近日，由深圳大学、台湾阳明交通大学、鸿海半导体研究所、英国利物浦大学共同合作的Micro LED项目获得新进展。

该成果以《Micro-LED backlight module by deep reinforcement learning and micro-macro-hybrid environment control agent》为题发表在《Photonics Research》（该刊影响因子为7.009，国内期刊Q1区）核心期刊上（Vol. 10, Issue 2, pp. 269-279 (2022) ）。该文第一作者是深圳大学博士后黄哲瑄博士，通讯作者分别是台湾阳明交大郭浩中教授和深圳大学微电子研究院院长助理、材料学院刘新科研究员。

近十年来，2010年推出的LED背光显示技术已在全球市场得到广泛认可。未来有一个更精确的蓝图：更高的能源应用效率，更高的色彩饱和度，以及具有超高对比度度控制能力的Micro LED背光模块。Micro LED背光模块在为前瞻显示带来诸多优势的同时，也带来了许多新颖的挑战和创新机会。例如，通过在NCTU SCLAB研究奈米球光罩蚀刻技术，可以减轻在制程阶段由薄外延设计产生的量子局限史塔克效应(QCSE)。

由于芯片尺寸比，照明角度设计区域受到限制，提出了新的低光损耗光学设计挑战。相当多的研究成果也测量了整体背光设计的间接物理参数。设计具有高均匀性和低功耗的Micro LED模块在今天仍然是一项重大挑战。

此外，由于量子点材料可以显著提升显示器的色彩质量，量子点色彩转换技术也是前瞻性显示技术中一项极为重要且被广泛讨论的技术。在过去的半个世纪中，许多成熟的光学设计方法和物理概念已经建立并用于各种研究工作。在LED领域，对不同尺度的物理模型进行了大量的研究和分析。但是，由于宏观尺度和微观尺度的具体表现分别是粒子和波，在进行光学设计时，往往不可能同时进行宏观尺度和微观尺度的设计。由于晶粒结构的微观尺度和背光模块的宏观尺度都存在于Micro LED模块中，这种现象已成为追求超薄设计的Micro LED模块的一个挑战。

研究团队表示，其构建了一套光学编程程序，并以一种环境控制代理技术来控制宏观和微观尺度。此外，由于传统的优化计算方法，如差分进化算法和基因算法，都是rule-based的算法，具有可解释性和使用较少超参数的特点。这种方式虽然方便开发者使用，但对于可变性较大的主题，应用起来难度更大。相反，由大量数据驱动的数据驱动算法有很多超参数来解决各种变化的问题。为了实现高度适应性的解决方案，避免过度敏感的搜索过程导致无法找到全局最大值或最小值，本研究提供人工智能深度强化学习技术，并采用Google DeepMind的double DQN（DDQN）架构作为核心网络创建人工智能光学设计代理以实现最佳光学设计。深度强化学习 (DRL) 和环境控制代理技术在本研究中得到充分实现。

研究并提出了一种具有分布式布拉格反射器 (DBR) 结构的 Micro LED 背光模块，以实现出色的 Micro LED 背光模块性质，并使用深度强化学习 (DRL) 架构进行光学设计。在DRL架构中，针对微观和宏观两种极端结构的计算环境问题，提出了环境控制代理和虚拟现实工作流程来保证设计环境参数与实验结果高度相关。并通过上述方法成功设计了具有DBR结构的Micro LED背光模块。采用DBR结构的Micro LED背光模块相比没有DBR的Micro LED背光模块，均匀度性能提升32%，DRL方法所需的设计计算时间仅为传统光学仿真的17.9%。此外，基于人工智能模型的推理结果，成功生产出超薄、高效、高均匀度的Micro LED模块。