Whoscored(中国·中文)官网-专注足球数据分析的专业平台

引言

光学工程领域长期依赖迭代试错方法或计算成本高昂的优化算法来设计多层薄膜结构。这些结构是无数应用中的基础组件，从智能手机相机滤光片到太阳能电池板和高性能反射镜。然而，密歇根大学研究人员的突破性进展通过人工智能的力量为这一领域带来变革。

图1：使用光学生成预训练Transformer（OptoGPT）设计多层薄膜结构的示意图，展示了自然语言处理与光学设计之间的类比关系。

光学设计中的挑战理解

OptoGPT创新

OptoGPT代表了光学设计方法论的范式转变。通过采用与ChatGPT等大型语言模型相同的transformer架构，研究人员创建了一个将光学设计视为语言翻译问题的系统。OptoGPT不是在人类语言之间翻译，而是从所需光学特性翻译到特定多层结构。

关键创新在于"结构token"和"结构序列化"的概念。每个材料和厚度的可能组合都成为一个独特的token，类似于词汇表中的单词。完整的多层结构然后表示为这些token的序列，允许transformer以自回归方式逐层生成设计。

图2：OptoGPT模型架构的详细信息，显示了仅解码器的transformer结构和自回归设计过程。

结构序列化的工作原理

训练和性能

OptoGPT在包含1000万个随机生成多层结构的大规模数据集上进行训练，每个结构都与使用严格电磁仿真计算的相应光谱配对。这个庞大的数据集仅代表可能设计空间的极小部分，但为模型学习基本光学原理和设计策略提供了足够的覆盖范围。

图3：使用t-SNE降维的隐藏空间2D可视化，展示OptoGPT如何学习材料和厚度关系。

训练过程揭示了人工智能如何发现物理原理的迷人见解。当研究人员使用降维技术可视化模型的内部表示时，发现OptoGPT自发学会区分具有不同折射率的材料。低折射率电介质聚集在一起，高折射率电介质形成另一组，金属占据不同区域。值得注意的是，模型发现不同材料的极薄层在光学上表现相似，无论其材料特性如何都将其聚集在一起。

实际应用和多功能性

OptoGPT在各种光学设计挑战中表现出色。对于光谱滤光片，模型可以设计选择性反射或透射特定波长带的结构，具有卓越的精度。当反射和透射都设置为零时，用于太阳能应用的完美吸收器自然从模型中出现。结构色应用通过干涉效应而非颜料创造鲜艳色彩，代表OptoGPT展示出色能力的另一个领域。

图4：验证数据集上的逆向设计性能结果，显示模型相对于传统方法的准确性和速度。

模型为相同设计目标生成多个不同解决方案的能力对实际制造具有重要价值。不同解决方案可能使用替代材料或厚度组合，允许工程师根据材料可用性、成本考虑或制造约束选择设计。解决方案的这种多样性解决了理论设计与实际实施之间的关键差距。

高级功能

除了基本设计任务，OptoGPT提供扩展其实用性的复杂功能。模型可以在生成过程中施加设计约束，如限制某些材料或限制特定层的厚度范围。这种约束处理通过"概率重采样"进行，在生成过程中从考虑中移除禁止的设计选择。

图5：不同应用中逆向设计人工光谱的示例，包括滤光片、吸收器和结构色。

系统还展示了对不同光学条件的出色适应性。通过在较小数据集上的微调，OptoGPT可以为角度照明或特定偏振状态设计结构。这种能力将模型的适用性扩展到光线很少以完美垂直入射到达的现实场景。

对于需要在多种条件下同时性能的应用，OptoGPT采用"混合采样"。这种技术结合来自多个专门模型的概率分布，生成在各种角度或偏振状态下同时表现良好的结构。

图6：设计灵活性的说明，显示如何在设计过程中施加约束。

未来影响和局限性

OptoGPT代表了光子技术中基础模型的出现，类似于大型语言模型如何改变自然语言处理。模型从数据而非显式编程中学习光学原理的能力为科学发现和工程设计带来新的可能性。

然而，重要局限性仍然存在。当前模型由于计算约束，使用离散化厚度步长和有限的材料调色板运行。训练数据集虽然庞大，但仅覆盖可能设计空间的极小部分。此外，模型缺乏可解释性——无法解释为什么某些设计选择比其他选择效果更好。

图7：不同角度和偏振的设计性能，通过微调展示模型的适应性。

尽管存在这些局限性，OptoGPT展示了人工智能在光学工程中的变革潜力。通过简单的光谱输入使复杂设计能力变得可及，使高级光学设计大众化并加速新光子技术的发展。

图8：不同角度和偏振的同时设计，显示复杂需求的混合采样能力。

OptoGPT的成功为光子技术和材料科学其他领域的类似方法开辟了途径。随着计算资源持续扩展和数据集不断增长，可以期待更强大和多功能的设计工具，进一步加速光学技术的创新。光学设计的未来不仅仅是计算性的——而是智能的、适应性的。

参考文献

END