| Project/Area Number |
22K03880
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 18030:Design engineering-related
|
|---|
| Research Institution | Kindai University |
|---|
Principal Investigator |
柏尾 知明 近畿大学, 理工学部, 准教授 (10581910)
|
|---|
| Project Period (FY) |
2022-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2026: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2025: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2024: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2023: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2022: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 白色LED / パッケージング / サロゲートモデル / 機械学習 / ニューラルネットワーク / CNN / ディープラーニング / 人工知能 / 光線追跡シミュレーション / LEDパッケージング / 最適設計 |
|---|
| Outline of Research at the Start |
本研究では，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，光線追跡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．
|
| Outline of Annual Research Achievements |
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，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．また，機械学習モデルを用いて，CNNの予測結果を青色LEDの放射束で補正することで予測性能を向上させることに成功した．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，3Dモデルの光線追跡シミュレーション結果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．さらには，3Dモデルによる学習用データ作成のため，Semantic Segmentationを用いて，白色LEDの断面画像上の各構成部材の領域をラベル付けすることで，パッケージングの形状情報を獲得する方法を提案した．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
設計パラメータを広く振った様々なタイプの白色LEDの多くの3Dモデルと，それらのモデルの光線追跡シミュレーション結果の組み合わせから学習データを作成しCNNに学習させたが，予測があまりうまくいかなかった．そこで，3Dモデルに実サンプルのパッケージングから得られた形状情報を反映する方法を検討している．
|
| Strategy for Future Research Activity |
・Semantic Segmentationを用いて得られた，パッケージングの形状情報を3Dモデルに反映する．
・3Dモデルから得られた学習データを用いて，いくつかの代表的なCNNモデルで学習性能の比較評価を行う．
・CNNが認識しているパッケージングの形状情報をパッケージング設計にフィードバックする方法を開発する．
|
