딥러닝 기반의 OLED-TFT편차 보상을 통한 번인현상 개선 알고리즘

Abstract

현대 디스플레이 산업에서 많이 사용되는 디스플레이 구동 방식은 액정 디스플레이 (LCD)방식과 유기발광 다이오드 (OLED)방식이 있다. 이중 OLED 방식은 얇은 구조, 넓은 색상구현 범위, 넓은 시야각, 빠른 응답속도, 높은 휘도, 높은 원색 구현율을 지니고 있어 차세대 디스플레이 산업을 주도할 것이다. 그러나 OLED는 번인현상이라는 치명적인 단점이 있는데 이는 높은 온도가 발생하는 OLED 동작특성상 OLED 패널내 TFT 소자의 편차로 인해 발생한다. 따라서 TFT 소자의 일정한 출력을 위해 보상회로가 사용되는데 일반적으로 널리 사용되는 보상회로 기법으로는 내부 보상회로, 외부 보상회로 두 가지기법이 있다. 내부 보상회로 방식은 화소회로 내에서 회로의 구조 변경과 각 소자의 특징들을 이용하여 성능을 개선하는 회로적인 기법으로 TFT 소자의 편차를 완화시키는 방식이며 외부 보상회로 방식은 패널외부에 독립적인 회로를 구성하여 TFT의 전자이동도, 문턱전압 등을 센싱하여 TFT가 OLED에 인가하는 전압을 보상하는 방식이다. 내부 보상회로 방식은 외부 보상회로 방식에 비해 성능이 좋지 않다. 한편 외부 보상회로는 특정 TFT 모델을 목표로 설계되므로 TFT 모델이 바뀌게 된다면 성능이 저하되어 전체 회로를 재구성해야 하는 단점이 있으며, 또한 회로 설계를 위해 다양한 센서들이 사용하기 때문에 많은 비용이 발생한다. 따라서 다양한 TFT모델에 대해서 저비용, 고성능으로 OLED 패널의 균일한 밝기를 출력해줄 새로운 보상회로가 필요하다. 본 논문에서는 크게 두 단계로 구성된 딥러닝 기반의 외부 보상회로를 제안한다. 디스플레이의 성능과 관련된 데이터를 수집하는 것은 매우 많은 시간과 인력이 필요하기 때문에 첫번째 단계에서는 OLED 디스플레이의 구동방식을 분석하여 OLED의 구동 메커니즘을 시뮬레이터로 구현하여 가상의 데이터를 생성한다. 두번째 단계에서는 시뮬레이터에서 생성된 데이터를 이용하여 딥러닝 모델을 학습시키며 학습된 모델의 성능을 높이기 위해 다양한 방식으로 데이터를 증폭하고 모델 최적화를 수행하였다. 제안한 방법의 성능은 보상된 TFT 데이터 전압과 초기의 TFT 데이터 전압값을 비교하여 평가하였고, 디스플레이의 한 개의 프레임을 기준으로 약 99%의 데이터 전압 추정 정확도를 보였으며 최종적으로 추정된 데이터 전압과 감소된 데이터 전압을 가상의 디스플레이에 인가하여 백색화면으로 출력하여 비교했을 때, 딥러닝 기반의 TFT 데이터 전압 보상 방법이 OLED 번인현상을 개선함을 확인하였다.