工程师开发 OptoGPT 用于改进太阳能电池、智能窗户、望远镜等
太阳能电池、望远镜和其他光学元件制造商或许能够利用人工智能更快地设计出更好的设备。密歇根大学工程师开发的 OptoGPT 利用 ChatGPT 所依赖的计算机架构，从所需的光学特性逆向推导可以提供这些特性的材料结构。该论文发表在《光电进展》杂志上。新算法设计了光学多层膜结构（堆叠不同材料的薄层），可用于多种用途。精心设计的多层结构可以最大限度地提高太阳能电池的光吸收率或优化望远镜的反射率。它们可以利用极紫外光改善半导体制造，并通过智能窗户使建筑物更好地调节热量，这些窗户会根据温度变得更透明或更具反射性。
OptoGPT 可在 0.1 秒内几乎瞬间生成多层薄膜结构的设计。此外，与之前的型号相比，OptoGPT 的设计平均少了 6 层，这意味着其设计更易于制造。
“设计这些结构通常需要大量的培训和专业知识，因为确定最佳的材料组合以及每层的厚度并非易事，”密歇根大学电气与计算机工程教授兼研究通讯作者 L. Jay Guo 表示。
对于刚进入该领域的人来说，很难知道从哪里开始。为了实现光学结构设计过程的自动化，研究团队根据自己的目的定制了一个转换器架构（OpenAI 的 ChatGPT 和 Google 的 Bard 等大型语言模型中使用的机器学习框架）。
“从某种意义上说，我们创建了人工句子来适应现有的模型结构，”郭说。
该模型将一定厚度的材料视为单词，并将其相关的光学特性编码为输入。通过寻找这些“单词”之间的相关性，该模型可以预测下一个单词以创建一个“短语”——在本例中是光学多层膜结构的设计——以实现所需的特性，例如高反射率。
OptoGPT 模型的详细信息。（a）我们的 OptoGPT 模型架构，它是一个仅解码器的变压器。更多详细信息可在 SI 1.3 中找到。（b）我们的 OptoGPT 模型的工作图。（c）自回归设计流程图。在设计第 i 层时，我们从概率输出中抽样以获取分层信息。此设计过程将一直持续，直到达到最大层 20 或采样“EoS”。来源：Opto-Electronic Advances (2024)。DOI：10.29026/oea.2024.240062
研究人员使用包含 1,000 种已知设计结构（包括其材料成分、厚度和光学特性）的验证数据集测试了新模型的性能。将 OptoGPT 的设计与验证集进行比较时，两者之间的差异仅为 2.58%，低于训练数据集中最接近的光学特性的 2.96%。
与大型语言模型能够回答任何基于文本的问题的方式类似，OptoGPT 经过大量数据训练，能够很好地响应整个领域的一般光学设计任务。
如果研究人员专注于一项任务，例如设计用于辐射冷却的高效涂层，他们可以使用局部优化（在一定范围内调整变量以获得最佳结果）来进一步微调厚度以提高准确性。在测试过程中，研究人员发现微调可将准确度提高 24%，从而将验证数据集与 OptoGPT 响应之间的差异缩小至 1.92%。
研究人员进一步进行分析，使用统计技术绘制出 OptoGPT 所建立的关联。
“神经网络的高维数据结构是一个隐藏的空间，太抽象了，很难理解。我们试图在黑匣子上戳一个洞，看看到底发生了什么。”郭说。
当在二维空间中映射时，材料会按类型聚集，例如金属和介电材料，这些材料是电绝缘的，但可以支持内部电场。当厚度接近 10 纳米时，所有电介质（包括半导体）都会汇聚到一个中心点。从光学角度来看，这种模式是有意义的，因为无论材料如何，光在接近如此小的厚度时都会表现出类似的行为，这有助于进一步验证 OptoGPT 的准确性。
OptoGPT 被称为逆向设计算法，因为它从期望的效果开始，然后反向进行材料设计。与之前为特定任务开发的逆向设计算法相比，它提供了更大的灵活性。它使研究人员和工程师能够为广泛的应用设计光学多层膜结构。
其他合著者包括密歇根大学的 Taigao Ma 和 Haozhu Wang。
页:
[1]