OptoGPT réduit de 6 couches la complexité des structures optiques

Des ingénieurs américains ont mis au point un outil innovant, OptoGPT, qui pourrait transformer la conception des dispositifs optiques. Tirant parti des réseaux neuronaux transformateurs, cet outil permet de créer des structures de films multicouches avec des propriétés optiques spécifiques en un temps record.

Les fabricants de cellules solaires, de télescopes et d’autres composants optiques pourraient désormais concevoir des dispositifs plus performants plus rapidement grâce à l’intelligence artificielle. OptoGPT, développé par des ingénieurs de l’Université du Michigan, exploite l’architecture informatique qui sous-tend ChatGPT pour travailler à rebours à partir des propriétés optiques souhaitées jusqu’à la structure matérielle capable de les fournir.

Des structures de films multicouches optimisées

Le nouvel algorithme conçoit des structures de films multicouches optiques, empilant de fines couches de différents matériaux pour diverses applications.

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 également améliorer la fabrication de semi-conducteurs avec de la lumière UV extrême et rendre les bâtiments plus efficaces en régulant la chaleur grâce à des fenêtres intelligentes qui deviennent plus transparentes ou plus réfléchissantes en fonction de la température.

OptoGPT produit des conceptions de structures de films multicouches en 0,1 seconde, presque instantanément. De plus, les conceptions d’OptoGPT contiennent en moyenne six couches de moins par rapport aux modèles précédents, rendant ainsi leur fabrication plus facile.

« Concevoir 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 indiqué L. Jay Guo, professeur d’ingénierie électrique et informatique à l’Université du Michigan et auteur correspondant de l’étude publiée dans Opto-Electronic Advances.

Une approche inspirée des modèles linguistiques

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 linguistiques tels que ChatGPT d’OpenAI et Bard de Google, à ses propres fins. « En un sens, nous avons créé des phrases artificielles pour s’adapter à la structure du modèle existant », a expliqué L. Jay Guo.

Les chercheurs ont testé les performances du nouveau modèle en utilisant un jeu de validation contenant 1 000 structures de conception connues, dont leur composition matérielle, leur épaisseur et leurs propriétés optiques. Lors de la comparaison des conceptions d’OptoGPT avec le jeu de validation, la différence entre les deux n’était que de 2,58 %, inférieure aux propriétés optiques les plus proches dans le jeu de données d’entraînement à 2,96 %.

Optimisation locale pour des résultats précis

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 pour affiner davantage l’épaisseur et améliorer la précision. Lors des tests, les chercheurs ont constaté que l’affinage améliorait la précision de 24 %, réduisant la différence entre le jeu de validation et les réponses d’OptoGPT à 1,92 %.

Les chercheurs ont utilisé une technique statistique pour cartographier les associations qu’OptoGPT établit. « 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, tels que les métaux et les matériaux diélectriques, qui sont isolants électriques 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 schéma a du sens car la lumière se comporte de manière similaire quel que soit le matériau à des épaisseurs aussi petites, validant ainsi davantage la précision d’OptoGPT.

Un algorithme de conception inverse flexible

Connu sous le nom d’algorithme de conception inverse car il commence par l’effet souhaité et travaille à rebours pour une conception matérielle, OptoGPT offre plus de flexibilité que les approches précédentes d’algorithmes de conception inverse, qui étaient développées pour des tâches spécifiques. Il permet aux chercheurs et aux ingénieurs de concevoir des structures de films multicouches optiques pour une large gamme d’applications.

Légende illustration : L’OptoGPT figure sur la couverture de la revue Opto-Electronic Advances pour le numéro de juillet 2024. Crédit photo : Opto-Electronic Advances.

Autres coauteurs : Taigao Ma et Haozhu Wang de l’Université du Michigan.

L. Jay Guo est également professeur de physique appliquée, de science et d’ingénierie macromoléculaires et d’ingénierie mécanique.