 실수부(Re) 및 허수부(Im) 중 어느 하나일 수 있고, 2D 플로팅 이미지의 X축은 검사 전압 세기 및 검사 주파수 중 어느 하나일 수 있고, Y축은 검사 전압 세기 및 검사 주파수 중 다른 하나일 수 있고, 플로팅 값 Z축은 주파수 기반 유도 변수값들(Z, Y, C, M)의 크기일 수 있다.
제3 과정(630)에서는 주파수 기반 측정값이 주파수 기반 유도 변수값으로, 예를 들면 임피던스(Z) 값이 모듈러스(M) 값으로 변환될 수 있다. 한편, 제2 과정(620) 및 제3 과정(630)이 수행되는 순서는 서로 변경될 수 있다. 제4 과정(640)에서는 주파수 기반 유도 변수값들을 수치에 따른 흑백 음영으로 전환하여 그레이스케일 이미지가 생성될 수 있다.
제4 과정(640)의 그레이스케일 이미지와 관련하여, 주파수 기반 유도 변수값들(Z, Y, C, M)의 크기는 모듈러스(M)의 허수부(Im(M))일 수 있고, 2D 플로팅 이미지는 모듈러스(M)의 허수부(Im(M))의 크기를 백색으로부터 흑색까지 점진적으로 표현하는 2D 그레이스케일 모듈러스 플로팅 이미지일 수 있다.
도 7은 본 발명에 따른 주파수 기반 측정값들 및 그에 대응하여 생성되는 주파수 기반 특성 데이터의 예시들을 설명하기 위한 도면이다.
도 7을 참조하면, 예시로서 주파수 기반 측정값들(711, 712) 및 그에 대응하여 생성되는 주파수 기반 특성 데이터(712, 722)의 도시될 수 있다.
주파수 기반 측정값들(711)은 10개의 검사 전압 세기들 및 20개의 검사 주파수들에 대해 제1 OLED 소자로부터 측정된 200개의 측정값들일 수 있고, 주파수 기반 측정값들(721)은 10개의 검사 전압 세기들 및 20개의 검사 주파수들에 대해 제2 OLED 소자로부터 측정된 200개의 측정값들일 수 있다.
주파수 기반 측정값들(711)의 200개의 측정값들은 주파수 기반 특성 데이터(712)와 같이 플로팅되어 그레이스케일 이미지로 변환될 수 있고, 주파수 기반 측정값들(721)의 200개의 측정값들은 주파수 기반 특성 데이터(722)와 같이 플로팅되어 그레이스케일 이미지로 변환될 수 있다. 이와 같이 생성된 주파수 기반 특성 데이터(712, 722)는 머신러닝 모델에 의해 처리되어, 그로부터 OLED 소자 내부의 위치별 전하 밀도를 나타내는 전하 분포 데이터가 도출될 수 있다.
도 8은 본 발명에 따른 합성곱 신경망(CNN)의 형태로 구현되는 머신러닝 모델을 설명하기 위한 도면이다.
도 8을 참조하면, 머신러닝 모델의 종류로서 합성곱 신경망(CNN) 및 전연결 신경망(FC-DNN)의 모델 구조(a) 및 예측 성능(b, c)이 도시될 수 있다.
도 8의 (a)에서와 같이, 전연결 신경망(FC-DNN)의 구조와는 달리, 합성곱 신경망(CNN)은 복수의 컨볼루셔널 레이어들 및 풀링 레이어들을 포함할 수 있다. 따라서, 합성곱 신경망(CNN)은 주파수 기반 특성 데이터(2D 플로팅 이미지 또는 2D 그레이스케일 모듈러스 플로팅 이미지)로부터 피쳐들을 추출할 수 있고, 이를 기반으로 학습 목적에 따른 추론, 이 경우 검사 대상 OLED 소자(100)의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터를 도출하는 동작을 수행할 수 있다.
도 8의 (b), (c)에서와 같이, 합성곱 신경망(CNN)은 기존의 전연결 신경망(FC-DNN) 대비 높은 성능을 보일 수 있다. (b)에서와 같이 모델이 예측한 결과값과 실제값의 연관성을 나타내는 연관 계수(Pearson correlation coefficient)가 합성곱 신경망(CNN)에서 더 높다는 점이 확인될 수 있고, (c)에서와 같이 모델의 오차를 나타내는 RMS 오차가 합성곱 신경망(CNN)에서 더 낮다는 점이 확인될 수 있다.
