太陽電池、スマートウィンドウ、望遠鏡などの改良のためのOptoGPT

August, 19, 2024, Austin--大規模な言語モデルを支えるトランスフォーマーニューラルネットワークを活用することで、エンジニアは必要な光学特性を持つ材料のレシピを得ることができる。

太陽電池や望遠鏡などの光学部品メーカーは、AIを活用してより優れたデバイスをより迅速に設計できるかもしれない。

ミシガン大学のエンジニアによって開発されたOptoGPTは、ChatGPTを支えるコンピュータアーキテクチャを利用して、目的の光学特性からそれらを提供できる材料構造まで逆方向に働く。

新しいアルゴリズムは、様々な目的に役立つ光学多層膜構造(多様な材料の薄い層を積み重ねたもの)を設計する。適切に設計された多層構造は、太陽電池での光吸収を最大化したり、望遠鏡での反射を最適化したりすることができる。極端な紫外線による半導体製造の改善や、温度に応じて透明度や反射率を高めるスマートウィンドウにより、建物の熱調節能力を高めることができる。

OptoGPT は、0.1 秒以内に、ほぼ瞬時に多層膜構造の設計を生成する。さらに、OptoGPT の設計は、以前のモデルと比較して平均で 6 層少ないため、設計が製造しやすくなっている。
「これらの構造を設計するには、通常、広範なトレーニングと専門知識が必要になる。材料の最適な組み合わせと各層の厚さを特定することは簡単な作業ではない」と、ミシガン大学の電気およびコンピューター工学教授、Opto-Electronic Advancesに掲載された研究の責任著者、L.Jay Guoは話している。

この分野への新参者にとっては、どこから始めればよいかを知るのは難しい。光学構造の設計プロセスを自動化するために、研究チームは、OpenAI の ChatGPT や Google の Bard などの大規模言語モデルで使用される機械学習フレームワークであるトランスフォーマ アーキテクチャを独自の目的に合わせて調整した。

「ある意味で、既存のモデル構造に合うように人工的な文章を作成した」(Guo)。

このモデルは、特定の厚さの材料を単語として扱い、それらに関連する光学特性も入力としてエンコードする。この「言葉」の相関関係を探ることで、次に言葉を予測して「フレーズ」、この場合は光学多層膜構造の設計書を作成し、高反射などの所望の特性を実現する。

研究者は、材料組成、厚さ、光学特性など、1,000の既知の設計構造を含む検証データセットを使用して、新しいモデルの性能をテストした。OptoGPTの設計と検証セットを比較すると、両者の差はわずか2.58%で、トレーニングデータセットで最も近い光学特性の2.96%よりも低くなっている。

大規模言語モデルがテキストベースの質問に応答できるのと同様に、OptoGPTは大量のデータでトレーニングされており、フィールド全体の一般的な光学設計タスクにうまく応答できる。

研究者が放射冷却用の高効率コーティングの設計などのタスクに集中している場合、局所最適化(可能な限り最良の結果を得るために範囲内で変数を調整する)を使用して、厚さをさらに微調整して精度を向上させることができる。テスト中、研究者は、微調整により精度が24%向上し、検証データセットとOptoGPT応答の差が1.92%に減少することを発見した。

分析をさらに一歩進めて、研究チームは統計的手法を使用して、OptoGPTが行う関連性をマッピングした。

「ニューラルネットワークの高次元データ構造は隠された空間であり、抽象的すぎて理解できない。何が起こっているのかを見るために、ブラックボックスに穴を開けようとした」(Guo)。

2D 空間にマッピングすると、材料は金属や誘電体材料など、電気的に絶縁性がありながら内部電界をサポートできるタイプごとにクラスター化される。半導体を含むすべての誘電体は、厚さが10nmに近づくと中心点に収束する。光学的な観点からは、光は物質に関係なく、このような小さな厚さに近づくと同じように振る舞うため、このパターンは理にかなっている。これは、OptoGPTの精度をさらに検証するのに役立つ。

OptoGPTは、目的の効果から始まり、材料設計に逆方向に作用するため、逆解法設計アルゴリズムとして知られており、特定のタスク用に開発された以前の逆解法設計アルゴリズムアプローチよりも柔軟性がある。これにより、研究者やエンジニアは、幅広いアプリケーション向けの光学多層膜構造を設計できる。