.
Fabricantes de células solares, telescópios e outros componentes ópticos podem projetar dispositivos melhores mais rapidamente com IA.
O OptoGPT, desenvolvido por engenheiros da Universidade de Michigan, aproveita a arquitetura de computador que sustenta o ChatGPT para trabalhar de trás para frente, das propriedades ópticas desejadas até a estrutura do material que pode fornecê-las.
O novo algoritmo projeta estruturas ópticas de filme multicamadas — camadas finas empilhadas de diferentes materiais — que podem servir a uma variedade de propósitos. Estruturas multicamadas bem projetadas podem maximizar a absorção de luz em uma célula solar ou otimizar a reflexão em um telescópio. Elas podem melhorar a fabricação de semicondutores com luz UV extrema e tornar os edifícios melhores na regulação do calor com janelas inteligentes que se tornam mais transparentes ou mais reflexivas dependendo da temperatura.
A OptoGPT produz designs para estruturas de filme multicamadas em 0,1 segundos, quase instantaneamente. Além disso, os designs da OptoGPT contêm seis camadas a menos em média, em comparação aos modelos anteriores, o que significa que seus designs são mais fáceis de fabricar.
“Projetar essas estruturas geralmente requer treinamento e experiência extensivos, pois identificar a melhor combinação de materiais e a espessura de cada camada não é uma tarefa fácil”, disse L. Jay Guo, professor de engenharia elétrica e de computação da UM e autor correspondente do estudo publicado em Avanços optoeletrônicos.
Para alguém novo no campo, é difícil saber por onde começar. Para automatizar o processo de design para estruturas ópticas, a equipe de pesquisa adaptou uma arquitetura de transformador — a estrutura de aprendizado de máquina usada em grandes modelos de linguagem como o ChatGPT da OpenAI e o Bard do Google — para seus próprios propósitos.
“De certa forma, criamos frases artificiais para se adequar à estrutura do modelo existente”, disse Guo.
O modelo trata materiais em uma certa espessura como palavras, também codificando suas propriedades ópticas associadas como entradas. Buscando correlações entre essas “palavras”, o modelo prevê a próxima palavra para criar uma “frase” — neste caso, um design para uma estrutura de filme multicamadas ópticas — que atinge a propriedade desejada, como alta reflexão.
Os pesquisadores testaram o desempenho do novo modelo usando um conjunto de dados de validação contendo 1.000 estruturas de design conhecidas, incluindo sua composição de material, espessura e propriedades ópticas. Ao comparar os designs do OptoGPT com o conjunto de validação, a diferença entre os dois foi de apenas 2,58%, menor do que as propriedades ópticas mais próximas no conjunto de dados de treinamento em 2,96%.
Semelhante a como grandes modelos de linguagem são capazes de responder a qualquer pergunta baseada em texto, o OptoGPT é treinado em uma grande quantidade de dados e é capaz de responder bem a tarefas gerais de design óptico em todo o campo.
Se os pesquisadores estiverem focados em uma tarefa, como projetar um revestimento de alta eficiência para resfriamento radiativo, eles podem usar otimização local — ajustando variáveis dentro dos limites para atingir o melhor resultado possível — para ajustar ainda mais a espessura para melhorar a precisão. Durante os testes, os pesquisadores descobriram que o ajuste fino melhora a precisão em 24%, reduzindo a diferença entre o conjunto de dados de validação e as respostas do OptoGPT para 1,92%.
Levando a análise um passo adiante, os pesquisadores usaram uma técnica estatística para mapear as associações que o OptoGPT faz.
“A estrutura de dados de alta dimensão das redes neurais é um espaço oculto, abstrato demais para ser compreendido. Tentamos fazer um buraco na caixa preta para ver o que estava acontecendo”, disse Guo.
Quando mapeados em um espaço 2D, os materiais se agrupam por tipo, como metais e materiais dielétricos, que são eletricamente isolantes, mas podem suportar um campo elétrico interno. Todos os dielétricos, incluindo semicondutores, convergem para um ponto central à medida que a espessura se aproxima de 10 nanômetros. De uma perspectiva óptica, o padrão faz sentido, pois a luz se comporta de forma semelhante, independentemente do material, à medida que se aproximam de espessuras tão pequenas, ajudando a validar ainda mais a precisão do OptoGPT.
Conhecido como um algoritmo de design inverso porque começa com o efeito desejado e trabalha de trás para frente para um design de material, o OptoGPT oferece mais flexibilidade do que abordagens anteriores de algoritmo de design inverso, que foram desenvolvidas para tarefas específicas. Ele permite que pesquisadores e engenheiros projetem estruturas de filme multicamadas ópticas para uma ampla gama de aplicações.
Este trabalho foi financiado em parte pela National Science Foundation (PFI-008513 e FET-2309403).
Coautores adicionais: Taigao Ma e Haozhu Wang, da Universidade de Michigan.
L. Jay Guo também é professor de física aplicada, ciência e engenharia macromolecular e engenharia mecânica.
.
