Новый ИИ улучшит солнечные батареи и телескопы

Инженеры Мичиганского университета разработали инструмент OptoGPT на основе искусственного интеллекта (ИИ), который может помочь производителям солнечных батарей, телескопов и других оптических компонентов быстрее создавать более совершенные устройства. Статья об этом опубликована в журнале Opto-Electronic Advances. OptoGPT проектирует многослойные оптические пленки — тонкие слои различных материалов, уложенные друг на друга — которые могут использоваться для самых разных целей. Правильно спроектированные многослойные структуры могут максимизировать поглощение света в солнечной батарее или оптимизировать отражение в телескопе. Они могут улучшить производство полупроводников с использованием ультрафиолетового излучения, а также сделать здания более энергоэффективными с помощью интеллектуальных окон, которые становятся более прозрачными или отражающими в зависимости от температуры. OptoGPT создает проекты многослойных пленок практически мгновенно, за 0,1 секунды. Кроме того, проекты OptoGPT в среднем содержат на шесть слоев меньше по сравнению с предыдущими моделями, что упрощает их производство. Обычно проектирование таких структур требует обширных знаний и опыта, поскольку определить наилучшее сочетание материалов и толщину каждого слоя — непростая задача, отметили ученые. Новичку в этой области сложно понять, с чего начать. Чтобы автоматизировать процесс проектирования оптических структур, наша исследовательская группа адаптировала архитектуру трансформатора, лежащую в основе больших языковых моделей, таких как ChatGPT от OpenAI. Модель воспринимает материалы определенной толщины как слова, а также кодирует их связанные оптические свойства в качестве входных данных. Выявляя взаимосвязи между этими «словами», модель предсказывает следующее слово для создания «фразы» — в данном случае проекта многослойной оптической пленки, — которая достигает желаемого свойства, например, высокого отражения. Исследователи проверили эффективность новой модели с помощью проверочного набора данных, содержащего 1000 известных проектных структур, включая их состав материала, толщину и оптические свойства. При сравнении проектов OptoGPT с проверочным набором разница между ними составила всего 2,58%, что ниже, чем у ближайших оптических свойств в обучающем наборе данных (2,96%). Подобно тому, как большие языковые модели могут отвечать на любые текстовые вопросы, OptoGPT обучается на большом объеме данных и хорошо справляется с общими задачами оптического проектирования в различных областях. Для достижения максимальной точности инженеры могут использовать локальную оптимизацию — настройку параметров для достижения наилучшего возможного результата. Во время тестирования исследователи обнаружили, что тонкая настройка повышает точность на 24%, уменьшая разницу между проверочным набором данных и ответами OptoGPT до 1,92%. OptoGPT, являясь алгоритмом обратного проектирования, поскольку он начинает с желаемого эффекта и работает в обратном порядке к конструкции материала, предлагает большую гибкость, чем предыдущие подходы к алгоритмам обратного проектирования, которые были разработаны для конкретных задач.