来自台湾联合大学、暨南大学的研究团队提出一套基于数字孪生辅助电致发光分析的检测方案，可在不拆解、不破坏样品的前提下，快速区分发生 “光谱伪装” 的QLED与微腔OLED显示器件，相关成果发表于《Nanomaterials》期刊。
在高端显示器件中，量子点发光二极管（QLED）依靠量子点材料本征特性输出窄带发光；而OLED器件借助微腔谐振效应，同样可以得到窄带发光光谱。部分结构完全不同的QLED、OLED器件，在正视角度下发光谱线高度近似，仅看峰值波长、光谱半高宽难以分辨器件内部架构，行业将该现象称为光谱伪装。
图1. QLED与OLED微腔显示的光谱伪装现象。不同内部结构器件，正视观测可得到几乎重合的发光光谱，给无损检测带来挑战。绿色箭头代表器件出射光线
传统解决方案是角度分辨光谱测试，通过旋转样品采集不同观测角度的光谱特征实现区分。但该方式需要机械转动机构，测试节拍慢，很难用于产线大批量在线筛查。针对该痛点，研究团队开发仅依靠单次正视光谱即可完成结构识别的检测流程，不需要旋转样品，适配产线高通量质检需求。
研究人员首先实测绿色量子点材料光致发光谱、折射率、消光系数等光学参数，把实测材料参数导入光学仿真软件Fluxim Setfos®，搭建器件的光学数字孪生模型。
图2. 绿光量子点材料光学参数测试结果：(a) 绿光量子点光致发光谱；(b) 量子点薄膜随波长变化的折射率n与消光系数k，作为数字孪生仿真的输入条件
这套数字孪生模型可以复现不同顶电极配置QLED器件实际测试的发光光谱，仿真与实测光谱的峰位、轮廓高度吻合，验证仿真模型物理可靠性。为模拟实际制造工艺波动，研究人员在仿真中将顶电极厚度做±1nm扰动，批量生成包含工艺偏差的仿真光谱数据集，同时将部分实测器件光谱加入训练集，减少大量实物样品制备成本。
本次实验覆盖8类器件结构，包含QLED、OLED两大发光体系，搭配薄银、厚银、IZO、DMD 四种顶电极。全部器件被调整至正视发光峰统一落在528nm，刻意制造 “光谱伪装” 的苛刻测试条件，仅依靠光谱轮廓细微差异完成器件分类识别。
图3. 数字孪生驱动多层感知机分类完整工作流程。实测电致发光光谱完成仿真模型校准；数字孪生生成带厚度扰动的海量仿真光谱；归一化全光谱向量送入神经网络完成8类器件结构分类识别
团队对比4种机器学习分类算法：梯度下降、支持向量机SVM、逻辑回归、Tanh激活多层感知机（MLP）。测试结果显示，Tanh激活的多层感知机综合性能最优，独立测试集识别精度可达93.94%；梯度下降、SVM测试精度同为90.91%
；逻辑回归精度84.85%，线性模型对高度重叠光谱的区分能力有限。
图4. 不同电极配置OLED、QLED正视仿真电致发光光谱。厚银电极OLED依靠微腔压缩光谱，和QLED光谱大面积重叠；仅依靠峰位、半高宽无法区分器件
图5. 器件角度依赖发光仿真结果：正视光谱高度重合的两类器件，随观测角度变化发光表现差异显著；角度仿真仅用于物理解释，不参与机器学习输入
虽然器件正视光谱肉眼看上去几乎一致，但完整光谱曲线中还保留着谱线曲率、肩部特征、尾部光强等细微信息。非线性神经网络可以捕捉这些被忽略的微弱特征，实现结构判定。混淆矩阵结果也反映，即便引入±1nm的电极厚度工艺波动，该方案依旧保持较高识别能力。
图6. 四类机器学习模型独立测试集混淆矩阵：(a) 梯度下降；(b) SVM；(c)逻辑回归；(d) Tanh‑MLP；蓝色对角线格子代表正确识别样本，橙色代表错分样本，数字为样本数量
研究总结表示，该技术不依赖破坏性解剖、无需样品机械旋转，仅采集单次正视电致发光光谱，结合数字孪生预生成数据集与机器学习算法，即可识别发生光谱伪装的微腔显示器件。未来可拓展用于显示产线来料筛查、品质管控，快速甄别内部结构与标称规格不符的器件，为高端QLED、OLED显示工业化质检提供新的技术路径。
DOI：10.3390/nano16181128
关注此公众号，请点击↓↓↓
商务合作[备注：合作]、显示交流[备注：进群]，扫微信号↓↓↓
