学术研究报告：基于双向深度学习与多目标优化的LED系统光谱性能预测与逆向设计

一、 研究作者、机构与发表信息 本研究由闽南师范大学物理与信息工程学院的林松盛、陈焕庭（通讯作者）、林子宁、谢全记、陈赐海、林惠川、林烁，以及广州航海学院国际邮轮与游艇学院的沈雪花共同完成。研究成果以题为“Bidirectional deep learning for chromatic-optical predicting and inverse design of LED systems with multi- objective optimization of circadian efficacy and gamut”的论文形式，发表于国际知名光学期刊《Optics Express》第33卷第24期，发表日期为2025年12月1日。

二、 学术背景与研究目的 本研究属于光电子学、固态照明与显示技术、以及人工智能交叉应用领域。发光二极管（LED）技术因其高效、环保、色彩还原性好等优点，已广泛应用于照明和显示领域。然而，LED的光谱功率分布（SPD）、光通量、色度等光学性能，强烈依赖于其工作条件，特别是散热器温度和各通道驱动电流。这些电热参数与光学输出之间存在复杂的非线性耦合关系，例如温度引起的带隙变窄和电流相关的载流子复合效应，会导致光谱红移、展宽和光效下降。传统的线性模型或孤立优化方法难以精确捕捉这些相互作用，也无法在实现特定光学目标（如高光效、宽色域、特定节律效应）时，逆向推导出可实施的电气与热管理设定点。

因此，本研究旨在解决现有研究中的两个关键空白：1) 缺乏一个能够同时整合电热物理机制与数据驱动的双向预测框架；2) 缺乏一个能够统一优化多个相互冲突的应用指标（节律作用因子CAF、光效EF、色域覆盖率GC）的系统方法。具体研究目标包括：开发一个结合实验与计算的统一框架，利用深度学习模型学习多基色LED从电热设定点到光学性能的正向映射及其逆向映射；并在此基础上，通过遗传算法（GA）进行多目标优化，为不同的照明与显示应用场景（如照明优先、显示优先、综合平衡）提供可实现的、最优化的电热操作参数。

三、 详细研究流程 本研究的工作流程系统而完整，主要包含以下几个核心步骤：

1. 实验数据采集与数据集构建： 研究使用商用LED模块（Cree XML-RGBW 和 Cree XQEAPA-O，分别代表RGB和OGB配置）作为研究对象。在严格控制的环境下，通过嵌套扫描协议系统地改变操作条件：散热器温度（Ths）从18°C到81°C，以3°C为步长变化；每个颜色通道（红/橙、绿、蓝）的驱动电流从30 mA到450 mA，以20 mA为步长变化。光学测量使用Everfine AIS-2积分球耦合Hass-2000光谱辐射度计完成，确保了光谱、光通量（Φv）、光功率（Popt）和色度坐标（x, y）测量的高保真度。温度控制平台（Everfine TC-100）保证了测量期间热状态的稳定性。通过这一系统化采样，研究共获得了21,296组测量数据（RGB和OGB配置各10,648组），形成了一个覆盖广泛电热操作空间的高质量数据集。这些数据被划分为训练集（17,424条记录）和独立的测试集（3,872条记录，对应Ths = 27, 42, 54, 69°C的数据），用于后续模型的训练与验证。

2. 深度学习模型构建与训练： 研究独立训练了三种不同的深度学习架构，以学习电热参数与光学性能之间的复杂映射关系。 * 模型架构： * 自编码器（AE）：采用对称结构，编码器为128-64-32单元的全连接层（使用ReLU激活函数），解码器镜像对称，最终通过线性输出层重建SPD。 * 长短期记忆网络（LSTM）：采用堆叠式结构，包含两个各有300个单元的LSTM层，后接两个全连接层（第一层150个单元，输出层匹配SPD维度）。 * 门控循环单元（GRU）：包含一个256单元的GRU层（使用ReLU激活函数），后接两个全连接层（第一层128个单元）。 * 训练任务： * 正向预测：以电热参数（Ths, Ib, Ig, Ir/Io）为输入，预测SPD、Φv、Popt和（x, y）。 * 逆向预测：以光学观测值（Φv, Popt, x, y）为输入，推断产生这些光学输出的散热器温度和各通道电流。 * 训练细节：所有模型均使用Adam优化器（学习率1×10⁻³）、均方误差（MSE）损失函数进行训练，最大训练周期为2000轮，并采用早停策略防止过拟合。训练在配备AMD Ryzen 7 4800H CPU和NVIDIA GeForce RTX 2060 GPU的计算机上完成。