도 9는 본 발명에 따른 합성곱 신경망(CNN)의 형태로 구현되는 머신러닝 모델의 성능과 종래 모델의 성능을 비교하기 위한 도면이다.
도 9를 참조하면, 합성곱 신경망(CNN) 및 전연결 신경망(FC-DNN)의 머신러닝 모델 성능을 비교하기 위한 그래프들(910, 920)이 도시될 수 있다.
그래프들(910, 920)은 모두 가로축에서 실제 측정값을 나타낼 수 있고, 세로축에서 머신러닝 모델의 예측값을 나타낼 수 있다. 따라서, 측정값과 예측값이 동일할수록, 즉 y=x의 그래프에 보다 잘 피팅될수록 고성능의 모델이라는 점이 확인될 수 있다. 그래프들(910, 920)의 박스 부분들을 보면, 그래프들(910)의 CNN 모델의 경우에서 그래프들(920)의 DNN 모델보다 더 y=x의 그래프에 잘 피팅되어 있음이 확인될 수 있으므로, CNN 모델이 DNN 모델보다 더 높은 예측 성능을 갖는다는 점이 확인될 수 있다.
도 10은 본 발명에 따른 검사 대상 OLED 소자의 구현 예시들 및 이들에 대한 평가 데이터를 나타내는 도면이다.
도 10을 참조하면, 예시적인 3종의 검사 대상 OLED 소자들(a) 및 이들에 대한 평가 데이터(b, c, d)가 도시될 수 있다.
도시된 바와 같이, 3종의 검사 대상 OLED 소자들(a)은 ITO 애노드 및 LiF/Al 캐소드 사이에 배치되는 복수의 유기물 층들로 구성될 수 있다. 예를 들면, 3종의 검사 대상 OLED 소자들(a)은 BCFA 층, NPB 층, NPB:POT2T:Ir dopant 층, POT2T 층 및 TPBi/ZADN 층을 포함할 수 있고, 3종의 소자들(Device 1, 2, 3)마다 조성비율이나 TPBi/ZADN의 종류에 일부 차이를 가질 수 있다.
평가 데이터(b, c, d)는 3종의 검사 대상 OLED 소자들(a)에 대한 전압(V)-전류밀도(J) 그래프 및 전압-휘도 그래프(b), 휘도-양자효율 그래프 및 및 휘도-전력효율 그래프(c), 및 3종의 검사 대상 OLED 소자들(a)의 전력 효율과 동작 전압(d)을 나타낼 수 있다. 특히, 평가 데이터(b, c)는 도 2에서 동일하게 언급한 일반적인 OLED 소자의 평가 데이터를 의미할 수 있다. 3종의 검사 대상 OLED 소자들(a)에 대해서는 후술할 바와 같이 머신러닝 모델을 활용하여 내부 위치별 전하 밀도가 분석될 수 있다.
도 11은 본 발명에 따른 검사 대상 OLED 소자의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터를 설명하기 위한 도면이다.
도 11을 참조하면, 도 10에서 전술한 3종의 검사 대상 OLED 소자들(Device 1, 2, 3)에 대한 핑거프린트 이미지(전하 분포 데이터; 2D 플로팅 이미지; 2D 그레이스케일 모듈러스 플로팅 이미지; 1111, 1121, 1131)가 도시될 수 있고, 핑거프린트 이미지(1111, 1121, 1131)에 대해 머신러닝 모델을 통해 예측된 전하 분포 데이터(1112, 1122, 1132)가 도시될 수 있다.
핑거프린트 이미지(1111, 1121, 1131)에서 도시된 바와 같이, 3종의 검사 대상 OLED 소자들(Device 1, 2, 3)이 일부 차이나는 구조로 형성됨에 따라, 핑거프린트 이미지(1111, 1121, 1131)도 서로 다른 형태를 갖게 될 수 있다.
전하 분포 데이터(1112, 1122, 1132)는 3종의 검사 대상 OLED 소자들(Device 1, 2, 3)의 내부 전하 거동, 즉 소자 내부 위치별 전하 밀도를 나타낼 수 있다. 도시된 바와 같이, 전하 분포 데이터(1112, 1122, 1132)는 좌측부터 적색으로 표시된 정공(hole) 및 우측부터 청색으로 표시된 전자에 대해 소자 내부 위치별, 즉 애노드로부터의 거리별 전하 밀도를 나타낼 수 있다. 전하 분포 데이터(1112, 1122, 1132)에 따르면 EML 층에서 정공 및 전자의 밀도가 높게 나타나므로 EML 층에서 전하 축적이 있음을 암시할 수 있는데, 이는 도 1에서 살폈던 전하 축적 구조를 반영하는 것으로 해석될 수 있다.
