Прогноз спектрального распределения мощности светодиодного источника на основе гауссовской математической модели и улучшенной остаточной сети

Почему умное освещение важно

Сегодня большинство из нас проводит время под светодиодным освещением — дома, на работе или на улице. Точный состав цветов в таком свете — его спектральное распределение мощности (SPD) — влияет не только на внешний вид предметов, но и на самочувствие и физиологию людей. Оно определяет качество цветопередачи, комфорт для глаз и даже работу биологических часов. Поэтому проектирование светодиодов с точно настроенными спектрами критично для здорового и приятного освещения, однако традиционно это требует медленных и дорогих экспериментов методом проб и ошибок. В этой статье предлагается метод быстрого и точного предсказания и проектирования спектров светодиодов с помощью сочетания физически обоснованной модели и современных методов искусственного интеллекта.

От ингредиентов к «отпечатку» света

Спектр светодиода похож на его оптический отпечаток: он показывает, сколько света излучается на каждой длине волны от фиолетовой до красной. Этот «отпечаток» зависит от нескольких «ингредиентов»: синего полупроводникового чипа, одного или нескольких преобразующих свет люминофоров (обычно красного и зеленого), концентрации люминофора в силиконе и электрического тока, подаваемого на устройство. Изменение любого из этих параметров может тонко или существенно изменить спектр. Раньше инженерам приходилось изготавливать множество образцов и измерять каждый, чтобы увидеть эффект новой рецептуры. Авторы же ставят цель выучить прямое отображение от управляемых ингредиентов — количеств люминофоров, соотношения люминофор/силикон и тока — к полному спектру, чтобы новые конструкции можно было исследовать на компьютере прежде, чем изготовить хоть один образец.

Описание сложных спектров простыми пиками

Вместо предсказания сотен точек данных по всем длинам волн исследователи сначала сжимают каждый измеренный спектр в несколько значимых чисел. Они аппроксимируют спектр суммой трех плавных колоколообразных кривых, каждая из которых описывается высотой, центральной длиной волны и шириной. Это математическое представление, основанное на гауссовских функциях, отражает основные физические компоненты излучения: синий чип, зеленый люминофор и красный люминофор. На данных реальных светодиодных пакетов показано, что трех таких пиков достаточно, чтобы с очень высокой точностью восстановить измеренные спектры — статистическое соответствие лучше 0,99. Этот шаг сохраняет существенную цветовую информацию и одновременно делает задачу предсказания гораздо проще и более интерпретируемой.

Обучение нейронной сети «читать» рецепт

Имея компактное представление, команда обучает нейронные сети предсказывать параметры гауссовских пиков непосредственно из рецептуры светодиода. Они сравнивают стандартную сеть с обратным распространением ошибки, более глубокую остаточную сеть (которая использует короткие пути для стабилизации обучения) и улучшенную остаточную сеть, в которую добавлен механизм мультиголовного внимания. Механизм внимания позволяет модели фокусироваться на том, как конкретные входы, такие как ток на синем чипе или соотношение люминофора, взаимодействуют и влияют на разные части спектра. Улучшенная сеть обучается на 360 экспериментально измеренных спектрах, дополненных специально сгенерированным шумом и интерполированными образцами, имитирующими реальные производственные вариации. Затем она восстанавливает полный спектр из предсказанных параметров пиков.

Более точные предсказания и надежная цветопередача

При проверке на составах светодиодов и рабочих токах, с которыми сеть ранее не сталкивалась, улучшенная модель выдает спектры, которые очень близко накладываются на измеренные кривые. Она уменьшает ключевые ошибки вдвое по сравнению с базовой остаточной сетью и значительно превосходит как обычную нейросеть, так и другие методы машинного обучения — опорные векторы, деревья решений, случайные леса и регрессию гауссовских процессов. В частности, она гораздо точнее предсказывает высоту доминирующего синего пика, что тесно связано с эффективностью преобразования синего света в более теплые цвета. Предсказанные спектры также дают очень небольшие смещения цветовых координат, то есть воспринимаемый цвет света остается высоко верным реальному устройству.

Что это означает для будущего освещения

Для неспециалистов главный результат — это быстрый и надежный цифровой инструмент, который превращает рецептуры материалов светодиода и рабочие токи в реалистичные спектры за несколько тысячных секунды на обычном компьютере. Это позволит производителям виртуально прототипировать светильники с высокой цветопередачей и ориентацией на здоровье — регулируя теплую окраску, точность цветов и возможное влияние на сон и бодрствование — прежде чем собирать оборудование. Хотя текущее исследование сосредоточено на системе с двумя люминофорами и пока не моделирует долгосрочное старение, та же структура может быть расширена для более сложных смесей и дополнительных целевых показателей. По сути, работа демонстрирует, как сочетание простой физически обоснованной спектральной модели и продвинутой нейронной сети может значительно ускорить разработку более умных и здоровых светодиодных источников света.

Цитирование: 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

Ключевые слова: спектр светодиода, здоровое освещение, нейронные сети, смешивание люминофора, дизайн спектра