3. 多目标优化框架建立： 研究定义了一个标量化目标函数S，将三个核心性能指标——节律作用因子（CAF）、发光效能（EF）和相对于Rec. 2020标准的色域覆盖率（GC）——整合到一个可优化的框架中。函数形式为：S = a(CAF/CAF_max) + b(EF/EF_max) + c*(GC/GC_max)，其中a, b, c为权重系数，且a+b+c=1。通过调整权重，可以定义不同的优化场景：照明优先（c=0，即不考虑色域）、显示优先（a=0，即不考虑节律效应）和综合平衡（a, b, c均自由优化）。优化在两个相关的相关色温（CCT）波段内进行：2000K-3500K（通常CAF目标为最小化）和4000K-6000K（CAF目标为最大化）。优化算法采用遗传算法（GA），设置种群大小为50，运行2000代，交叉率0.7，变异率0.01，采用比例选择法，并独立运行20次以确保结果可靠性。

4. 数据分析与性能评估流程： 模型性能通过多种指标进行评估：对于正向SPD重建，使用决定系数（R²）、均方误差（MSE）和平均相对误差；对于逆向预测，主要评估温度和各通道电流预测的平均相对误差。多目标优化的结果通过最终获得的标量目标函数S的最大值、对应的CAF、EF、GC数值以及实现这些最优性能的电热设定点（Ths, Ib, Ig, Ir/Io）来呈现和比较。

四、 主要研究结果 1. 深度学习模型预测性能结果： * 正向预测：在光谱功率分布（SPD）和光学/色度参数（Φv, Popt, x, y）的预测上，自编码器（AE）表现最佳。在测试集上，AE的SPD重建R²达到0.9998-1.0，MSE低至0.04%-0.10%，平均相对误差为2.05%-3.52%。对于光学/色度参数，在Ths=54°C的代表性条件下，AE的平均相对误差（0.144%）也显著低于GRU（0.836%）和LSTM（0.714%）。这表明AE的紧凑潜在表示能更有效地编码由电热效应（如带隙变窄、效率下降）主导的非线性光谱模式。 * 逆向预测：在从光学观测值反推电热设定点的任务中，门控循环单元（GRU）取得了最高的准确性。GRU预测散热器温度的平均相对误差为0.24%，预测各通道电流的平均相对误差为0.41%，优于LSTM（0.26%， 0.42%）和AE（0.38%， 0.55%）。这表明GRU的门控机制能更好地捕捉光谱特征与电热参数之间复杂的、存在多解性的逆向映射关系。 * 物理机制解释：模型的高预测精度验证了数据驱动方法的有效性，同时也与已知的物理机制一致：散热器温度升高导致带隙变窄和声子散射增强，引起光谱红移和展宽；高注入电流加剧效率下降（效率骤降），改变光谱形状和总光通量。AE在正向预测上的优势，以及GRU在逆向预测上的优势，为不同任务选择了最合适的网络架构。

