研究テーマは、「光線追跡シミュレーションを用いた白色ＬＥＤパッケージングの設計」で、現在は主に、「AI（機械学習）を用いたパッケージングの最適化」に取り組んでいます。博士前期課程修了後、青色ＬＥＤで知られている日亜化学工業株式会社でＬＥＤパッケージング設計、LED製品の開発を担当しておりましたので、現在もその内容を専門にしております。白色ＬＥＤの発光原理は、青色発光素子（チップ）の光が黄色、赤、緑などの蛍光体によって変換され、それらの色の光が混ざり合うことで人間の目には白く見えます。チップを製品に実装できるようにするものをパッケージングというのですが、光の色を変換しながらパッケージングの外に光を出す際に、光が持つエネルギーのロスをできるだけ少なくする必要があります。そこで、効率よく光を取り出すためのパッケージングの構造や材料の研究をしています。具体的には、パッケージングを構成する樹脂、金属などの部材の構造や特性を調整して、パッケージング内での光の損失をできるだけ減らすことで、光の取り出し効率を高めることを目指しております。
ただ、パッケージングの作製には、射出成型金型や抜き打ち金型の製作など、精度の高い加工技術が必要となり長い時間と高いコストがかかります。試作品はいろいろな設計パラメータを変えたものを作る必要があるのですが、いちいち試作をしていたのでは時間とコストがかかってしまいますので、計算機上で３Ｄモデルを作成し、シミュレーションで光学設計の確認を行います。

例えば、パッケージング内のリフレクタ面の角度や反射方法によって、光の取り出し効率が大きく変わるため、どういった角度や表面状態にすれば良いのか確認する必要があります。計算機上でのLEDの発光シミュレーションでは、ランダムに数百万本の光線の動きを追跡して、統計的に処理しLED全体の発光を確認することになります。反射、屈折、散乱など、パッケージング内で光の振る舞いをシミュレーションし、白色光をより明るくするために、どのようなリフレクタ角度や反射面の状態の組み合わせがよいのかを調べていくという作業を行っていき、それらの設計パラメータを決めていきます。
白色ＬＥＤは、室内灯などの市場において広く普及しておりますが、現在市場が大きく広がっているのは、自動車のヘッドライト用途です。当然、室内灯よりも大幅に明るくする必要があり、しかも信頼性が高くないといけません。いくら明るくてもすぐ壊れてしまうものはよくないですよね。できるだけ効率良く光を取り出しつつ、大きな電力を使うため、熱も考えなくてはならないので、光の振る舞いと熱応力を同時に解析しなければなりません。一般的にＬＥＤというと長寿命なイメージがありますが、状況によっては極端に寿命が短くなることもあります。例えば、パッケージングには銀メッキが使用されていますが、気密性が低い設計の場合、温泉地では銀メッキが硫化して真っ黒になってしまいます。そうすると銀メッキの反射率が低下し、明るさが低下してしまいます。したがって、温泉地のように大気中の硫化水素濃度が高い場所でLEDを長期間使用するのであれば、硫化水素の影響の少ないパッケージングにしなければなりません。特に自動車の場合、不灯は許されませんので、信頼性の高いパッケージングにする必要があります。車載用には、熱の影響を受けやすい材料を使用しないなど、一般的なLEDとは異なるタイプのパッケージングが使用されています。また、より低い消費電力でより明るいものが必要となりますので、光学設計を工夫する必要がありますが、明るさと信頼性はトレードオフの関係になる場合が多いので、バランスの難しい設計が求められます。。

最近は、機械学習を使ったLEDパッケージングの最適設計を研究しています。これまでの研究で、ニューラルネットワークなどの機械学習モデルを使用して、設計パラメータやサンプル画像から白色LEDの光学特性を予測できることがわかってきました。そこで、機械学習によるアプローチで、ＬＥＤパッケージングの解析やモデリングを行っています。例えば、材料の反射率、屈折率、形状、発光素子の明るさなどの設計パラメータから、全光束や色度などの光学特性を予測できるモデルを獲得し、そのモデルから設計パラメータの最適化を行うことができます。光線追跡シミュレーションでは、何百万本もの光線を追跡するため、高性能な計算機が必要となります。白色ＬＥＤは蛍光体を含むため計算量が多く、従来のパソコンでは場合によっては、1つのモデルに数日かかることもありました。しかし、高性能なワークステーションを使うことで、数時間で１つのモデルのシミュレーションが完了させることができます。また、ディープラーニングで、白色ＬＥＤの画像から明るさを予測する研究もしているのですが、そこでもワークステーションが活躍しています。これまでの研究では、蛍光体量とレンズ形状から、白色ＬＥＤの明るさを推定できることがわかりました。LEDを光らせて測定することなく、LED画像のみから明るさが推定できるため、本手法は画期的な設計支援ツールになるのではないかと期待しています。さらには、ニューラルネットワークがまだ設計者が気付いていないような重要な設計パラメータを教えてくれる可能性もあるのではないかと考えています。ディープニューラルネットワークによる画像の学習は計算量が非常に多く、とても時間がかかるのですが、高性能ワークステーションで計算時間を大幅に短縮することができております。

より良いモデルを得るためには、学習データを増やすことが必要となりますが、設計パラメータを振った実サンプルのデータを測定することには限界がありますので、シミュレーションで学習データを増やしていくことを考えております。将来的には、時間のかかるシミュレーションの代わりに、機械学習を用いてLEDパッケージングの最適設計を行うことを目指しております。

本製品 CERVO Deep Type-DPXS シリーズは、こちらをご覧ください。