基于高斯数学模型与改进残差网络的 LED 光源光谱功率分布预测

为什么更“聪明”的光很重要

无论在家中、工作场所还是街道上，我们的大多数时间都处在 LED 照明下。该光源中不同颜色的确切组合——即其光谱功率分布（SPD）——不仅影响物体的外观，还影响我们身体的感受与功能。它会影响色彩质量、眼部舒适度，甚至我们的生物钟。因此，精确调控 LED 的光谱对于打造健康且令人愉悦的照明至关重要，但传统上这通常依赖缓慢且昂贵的试错实验。本文提出了一种结合基于物理的建模与现代人工智能的方法，能够快速且准确地预测与设计 LED 光谱。

从原料到光的指纹

LED 的光谱如同其光学指纹：它说明了从紫到红每个波长处发出了多少光。这一指纹取决于若干“原料”：蓝色半导体芯片、一种或多种将光转换的荧光粉（常为红色和绿色）、荧光粉在硅胶中的混合量以及驱动器件的电流。改变其中任何一项都可能微妙或剧烈地重塑光谱。到目前为止，工程师通常需要制造大量测试器件并逐一测量以观察新配方的影响。作者的目标是直接学习从这些可控原料——荧光粉用量、荧光粉与硅胶的比例以及驱动电流——到完整光谱的映射，这样在制造出样品之前便能在计算机上探索新设计。

用简单峰形描述复杂光谱

研究人员并不是去预测跨越所有波长的数百个数据点，而是先将每个测得的光谱压缩为少量有意义的数值。他们将光谱近似为三个平滑钟形曲线之和，每个曲线由高度、中心颜色和宽度描述。这种基于高斯函数的数学描述对应了主要的物理发射成分：蓝色芯片、绿色荧光粉和红色荧光粉。利用真实 LED 封装的数据，他们证明三座这样的峰足以以极高的保真度重现测得光谱，统计匹配优于 0.99。此步骤在保持关键信息的同时，使预测问题更简单、更具可解释性。

教神经网络“读配方”

有了这种紧凑表示，团队训练神经网络直接从 LED 配方预测高斯峰参数。他们比较了标准的反向传播网络、更深的残差网络（利用捷径连接以稳定学习）以及加入多头注意力机制的改进残差网络。注意力机制使模型能够关注特定输入（例如蓝芯片电流或荧光粉比例）如何相互作用以塑造光谱的不同部分。改进后的网络以 360 个实验测量光谱为训练数据，并通过精心设计的噪声与插值样本进行增强，以模拟真实制造变动。随后，它从预测的峰参数重构完整光谱。

更精确的预测与可靠的色彩

在从未见过的 LED 配方和工作电流上测试时，改进网络生成的光谱与测量曲线高度重合。与基础残差网络相比，它将关键误差减半，并且明显优于传统神经网络以及支持向量机、决策树、随机森林和高斯过程回归等其他机器学习方法。尤其在预测主导的蓝光相关峰的高度方面更为准确，这一峰与蓝光被转换为更暖色调的效率密切相关。预测得到的光谱在色度坐标上也只有极小的偏移，意味着人眼感知到的光色与真实器件高度一致。

对未来照明的意义

对非专业读者而言，关键成果是一个快速且可靠的数字工具，能够在普通计算机上于几毫秒内将 LED 材料配方和驱动电流转换为逼真的光谱。这可以让制造商在构建硬件之前，虚拟原型化高显色性和以健康为导向的照明——调整暖感、色彩保真度以及对睡眠与警觉性的潜在影响。尽管本研究聚焦于含两种荧光粉的系统且尚未建模长期老化，但相同框架可扩展到更复杂的混合物和额外的性能目标。归根结底，这项工作展示了如何将简单且有物理依据的光谱模型与先进的神经网络结合，从而大幅加速更智能、更有益健康的 LED 光源设计。

引用: 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

关键词: LED 光谱, 健康照明, 神经网络, 荧光粉混合, 光谱设计