즉, 별도의 유기물 층별 HOD/EOD와 같은 별도의 소자들을 일일이 제작하고 이에 대한 분석을 하지 않더라도, 머신러닝 모델을 활용하여 핑거프린트 이미지(1111, 1121, 1131)로부터 전하 분포 데이터(1112, 1122, 1132)가 예측될 수 있으므로, 검사 대상 OLED 소자(100)의 어떤 위치에 전하가 축적되어 높은 전하 밀도를 갖는지가 비용 및 시간 측면에서 효율적으로 분석될 수 있다.
도 12는 본 발명에 따른 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 방법을 구성하는 단계들을 설명하기 위한 도면이다.
도 12를 참조하면, 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 방법(1200)은 단계(1210) 내지 단계(1250)을 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 다른 범용적인 단계들이 방법(1200)에 더 포함될 수 있다.
방법(1200)은 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 장치(200)에서 시계열적으로 처리되는 단계들로 구성될 수 있다. 따라서, 이하에서 생략되는 내용이라 할지라도 장치(200)에 대해 이상에서 설명되는 내용은 방법(1200)에 대해서도 동일하게 적용될 수 있다.
단계(1210)에서, 장치(200)는, 측정부(210)를 통해, 검사 전압 세기들 및 검사 주파수들 각각에 대해 교류 검사 전압을 검사 대상 OLED 소자(100)에 인가하여 주파수 기반 측정값들을 획득할 수 있다.
단계(1220)에서, 장치(200)는, 처리부(220)를 통해, 주파수 기반 측정값들에 대한 변환 처리를 수행하여 주파수 기반 유도 변수값들을 산출할 수 있다.
단계(1230)에서, 장치(200)는, 처리부(220)를 통해, 검사 전압 세기들 및 검사 주파수들의 변동에 따른 주파수 기반 유도 변수값들의 변동을 나타내는 주파수 기반 특성 데이터를 생성할 수 있다.
단계(1240)에서, 장치(200)는, 처리부(220)를 통해, 주파수 기반 특성 데이터로부터 OLED 소자 내부의 위치별 전하 밀도를 예측하도록 학습되는 머신러닝 모델을 활용하여 검사 대상 OLED 소자(100)의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터를 도출할 수 있다.
단계(1250)에서, 장치(200)는, 출력부(230)를 통해, 전하 분포 데이터를 출력할 수 있다.
한편, 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 방법(1200)은, 그 방법을 실행하는 명령어들을 포함하는 적어도 하나의 프로그램 또는 소프트웨어가 기록되는 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.
컴퓨터로 판독 가능한 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령어의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드가 포함될 수 있다.
이상에서 본 발명의 실시예들이 상세하게 설명되었으나 본 발명에 따른 권리범위가 이에 한정되는 것은 아니고, 다음의 청구범위에 기재되어 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명에 따른 권리범위에 포함되는 것으로 해석되어야 한다.
100: 검사 대상 OLED 소자
200: OLED 소자 내부 전하 거동 분석 장치
210: 측정부
220: 처리부
230: 출력부
300: 전하 분포 데이터

