Study of sarrogate modeling of LED packaging using artificial intelligence

本研究では，機械学習（人工知能）技術を用いてLEDパッケージングを解析し，最適設計する方法を提案する．機械学習によって重要な光学特性を出力とする汎用性の高いLEDパッケージングの数理モデルを獲得し，その過程で，パッケージング構造の解析も同時に行う．開発期間の短縮のため，一般的に計算機上での光線追跡シミュレーションがLEDパッケージング設計に用いられているが，設計パラメータの組み合わせの数が膨大となり，シミュレーションに長い時間がかかっている．提案手法によってLEDパッケージングのサロゲート（代理）モデルを得ることができれば，シミュレーションにかかる時間を大幅に短縮することができる．これまでの研究では，白色LEDの主な設計パラメータ（発光素子の放射束，蛍光体量）から光学特性（全光束，色度）を予測するモデルと，蛍光体層の形状から全光束を予測するモデルを得ることに成功した．また，Convolutional Neural Network (CNN)を用いて，白色LEDパッケージングの断面画像からの白色LEDの明るさ（全光束）を予測するモデルを得ることができた．白色LEDパッケージングの断面画像には，蛍光体量やレンズ形状などの白色LEDの明るさを決定する重要な設計情報が含まれている．この結果は，CNNが断面画像を学習する過程における特徴マップから，パッケージングの構造解析が可能であることを示している．汎用性の高いモデルを得るためには，さらに広い範囲の設計パラメータを含む学習データが必要となるが，実サンプルのデータを準備することは難しい，そこで，計算機上で3Dモデルを作成し，それらの3Dモデルの光線追跡シミュレーションを学習データとして機械学習モデルに学習させ，学習済みモデルを得ることに成功した．

本研究では，機械学習（人工知能）技術を用いてLEDパッケージングを解析し，最適設計する方法を提案する．機械学習によって重要な光学特性を出力とする汎用性の高いLEDパッケージングの数理モデルを獲得し，その過程で，パッケージング構造の解析も同時に行う．開発期間の短縮のため，一般的に計算機上での光線追跡シミュレーションがLEDパッケージング設計に用いられているが，設計パラメータの組み合わせの数が膨大となり，シミュレーションに長い時間がかかっている．提案手法によってLEDパッケージングのサロゲート（代理）モデルを得ることができれば，シミュレーションにかかる時間を大幅に短縮することができる．これまでの研究では，白色LEDの主な設計パラメータ（発光素子の放射束，蛍光体量）から光学特性（全光束，色度）を予測するモデルと，蛍光体層の形状から全光束を予測するモデルを得ることに成功した．また，Convolutional Neural Network (CNN)を用いて，白色LEDパッケージングの断面画像からの白色LEDの明るさ（全光束）を予測するモデルを得ることができた．白色LEDパッケージングの断面画像には，蛍光体量やレンズ形状などの白色LEDの明るさを決定する重要な設計情報が含まれている．この結果は，CNNが断面画像を学習する過程における特徴マップから，パッケージングの構造解析が可能であることを示している．汎用性の高いモデルを得るためには，さらに広い範囲の設計パラメータを含む学習データが必要となるが，実サンプルのデータを準備することは難しい，そこで，計算機上で3Dモデルを作成し，それらの3Dモデルの光線追跡シミュレーションを学習データとして機械学習モデルに学習させ，学習済みモデルを得ることに成功した．