2. 多目标优化结果： 遗传算法优化成功量化了CAF、EF和GC之间的权衡关系，并为不同应用场景和CCT波段提供了具体的、可实施的操作设定点。 * 照明优先场景（c=0）：优化权重倾向于最大化EF和CAF（在暖白光波段最小化CAF，在冷白光波段最大化CAF）。例如，对于RGB配置在4000K-6000K波段，最优权重为a=0.118, b=0.882，在Ths=24°C, Ir=70mA, Ig=70mA, Ib=30mA的条件下，实现了S_max=0.949，对应CAF=0.849，EF=99.5 lm/W。这证实了在照明应用中，可以通过优化电热参数在保证一定节律效应的情况下追求高光效。 * 显示优先场景（a=0）：优化权重在EF和GC之间进行权衡。例如，RGB配置在4000K-6000K波段，最优权重b=0.118, c=0.882，在Ths=27°C, Ir=90mA, Ig=130mA, Ib=30mA的条件下，实现了S_max=0.990，对应EF=95.5 lm/W，GC=84.4%。这显示了为追求高色域覆盖需要在一定程度上牺牲光效。 * 综合平衡场景：三个指标同时参与优化。例如，OGB配置在4000K-6000K波段，最优权重为a=0.230, b=0.210, c=0.560，在Ths=33°C, Io=130mA, Ig=30mA, Ib=50mA的条件下，实现了S_max=0.910，对应CAF=1.026，EF=85.9 lm/W，GC=62.4%。这明确展示了三个目标无法同时达到最大，必须根据应用优先级进行折衷。 * 配置比较：结果还量化了RGB和OGB架构的内在差异：RGB配置能提供更大的色域覆盖率（GC），但由于红色峰值波长较长，其光效（EF）较低；而OGB配置（使用橙色代替红色）通过将发射光谱更靠近人眼光视效函数峰值，提高了光效，但牺牲了色域。这为工程师根据具体应用选择LED架构提供了定量依据。

五、 研究结论与价值 本研究成功开发并验证了一个统一的实验-计算框架，用于多基色LED系统的双向光谱建模和多目标优化。该框架的核心贡献在于： * 科学价值：首次将双向深度学习（正向与逆向预测）与多目标进化优化相结合，系统地建模并揭示了LED电热-光学性能之间复杂的非线性耦合关系。研究不仅证明了深度学习模型（AE, LSTM, GRU）在此类问题上的有效性，还深入分析了不同模型在不同任务（正向vs逆向）上的性能差异及其可能的物理解释，为光电系统的智能建模提供了方法论参考。 * 应用价值：为照明和显示工程师提供了一个全新的、定量化的工具。该工具能够将具体的应用目标（如“需要高光效的暖白光照明”或“需要广色域的冷白光显示”）直接“翻译”成可实施的、最优化的散热器温度和驱动电流设定点。它使得在设计阶段就能精确评估和权衡CAF、EF、GC等关键性能指标，从而指导更高效、更健康、色彩质量更优的LED系统设计。

六、 研究亮点 1. 创新的双向框架：超越了单一的正向预测或孤立的优化，构建了从“电热参数->光学性能”和“光学目标->电热设定点”的完整闭环，极大提升了设计的实用性和针对性。 2. 深度集成多目标优化：首次将CAF（节律健康）、EF（能效）和GC（色彩质量）这三个在物理上相互竞争的关键指标纳入一个统一的优化框架，并通过遗传算法进行系统寻优，明确了其间的量化权衡关系。 3. 详尽的模型对比与机理关联：系统比较了AE、LSTM、GRU三种主流深度学习架构在光电建模任务上的性能，并将模型表现与电热物理机制（带隙变窄、效率骤降）相联系，增强了模型的可解释性。 4. 全面的实验验证：基于大规模、系统采集的实验数据集（21,296组测量）进行模型训练与验证，并对RGB和OGB两种主流多基色配置进行了并行研究与对比，结论坚实可靠。

七、 其他有价值内容 研究在讨论部分也坦诚指出了当前工作的局限性及未来方向：本框架是在特定的商用LED封装数据集上训练和验证的，直接推广到其他芯片、荧光粉配方、封装几何结构或动态驱动条件可能受限。未来的工作应扩展数据集以涵盖更多制造商和器件类型，并显式地纳入环境光、角度依赖性、荧光粉老化效应和非稳态驱动模式等因素，以进一步增强框架的鲁棒性和普适性。这为后续研究指明了清晰的改进路径。