Claims (6)

  1. 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 장치에 있어서,
    검사 전압 세기들 및 검사 주파수들 각각에 대해 교류 검사 전압을 검사 대상 OLED 소자에 인가하여 주파수 기반 측정값들을 획득하도록 구성되는 측정부;
    상기 주파수 기반 측정값들에 대한 변환 처리를 수행하여 주파수 기반 유도 변수값들을 산출하고,
    상기 검사 전압 세기들 및 상기 검사 주파수들의 변동에 따른 상기 주파수 기반 유도 변수값들의 변동을 나타내는 주파수 기반 특성 데이터를 생성하고, 그리고
    상기 주파수 기반 특성 데이터로부터 OLED 소자 내부의 위치별 전하 밀도를 예측하도록 학습되는 머신러닝 모델을 활용하여 상기 검사 대상 OLED 소자의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터를 도출하도록 구성되는 처리부; 및
    상기 전하 분포 데이터를 출력하도록 구성되는 출력부; 를 포함하는, 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 장치.
  2. 제1항에 있어서,
    상기 주파수 기반 특성 데이터는 상기 주파수 기반 유도 변수값들에 기반하는 이미지 데이터이고,
    상기 머신러닝 모델은 상기 이미지 데이터로부터 상기 검사 대상 OLED 소자의 내부 위치별 전하 밀도를 예측하도록 학습되는 합성곱 신경망(CNN)인, 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 장치.
  3. 제2항에 있어서,
    상기 주파수 기반 유도 변수값들의 종류는 임피던스(Z), 어드미턴스(Y; 1/Z), 커패시턴스(C), 모듈러스(M; -iωZ) 및 위상차(φ) 중 어느 하나이고,
    상기 이미지 데이터는 상기 주파수 기반 유도 변수값들의 크기를 상기 검사 전압 세기들 및 상기 검사 주파수들에 대해 플로팅한 2D 플로팅 이미지인, 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 장치.
  4. 제3항에 있어서,
    상기 주파수 기반 유도 변수값들(Z, Y, C, M)의 크기는 상기 주파수 기반 유도 변수값들(Z, Y, C, M)의 절대값(Abs), 실수부(Re) 및 허수부(Im) 중 어느 하나이고,
    상기 2D 플로팅 이미지의 X축은 검사 전압 세기 및 검사 주파수 중 어느 하나이고, Y축은 검사 전압 세기 및 검사 주파수 중 다른 하나이고, 플로팅 값 Z축은 상기 주파수 기반 유도 변수값들(Z, Y, C, M)의 크기인, 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 장치.
  5. 제4항에 있어서,
    상기 주파수 기반 유도 변수값들(Z, Y, C, M)의 크기는 모듈러스(M)의 허수부(Im(M))이고,
    상기 2D 플로팅 이미지는 모듈러스(M)의 허수부(Im(M))의 크기를 백색으로부터 흑색까지 점진적으로 표현하는 2D 그레이스케일 모듈러스 플로팅 이미지인, 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 장치.
  6. 머신러닝 기반의 유기 발광 다이오드(OLED) 소자 내부 전하 거동 분석 방법에 있어서,
    측정부를 통해, 검사 전압 세기들 및 검사 주파수들 각각에 대해 교류 검사 전압을 검사 대상 OLED 소자에 인가하여 주파수 기반 측정값들을 획득하는 단계;
    처리부를 통해, 상기 주파수 기반 측정값들에 대한 변환 처리를 수행하여 주파수 기반 유도 변수값들을 산출하는 단계;
    상기 처리부를 통해, 상기 검사 전압 세기들 및 상기 검사 주파수들의 변동에 따른 상기 주파수 기반 유도 변수값들의 변동을 나타내는 주파수 기반 특성 데이터를 생성하는 단계;
    상기 처리부를 통해, 상기 주파수 기반 특성 데이터로부터 OLED 소자 내부의 위치별 전하 밀도를 예측하도록 학습되는 머신러닝 모델을 활용하여 상기 검사 대상 OLED 소자의 내부 위치별 전하 밀도를 나타내는 전하 분포 데이터를 도출하는 단계; 및
    출력부를 통해, 상기 전하 분포 데이터를 출력하는 단계; 를 포함하는, 머신러닝 기반의 OLED 소자 내부 전하 거동 분석 방법.
KR1020220056934A 2022-05-10 2022-05-10 머신러닝 기반의 유기 발광 다이오드(oled) 소자 내부 전하 거동 분석 장치 및 방법 KR102643229B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220056934A KR102643229B1 (ko) 2022-05-10 2022-05-10 머신러닝 기반의 유기 발광 다이오드(oled) 소자 내부 전하 거동 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220056934A KR102643229B1 (ko) 2022-05-10 2022-05-10 머신러닝 기반의 유기 발광 다이오드(oled) 소자 내부 전하 거동 분석 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20230157582A KR20230157582A (ko) 2023-11-17
KR102643229B1 true KR102643229B1 (ko) 2024-03-04

