Voorspelling van de spectrale vermogensverdeling van LED-lichtbronnen gebaseerd op een Gaussiaans wiskundig model en een verbeterd residual network

Waarom slimmer licht ertoe doet

De meesten van ons brengen tegenwoordig hun dagen door onder LED-verlichting, thuis, op het werk of op straat. De exacte samenstelling van kleuren in dat licht — de spectrale vermogensverdeling, of SPD — beïnvloedt niet alleen hoe objecten eruitzien, maar ook hoe ons lichaam zich voelt en functioneert. Het heeft invloed op kleurkwaliteit, oogcomfort en zelfs onze biologische klok. Het ontwerpen van LED’s met precies afgestemde spectra is daarom cruciaal voor gezond en aangenaam licht, maar gebeurt doorgaans via trage, dure proefondervindelijke experimenten. Dit artikel presenteert een methode om LED-spectra snel en nauwkeurig te voorspellen en te ontwerpen door fysisch-geïnformeerde modellering te combineren met moderne kunstmatige intelligentie.

Van ingrediënten naar een lichtvingerafdruk

Het spectrum van een LED is als een optische vingerafdruk: het geeft aan hoeveel licht er bij elke golflengte wordt uitgezonden van violet tot rood. Die vingerafdruk hangt af van meerdere "ingrediënten": de blauwe halfgeleiderchip, één of meer lichtconverserende fosforen (vaak rood en groen), de hoeveelheid fosfor in het silicone, en de elektrische stroom die het apparaat aandrijft. Het veranderen van één van deze factoren kan het spectrum subtiel of drastisch hervormen. Tot nu toe moesten ingenieurs vaak vele testapparaten fabriceren en elk meten om het effect van een nieuw recept te zien. De auteurs streven ernaar een directe koppeling te leren van deze bestuurbare ingrediënten — fosforhoeveelheden, fosfor-tot-silicone verhouding en aandrijfstroom — naar het volledige spectrum, zodat nieuwe ontwerpen eerst op de computer kunnen worden verkend voordat er een enkel voorbeeld wordt gemaakt.

Complexe spectra beschrijven met eenvoudige pieken

In plaats van honderden datapunten over alle golflengten te voorspellen, comprimeren de onderzoekers eerst elk gemeten spectrum tot slechts een paar betekenisvolle getallen. Ze benaderen het spectrum als de som van drie vloeiende klokvormige krommen, elk beschreven door hoogte, centrale kleur en breedte. Deze wiskundige beschrijving, gebaseerd op Gaussiaanse functies, weerspiegelt de belangrijkste fysieke emissiecomponenten: de blauwe chip, de groene fosfor en de rode fosfor. Met gegevens van echte LED-pakketten tonen ze aan dat drie zulke pieken voldoende zijn om de gemeten spectra met zeer hoge nauwkeurigheid te reconstrueren, met een statistische overeenkomst beter dan 0,99. Deze stap behoudt de essentiële kleurinformatie en maakt het voorspellingsprobleem veel eenvoudiger en beter interpreteerbaar.

Een neuraal netwerk leren het recept te lezen

Met deze compacte representatie traint het team neurale netwerken om de Gaussische piekparameters direct uit het LED-recept te voorspellen. Ze vergelijken een standaard backpropagation-netwerk, een dieper residual network (dat shortcut-verbindingen gebruikt om het leerproces te stabiliseren) en een verbeterd residual network dat een multi-head attention-mechanisme toevoegt. Attention stelt het model in staat te focussen op hoe specifieke ingangen, zoals de stroom van de blauwe chip of de fosforverhouding, samenwerken om verschillende delen van het spectrum te vormen. Het verbeterde netwerk leert van 360 experimenteel gemeten spectra, aangevuld met zorgvuldig ontworpen ruis en geïnterpoleerde voorbeelden die echte productvarianties nabootsen. Vervolgens reconstrueert het het volledige spectrum uit de voorspelde piekparameters.

Scherpere voorspellingen en betrouwbare kleur

Getest op LED-formuleringen en bedrijfsstromen die het nog niet eerder had gezien, produceert het verbeterde netwerk spectra die heel nauw aansluiten op de gemeten curves. Het halveert belangrijke fouten vergeleken met het basis-residual network en presteert aanzienlijk beter dan het conventionele neurale netwerk en andere machine-learningmethoden zoals support vector machines, decision trees, random forests en Gaussian process regression. In het bijzonder is het veel nauwkeuriger in het voorspellen van de hoogte van de dominante blauw-gerelateerde piek, die nauw samenhangt met hoe efficiënt blauw licht wordt omgezet in warmere kleuren. De voorspelde spectra veroorzaken ook zeer kleine verschuivingen in kleurcoördinaten, wat betekent dat de waargenomen kleur van het licht zeer trouw blijft aan het echte apparaat.

Wat dit betekent voor toekomstige verlichting

Voor niet-specialisten is de kernuitkomst een snel, betrouwbaar digitaal hulpmiddel dat LED-materiaalrecepten en aandrijvingsstromen in enkele duizendsten van een seconde op een standaardcomputer omzet in realistische spectra. Dit kan fabrikanten in staat stellen virtueel prototypes te maken van hoogweergave- en gezondheid-georiënteerde verlichting — het aanpassen van warmte, kleurgetrouwheid en mogelijke effecten op slaap en alertheid — voordat ze hardware bouwen. Hoewel de huidige studie zich richt op een systeem met twee fosforen en nog geen modellering van langdurige veroudering omvat, kan hetzelfde kader worden uitgebreid naar complexere mengsels en aanvullende prestatie-eisen. In wezen laat het werk zien hoe de combinatie van een eenvoudig, fysisch onderbouwd spectraalmodel en een geavanceerd neuraal netwerk het ontwerpen van slimmere, gezondere LED-lichtbronnen sterk kan versnellen.

Bronvermelding: Wu, L., Li, Y., Chen, H. et al. The spectral power distribution prediction of LED light source based on Gaussian mathematical model and improved residual network. Sci Rep 16, 7751 (2026). https://doi.org/10.1038/s41598-026-39015-3

Trefwoorden: LED-spectrum, gezond licht, neurale netwerken, fosformengsel, spectrumontwerp