OptoGPT — это новый инструмент искусственного интеллекта, основанный на архитектуре большой языковой модели, который позволяет практически мгновенно прогнозировать структуру многослойных оптических пленок для широкого спектра приложений. Как правило, проектирование конструкции такого типа требует обширных знаний и месяцев исследований. Например, использование многослойных пленок, оптимизированных с помощью искусственного интеллекта, может значительно улучшить оптические характеристики солнечных батарей и телескопов.
Многослойные оптические пленки (структуры, состоящие из тонких слоев различных материалов, наложенных друг на друга) являются ключевыми фотонными структурами в различных приложениях, включая телескопы, полупроводники, умные окна, солнечные элементы, микроскопы и многое другое.
Чтобы оптимизировать его оптические свойства, ученые использовали метод под названием «обратное проектирование». Он предполагает определение оптимального расположения различных слоев материала и наилучшего сочетания их толщин для получения желаемых оптических свойств.
Наиболее широко используемые методы обратного проектирования — это методы, основанные на численном моделировании и итеративном поиске, а также методы, использующие глубокое обучение. Однако эти методы имеют ограничения с точки зрения типа структуры или типа разработанного приложения.
Например, методы численного моделирования требуют запуска алгоритма с нуля при изменении целевого приложения, что может занять очень много времени и ресурсов. С другой стороны, глубокое обучение в настоящее время не позволяет проектировать определенные типы структур, например, структуры, в которых каждый слой состоит из разных материалов.
Более того, эти методы редко учитывают некоторые важные параметры, такие как разнообразие и гибкость. Разнообразие означает возможность предлагать несколько вариантов дизайна на основе доступных материалов, а гибкость дает вам свободу выбирать диапазон материалов, из которых состоят отдельные слои (и их толщину.
Кроме того, «Проектирование таких структур часто требует обширной подготовки и опыта, поскольку определение наилучшего сочетания материалов и толщин для каждого слоя — непростая задача», — объяснил в своем блоге профессор электротехники и компьютерной инженерии Л. Джей Мао. Университет Мичигана. Он сказал, что может быть трудно понять, с чего начать, особенно новичкам в этой области.
Го и его коллеги стремились преодолеть большинство этих проблем с помощью OptoGPT (светогенерируемого предтренировочного трансформатора). Это новый многоцелевой инструмент, который позволяет выполнять реверс-инжиниринг с большей гибкостью.
Оптимизированные конструкции всего за 0,1 секунды
О разработке нового инструмента исследователи подробно рассказывают в журнале , используя преобразователи для оптической обработки данных. Это компьютерная архитектура, изначально разработанная для автоматической обработки естественного языка и используемая в качестве основы для больших языковых моделей (LLM).
Аналогично, модель рассматривает толщину материала как слово и кодирует его оптические свойства в качестве входных данных. Входные данные используются для автоматизации или принятия решений системами искусственного интеллекта.
Обратите внимание: MIT и IBM хотят изменить наш мир с помощью искусственного интеллекта.
Находя связи между «словами», модель может предсказывать последующие слова, образуя «предложения» или, в данном случае, конструкцию многослойной оптической пленки. «В каком-то смысле мы создали искусственные предложения, соответствующие структуре существующей модели», — объяснил Го.
Было обнаружено, что OptoGPT позволяет создавать оптимизированные конструкции многослойных пленок всего за 0,1 секунды, почти мгновенно. Кроме того, в проектах в среднем на шесть слоев меньше, чем в проектах, созданных с использованием предыдущей модели. Это означает, что их проще и дешевле производить.
Чтобы оценить эффективность модели, исследователи сравнили ее конструкцию с набором из 1000 известных многослойных пленочных структур. Данные, используемые для сравнения, включают состав материала, толщину каждого слоя и его оптические свойства. Результат: разница между двумя наборами данных составляет всего 2,58%. Эта модель позволила получить пленки с оптическими свойствами всего в 2,96 ниже, чем в сравнительной базе данных.
Если модель фокусируется на одной проблеме, например, на разработке высокоэффективных покрытий для радиационного охлаждения, она может использовать локальную оптимизацию для корректировки переменных для получения наилучших результатов для этой проблемы. Это позволяет указать толщину слоев и повысить точность модели. В ходе испытаний исследователи обнаружили, что эта опция повышает точность на 24% и снижает разницу с данными проверки (использованными ранее) до 1,92 %.
Кроме того, исследователи использовали статистические методы, чтобы показать, как модель связана с несколькими фрагментами данных одновременно. Они обнаружили, что материалы группируются по типу при отображении в двухмерном пространстве. Например, когда диэлектрические материалы (включая полупроводники) имеют толщину около 10 нанометров, они собираются в центральной точке.
Эти результаты демонстрируют, что инструмент достаточно точен и универсален для проектирования многослойных оптических тонкопленочных структур для различных применений. Например, это могло бы улучшить поглощение света солнечными панелями или отражение линз телескопов. Умные окна также можно оптимизировать, чтобы они были более отражающими или прозрачными в зависимости от таких факторов, как температура здания
Больше интересных статей здесь: Новости науки и техники.