OptoGPT, новый инструмент искусственного интеллекта, основанный на архитектуре больших языковых моделей, позволяет практически мгновенно предсказывать структуры многослойных оптических пленок для широкого спектра применения. Обычно для проектирования такого типа структур требуются глубокие знания и месяцы исследований. Многослойные пленки, оптимизированные с помощью искусственного интеллекта, могут, например, значительно улучшить оптические свойства солнечных батарей и телескопов.
Многослойные оптические пленки (структуры, состоящие из тонких слоев различных материалов, уложенных один на другой) являются важнейшими фотонными структурами в самых разных областях применения, таких как телескопы, полупроводники, умные окна, солнечные батареи, микроскопы и так далее.
Чтобы оптимизировать их оптические свойства, ученые используют технику, называемую «обратным проектированием». Она заключается в определении оптимального расположения различных слоев материалов и наилучших сочетаний их толщины для получения желаемых оптических свойств.
Среди наиболее широко используемых методов обратного проектирования — те, что основаны на численном моделировании и итерационном поиске, а также те, что используют глубокое обучение. Однако эти методы имеют ограничения в отношении типов проектируемых структур или типов приложений.
Например, методы численного моделирования требуют запуска алгоритма с нуля при изменении целевого приложения, что может потребовать много времени и ресурсов. С другой стороны, глубокое обучение в настоящее время не позволяет проектировать определенные типы структур, например, состоящих из разных материалов в каждом слое.
Кроме того, эти методы редко учитывают некоторые важные параметры, такие как разнообразие и гибкость. Под разнообразием понимается возможность предложить несколько вариантов конструкции на основе имеющихся материалов, а гибкость позволяет произвольно выбирать набор материалов (и их толщину), из которых состоят различные слои.
Кроме того, "проектирование таких структур обычно требует обширной подготовки и опыта, поскольку определение оптимального сочетания материалов и толщины каждого слоя — непростая задача", — объясняет Л. Джей Го, профессор электротехники и вычислительной техники, в блоге Мичиганского университета. По его словам, иногда трудно понять, с чего начать, особенно новичку в этой области.
Го и его коллеги стремятся преодолеть большинство этих проблем с помощью OptoGPT (Opto Generative Pretrained Transformer). Это новый многоцелевой инструмент, позволяющий более гибко выполнять инверсные проектирования.
Для разработки нового инструмента исследователи, о котором подробно рассказывается в журнале Opto-Electronic Advances, адаптировали трансформатор для обработки оптических 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 материалов как слова и кодирует их оптические свойства как входные данные. Входные данные используются для автоматизации или принятия решений системой искусственного интеллекта. Находя взаимосвязи между «словами», модель предсказывает последующие слова, формируя «предложение» или, в данном случае, конструкцию многослойной оптической пленки. "В некотором смысле мы создали искусственные предложения, чтобы они соответствовали структуре существующей модели", — объясняет Го. Диаграмма, показывающая процесс OptoGPT, который комбинирует возможные материалы и толщину неопределенного слоя в формате, который можно запустить через программу для выбора наилучшей комбинации.
Было обнаружено, что OptoGPT создает оптимизированный дизайн многослойных пленок всего за 0,1 секунды, практически мгновенно. Более того, такие конструкции содержат в среднем на шесть слоев меньше, чем те, которые были созданы с помощью предыдущих моделей. Это означает, что они проще и дешевле в производстве.
Чтобы оценить эффективность модели, исследователи сравнили ее конструкции с набором из 1000 известных многослойных пленочных структур. Данные для сравнения включали состав материалов, толщину каждого слоя и их оптические свойства. Результат: разница между двумя наборами данных составила всего 2,58 %. Оптические свойства пленок, созданных моделью, оказались всего на 2,96 % ниже, чем в базе данных сравнения.
Если модель фокусируется на одной задаче, например, на разработке высокоэффективного покрытия для радиационного охлаждения, она может использовать локальную оптимизацию для настройки переменных с целью достижения наилучшего результата для данной задачи. Это позволяет уточнить толщину слоев и повысить точность модели. В ходе испытаний исследователи обнаружили, что эта опция повышает точность на 24 % и снижает разницу с данными проверки (использовавшимися ранее) до 1,92 %.
Кроме того, исследователи использовали статистический метод для отображения того, как модель связывает несколько частей данных одновременно. Они обнаружили, что при отображении в двумерном пространстве материалы группируются по типам. Например, диэлектрические материалы (включая полупроводники) группируются в центральной точке, когда их толщина составляет около 10 нанометров.
Эти результаты свидетельствуют о том, что инструмент достаточно точен и универсален для проектирования многослойных оптических пленочных структур для широкого спектра приложений. Например, это может улучшить поглощение света солнечными батареями или отражение линзами телескопов. Умные окна также могут быть оптимизированы, чтобы быть более отражающими или более прозрачными в зависимости от температуры в здании и т.д.