由密歇根大学工程师开发的OptoGPT，利用支撑ChatGPT的计算机体系结构，从期望的光学特性回溯到可以提供它们的材料结构。

　　新算法设计了光学多层薄膜结构——不同材料的薄层堆叠——可以用于各种目的。精心设计的多层结构可以最大限度地吸收太阳能电池中的光，或优化望远镜中的反射。它们可以利用极紫外光改善半导体制造，并通过智能窗户使建筑物更好地调节热量，智能窗户可以根据温度变得更透明或更反光。

　　OptoGPT在0.1秒内，几乎是瞬间完成多层薄膜结构的设计。此外，与之前的型号相比，OptoGPT的设计平均减少了六层，这意味着它的设计更容易制造。

　　“设计这些结构通常需要大量的培训和专业知识，因为确定材料的最佳组合和每层的厚度并不是一件容易的事，”密歇根大学电气和计算机工程教授L. Jay Guo说，他是该研究的通讯作者，发表在《光电进展》上。

　　对于刚进入这个领域的人来说，很难知道从哪里开始。为了使光学结构的设计过程自动化，研究小组为他们自己的目的量身定制了一种转换器架构——一种用于大型语言模型(如OpenAI的ChatGPT和Google的bard)的机器学习框架。

　　“从某种意义上说，我们创造了人工句子来适应现有的模型结构，”郭说。

　　该模型将一定厚度的材料视为单词，并将其相关的光学特性编码为输入。寻找这些“词”之间的相关性，该模型预测下一个词来创建一个“短语”——在这种情况下，一个光学多层膜结构的设计——达到了期望的特性，如高反射。

　　研究人员使用包含1000个已知设计结构的验证数据集测试了新模型的性能，包括它们的材料组成、厚度和光学特性。当将OptoGPT的设计与验证集进行比较时，两者之间的差异仅为2.58%，低于训练数据集中最接近的光学特性2.96%。

　　与大型语言模型能够响应任何基于文本的问题类似，OptoGPT是在大量数据上训练的，能够很好地响应整个领域的一般光学设计任务。

　　如果研究人员专注于一项任务，比如设计一种用于辐射冷却的高效涂层，他们可以使用局部优化——在一定范围内调整变量以达到最佳结果——进一步微调厚度以提高精度。在测试过程中，研究人员发现微调将准确性提高了24%，将验证数据集与OptoGPT响应之间的差异减少到1.92%。

　　为了进一步分析，研究人员使用了一种统计技术来绘制出OptoGPT所产生的关联。

　　“神经网络的高维数据结构是一个隐藏的空间，太抽象而难以理解。我们试图在黑匣子上戳一个洞，看看发生了什么。”

　　当映射到二维空间时，材料按类型聚集，如金属和介电材料，它们是电绝缘的，但可以支持内部电场。当厚度接近10纳米时，包括半导体在内的所有电介质都会聚集在一个中心点上。从光学角度来看，这种模式是有意义的，因为无论材料如何，当它们接近如此小的厚度时，光的行为都是相似的，这有助于进一步验证OptoGPT的准确性。

　　OptoGPT被称为逆向设计算法，因为它从期望的效果开始，并向后工作到材料设计，它比以前针对特定任务开发的逆向设计算法方法提供了更大的灵活性。它使研究人员和工程师能够为广泛的应用设计光学多层膜结构。