[論文レビュー] OptoGPT: A Foundation Model for Inverse Design in Optical Multilayer Thin Film Structures

Taigao Ma, Haozhu Wang+1 more|arXiv (Cornell University)|Apr 20, 2023

Photonic and Optical Devices被引用数 7

ひとこと要約

OptoGPTは、光学的多層膜の逆設計のためのデコーダー専用トランスフォーマーファンダメンタルモデルを導入し、さまざまな材料、入射角、偏光状態において、迅速かつ柔軟に最適な層構成を生成することを可能にする。複雑な光子結晶構造の設計において高い精度と一般化性能を達成するとともに、実際の製造上の制約を統合し、既存の手法に比べて柔軟性と効率性に優れる。

ABSTRACT

Optical multilayer thin film structures have been widely used in numerous photonic applications. However, existing inverse design methods have many drawbacks because they either fail to quickly adapt to different design targets, or are difficult to suit for different types of structures, e.g., designing for different materials at each layer. These methods also cannot accommodate versatile design situations under different angles and polarizations. In addition, how to benefit practical fabrications and manufacturing has not been extensively considered yet. In this work, we introduce OptoGPT (Opto Generative Pretrained Transformer), a decoder-only transformer, to solve all these drawbacks and issues simultaneously.

研究の動機と目的

• 既存の光学的多層膜の逆設計手法に見られる、設計ターゲットや構造的配置の変化に柔軟に対応できないという限界を克服すること。
• 異なる材料、層数、光学的条件（入射角および偏光状態）において、迅速かつ一般化可能な多層構造の設計を可能にすること。
• 逆設計プロセスに実際の製造上の制約を統合し、実用的な製造可能性を向上させること。
• 再トレーニングを必要とせず、多様な光子デバイス要件に一般化可能な統合的かつスケーラブルなフレームワークを構築すること。
• ゼロショットまたは少数ショットの適応が可能な光学分野のファウンデーションモデルを確立すること。

提案手法

• OptoGPTは、多層膜構造とその光学的応答を含む大規模な合成データセットで事前学習されたデコーダー専用トランスフォーマー・アーキテクチャを採用している。
• モデルは、タスク固有の逆設計プロンプトでファインチューニングされ、入力はターゲット光学的応答（例：反射スペクトル）であり、出力は対応する層順序（材料、厚さ）である。
• トレーニングデータには、材料の組み合わせ、層数、光学的条件（入射角、偏光状態）の多様な組み合わせが含まれており、一般化性能を向上させている。
• 自己回帰的生成により、物理的に妥当で構造的に整合性のある層構成をトークン単位で逐次予測している。
• 予測応答とターゲット応答のスペクトル整合性を最適化する微分可能損失関数を用いて、エンドツーエンドのトレーニングが可能である。
• 後処理として、材料選択と厚さの離散化を実施し、製造可能性と物理的実現可能性を保証している。

実験結果

リサーチクエスチョン

• RQ1 ファウンデーションモデルのアプローチは、タスク固有の再トレーニングなしに、多様な光学的設計ターゲットに対して高い一般化性能を達成できるか？
• RQ2 1つのモデルが、異なる材料、層数、光学的設定（入射角および偏光状態）における逆設計をどの程度効果的に処理できるか？
• RQ3 製造上の制約を統合することで、生成された設計の実用性はどの程度向上するか？
• RQ4 複雑で多パラメータな設計空間において、OptoGPTは既存の逆設計手法に比べて精度と効率性で優れているか？
• RQ5 少数ショットまたはゼロショットのプロンプト提示により、OptoGPTは未学習の設計タスクにどの程度効果的に一般化できるか？

主な発見

• OptoGPTは、複雑なバンドパスフィルターやマルチバンドフィルターを含む多様なターゲット応答において、平均相対誤差が2%未満の高いスペクトル精度を達成している。
• 未学習の材料の組み合わせや層数に対しても、強力なゼロショットおよび少数ショット性能を示し、効果的な一般化を実現している。
• 物理的に実現可能で、標準的な製造プロセスと互換性がある設計を効果的に生成しており、後処理の必要性を低減している。
• OptoGPTは、勾配ベースのアプローチに比べて設計速度が著しく優れており、1回の設計あたり1秒未塔で解決を生成しているのに対し、従来の最適化手法では数分から数時間かかっていた。
• 入射角や偏光状態の変化に対しても高い性能を維持しており、光学的設定の変化に対して強いロバストネスを示している。
• アブレーションスタディの結果、多様な光学的設定で事前学習を実施することで、一般化性能と収束速度が顕著に向上することが確認された。