Family

ID=88968954

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220056934A KR102643229B1 (ko) 2022-05-10 2022-05-10 머신러닝 기반의 유기 발광 다이오드(oled) 소자 내부 전하 거동 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102643229B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101284283B1 (ko) 2012-03-29 2013-07-08 동국대학교 산학협력단 전계 발광 시료 분석 장치
KR102293791B1 (ko) 2019-11-28 2021-08-25 광주과학기술원 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102183379B1 (ko) * 2014-09-22 2020-11-27 엘지디스플레이 주식회사 유기 발광 소자의 시뮬레이션 방법과 장치, 및 그 방법을 수행하기 위한 프로그램이 기록된 기록매체
KR20190068923A (ko) * 2017-12-11 2019-06-19 엘지디스플레이 주식회사 유기발광소자의 임피던스 추출 장치 및 방법
KR20190113119A (ko) * 2018-03-27 2019-10-08 삼성전자주식회사 합성곱 신경망을 위한 주의집중 값 계산 방법
KR102230354B1 (ko) 2019-11-18 2021-03-22 고려대학교 산학협력단 기계 학습 모델을 이용한 반도체 소자 테스트 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101284283B1 (ko) 2012-03-29 2013-07-08 동국대학교 산학협력단 전계 발광 시료 분석 장치
KR102293791B1 (ko) 2019-11-28 2021-08-25 광주과학기술원 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체

Also Published As

Publication number Publication date
KR20230157582A (ko) 2023-11-17

Similar Documents

Publication Publication Date Title
KR20200089621A (ko) 표본에 대한 결함 검출 방법 및 그 시스템
KR20150103706A (ko) 템플릿 이미지 매칭을 이용한 웨이퍼 상의 결함 검출
JP2006215020A5 (ko)
KR102230354B1 (ko) 기계 학습 모델을 이용한 반도체 소자 테스트 장치 및 방법
JP2006215020A (ja) 高精度パターン形状評価方法及びその装置
US20190259145A1 (en) Measuring Defectivity by Equipping Model-Less Scatterometry with Cognitive Machine Learning
EP3276333A1 (en) Transfer of a calibration model using a sparse transfer set
KR102643229B1 (ko) 머신러닝 기반의 유기 발광 다이오드(oled) 소자 내부 전하 거동 분석 장치 및 방법
JPH11111796A (ja) 不良解析方法及びその装置
Kitani et al. Verification of interpretability of phase-resolved partial discharge using a CNN with SHAP
Mir et al. Machine learning-based evaluation of the damage caused by cracks on concrete structures
KR102324687B1 (ko) 광학 검사 결과들로부터 형성한 계측 가이드 검사 샘플
Ye et al. A corona recognition method based on visible light color and machine learning
Kunze et al. Contactless inline IV measurement of solar cells using an empirical model
JP2003303746A (ja) 半導体の不良解析方法及びそのシステム並びに半導体の不良解析プログラム
Darabad et al. Data mining on partial discharge signals of power transformer's defect models
US20220076383A1 (en) Method for de-noising an electron microscope image
JP4961500B2 (ja) パターン形状評価装置
US9958494B2 (en) Hierarchical wafer lifetime prediction method
CN115754713A (zh) 一种基于频率图及efa-bp深度学习的电机故障诊断方法
Zhu et al. Surface defect detection of sawn timbers based on efficient multilevel feature integration
Li et al. Combined use of partial least-squares regression and neural network for residual life estimation of large generator stator insulation
Mezgebo et al. Paper Insulation Aging Estimation Using Swept-Source Optical Coherence Tomography
Vališ et al. Perspective estimation of light emitting diode reliability measures based on multiply accelerated long run stress testing backed up by stochastic diffusion process
CN117686190B (zh) 晶圆中发光芯片的检测方法、装置、设备及存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant