Desarrollan IA para mejorar celdas solares, ventanas inteligentes y telescopios

Los fabricantes de células solares, telescopios y otros componentes ópticos pueden diseñar mejores dispositivos más rápidamente con IA.

OptoGPT, desarrollado por ingenieros de la Universidad de Michigan, aprovecha la arquitectura informática que sustenta ChatGPT para trabajar hacia atrás desde las propiedades ópticas deseadas hasta la estructura del material que puede proporcionarlas.

El nuevo algoritmo diseña estructuras de películas ópticas multicapa (capas delgadas apiladas de diferentes materiales) que pueden servir para una variedad de propósitos.

Las estructuras multicapa bien diseñadas pueden maximizar la absorción de luz en una célula solar u optimizar la reflexión en un telescopio.

Pueden mejorar la fabricación de semiconductores con luz ultravioleta extrema y mejorar la regulación del calor de los edificios con ventanas inteligentes que se vuelven más transparentes o más reflectantes según la temperatura.

OptoGPT produce diseños para estructuras de películas multicapa en 0,1 segundos, casi instantáneamente.

Además, los diseños de OptoGPT contienen seis capas menos en promedio en comparación con los modelos anteriores, lo que significa que sus diseños son más fáciles de fabricar.

“El diseño de estas estructuras generalmente requiere una amplia capacitación y experiencia, ya que identificar la mejor combinación de materiales y el espesor de cada capa no es una tarea fácil“, dijo L. Jay Guo, profesor de ingeniería eléctrica e informática de la UM y autor del artículo.

Para alguien nuevo en este campo, es difícil saber por dónde empezar.

Para automatizar el proceso de diseño de estructuras ópticas, el equipo de investigación diseñó una arquitectura transformadora (el marco de aprendizaje automático utilizado en grandes modelos de lenguaje como ChatGPT de OpenAI y Bard de Google) para sus propios fines.

“En cierto sentido, creamos oraciones artificiales para que se ajusten a la estructura del modelo existente“, dijo Guo.

El modelo trata los materiales con un cierto espesor como palabras y también codifica sus propiedades ópticas asociadas como entradas.

Al buscar correlaciones entre estas “palabras“, el modelo predice la siguiente palabra para crear una “frase” (en este caso, un diseño para una estructura de película óptica multicapa) que logra la propiedad deseada, como una alta reflexión.

Los investigadores probaron el rendimiento del nuevo modelo utilizando un conjunto de datos de validación que contenía 1.000 estructuras de diseño conocidas, incluida su composición de material, espesor y propiedades ópticas.

Al comparar los diseños de OptoGPT con el conjunto de validación, la diferencia entre los dos fue solo del 2,58 %, inferior a las propiedades ópticas más cercanas en el conjunto de datos de entrenamiento con un 2,96 %.

De manera similar a cómo los modelos de lenguaje grandes pueden responder a cualquier pregunta basada en texto, OptoGPT está entrenado con una gran cantidad de datos y puede responder bien a tareas generales de diseño óptico en todo el campo.

Si los investigadores se concentran en una tarea, como diseñar un recubrimiento de alta eficiencia para enfriamiento radiativo, pueden usar la optimización local (ajustando las variables dentro de los límites para lograr el mejor resultado posible) para ajustar aún más el espesor y mejorar la precisión.

Durante las pruebas, los investigadores descubrieron que el ajuste fino mejora la precisión en un 24 %, lo que reduce la diferencia entre el conjunto de datos de validación y las respuestas de OptoGPT al 1,92 %.

Llevando el análisis un paso más allá, los investigadores utilizaron una técnica estadística para mapear las asociaciones que realiza OptoGPT.

“La estructura de datos de alta dimensión de las redes neuronales es un espacio oculto, demasiado abstracto para comprenderlo. Intentamos hacer un agujero en la caja negra para ver qué estaba pasando“, dijo Guo.

Cuando se mapean en un espacio 2D, los materiales se agrupan por tipo, como metales y materiales dieléctricos, que son eléctricamente aislantes pero pueden soportar un campo eléctrico interno.

Todos los dieléctricos, incluidos los semiconductores, convergen en un punto central cuando el espesor se acerca a los 10 nanómetros.

Desde una perspectiva óptica, el patrón tiene sentido ya que la luz se comporta de manera similar independientemente del material a medida que se acercan a espesores tan pequeños, lo que ayuda a validar aún más la precisión de OptoGPT.

Conocido como algoritmo de diseño inverso porque comienza con el efecto deseado y avanza hacia un diseño de material, OptoGPT ofrece más flexibilidad que los enfoques anteriores de algoritmos de diseño inverso, que se desarrollaron para tareas específicas.

Permite a investigadores e ingenieros diseñar estructuras de películas ópticas multicapa para una amplia gama de aplicaciones.

Fuente: TechXplore