Les ingénieurs développent OptoGPT pour améliorer les cellules solaires, les fenêtres intelligentes, les télescopes et plus encore

Les fabricants de cellules solaires, de télescopes et d’autres composants optiques pourraient être en mesure de concevoir de meilleurs appareils plus rapidement grâce à l’IA. OptoGPT, développé par des ingénieurs de l’Université du Michigan, exploite l’architecture informatique sous-jacente à ChatGPT pour travailler à rebours depuis les propriétés optiques souhaitées jusqu’à la structure matérielle qui peut les fournir. L’article est publié dans la revue Progrès optoélectroniques.

Le nouvel algorithme permet de concevoir des structures de films optiques multicouches (des couches minces empilées de différents matériaux) qui peuvent servir à diverses fins. Des structures multicouches bien conçues peuvent maximiser l’absorption de la lumière dans une cellule solaire ou optimiser la réflexion dans un télescope. Elles peuvent améliorer la fabrication de semi-conducteurs avec une lumière UV extrême et améliorer la régulation de la chaleur dans les bâtiments grâce à des fenêtres intelligentes qui deviennent plus transparentes ou plus réfléchissantes en fonction de la température.

OptoGPT produit des conceptions pour des structures de films multicouches en 0,1 seconde, presque instantanément. De plus, les conceptions d’OptoGPT contiennent en moyenne six couches de moins que les modèles précédents, ce qui signifie que ses conceptions sont plus faciles à fabriquer.

« La conception de ces structures nécessite généralement une formation et une expertise approfondies, car identifier la meilleure combinaison de matériaux et l’épaisseur de chaque couche n’est pas une tâche facile », a déclaré L. Jay Guo, professeur de génie électrique et informatique à l’UM et auteur correspondant de l’étude.

Pour un novice dans le domaine, il est difficile de savoir par où commencer. Pour automatiser le processus de conception des structures optiques, l’équipe de recherche a adapté une architecture de transformateur (le cadre d’apprentissage automatique utilisé dans les grands modèles de langage comme ChatGPT d’OpenAI et Bard de Google) à ses propres besoins.

« Dans un sens, nous avons créé des phrases artificielles pour s’adapter à la structure du modèle existant », a déclaré Guo.

Le modèle traite les matériaux d’une certaine épaisseur comme des mots, en codant également leurs propriétés optiques associées comme des entrées. En recherchant des corrélations entre ces « mots », le modèle prédit le mot suivant pour créer une « phrase » (dans ce cas, une conception pour une structure de film optique multicouche) qui permet d’obtenir la propriété souhaitée, comme une réflexion élevée.

Les chercheurs ont testé les performances du nouveau modèle à l’aide d’un ensemble de données de validation contenant 1 000 structures de conception connues, y compris leur composition matérielle, leur épaisseur et leurs propriétés optiques. En comparant les conceptions d’OptoGPT à l’ensemble de validation, la différence entre les deux n’était que de 2,58 %, inférieure aux propriétés optiques les plus proches dans l’ensemble de données d’entraînement, à 2,96 %.

De la même manière que les grands modèles linguistiques sont capables de répondre à n’importe quelle question textuelle, OptoGPT est formé sur une grande quantité de données et capable de bien répondre aux tâches de conception optique générales dans l’ensemble du domaine.

Si les chercheurs se concentrent sur une tâche, comme la conception d’un revêtement à haute efficacité pour le refroidissement radiatif, ils peuvent utiliser l’optimisation locale (en ajustant les variables dans des limites pour obtenir le meilleur résultat possible) pour affiner davantage l’épaisseur afin d’améliorer la précision. Au cours des tests, les chercheurs ont constaté que le réglage fin améliore la précision de 24 %, réduisant la différence entre l’ensemble de données de validation et les réponses OptoGPT à 1,92 %.

Poursuivant l’analyse un peu plus loin, les chercheurs ont utilisé une technique statistique pour cartographier les associations établies par OptoGPT.

« La structure de données à haute dimension des réseaux neuronaux est un espace caché, trop abstrait pour être compris. Nous avons essayé de percer un trou dans la boîte noire pour voir ce qui se passait », a déclaré Guo.

Lorsqu’ils sont cartographiés dans un espace 2D, les matériaux se regroupent par type, comme les métaux et les matériaux diélectriques, qui sont électriquement isolants mais peuvent supporter un champ électrique interne. Tous les diélectriques, y compris les semi-conducteurs, convergent vers un point central lorsque l’épaisseur approche les 10 nanomètres. D’un point de vue optique, le modèle est logique car la lumière se comporte de manière similaire quel que soit le matériau lorsqu’il s’approche de ces petites épaisseurs, ce qui permet de valider davantage la précision d’OptoGPT.

Connu sous le nom d’algorithme de conception inverse car il part de l’effet souhaité et fonctionne à rebours jusqu’à la conception du matériau, OptoGPT offre plus de flexibilité que les approches d’algorithmes de conception inverse précédentes, qui ont été développées pour des tâches spécifiques. Il permet aux chercheurs et aux ingénieurs de concevoir des structures de films optiques multicouches pour un large éventail d’applications.

Les co-auteurs supplémentaires incluent Taigao Ma et Haozhu Wang de l’Université du Michigan.