OPTIAGENT: A Physics-Driven Agentic Framework for Automated Optical Design

Dit paper introduceert OPTIAGENT, een fysica-gedreven agentisch raamwerk dat Large Language Models combineert met gespecialiseerde optimalisatie en een nieuw dataset (OptiDesignQA) om geautomatiseerd en nauwkeurig optische lenzensystemen te ontwerpen, zelfs voor gebruikers zonder specifieke vakopleiding.

De kern

Stel je voor dat het ontwerpen van een camera-lens een beetje lijkt op het bouwen van een heel complex, glazen kasteel. Je moet precies weten hoe licht door de ramen (de lenzen) valt, hoe dik de muren moeten zijn, en welk soort glas je gebruikt. Als je één steen verkeerd plaatst of een raam te dik maakt, stort het hele kasteel in, of het licht komt niet waar het moet komen.

Vroeger was dit werk alleen voor echte experts: ingenieurs met jarenlange ervaring die met hun handen en intuïtie proefden en faalden tot het perfect zat.

Wat is het probleem?
De kunstmatige intelligentie (AI) van vandaag, zoals ChatGPT, is slim. Het kan overal over praten, ook over optica. Het kan je vertellen wat een lens is. Maar als je vraagt: "Bouw me nu een lens die precies zo werkt," dan faalt de AI. Het bouwt een kasteel dat er mooi uitziet op papier, maar dat in het echt niet bestaat. De muren raken elkaar, het glas is onmogelijk te maken, of het licht gaat de verkeerde kant op. De AI heeft de "theorie" in zijn hoofd, maar mist het "gevoel" voor de fysieke wereld.

De oplossing: OPTIAGENT
De auteurs van dit paper hebben een nieuwe AI-agent bedacht, genaamd OPTIAGENT. Dit is geen gewone chatbot, maar een fysiek aangedreven ontwerper.

Hier is hoe het werkt, vertaald in een simpele analogie:

1. De Leerling met een Speciale Oefening (Optical Prescription Completion)

Stel je voor dat je een leerling wilt leren bouwen. In plaats van alleen boeken te laten lezen, geef je hem een halfgebouwd kasteel en zeg je: "Hier zijn de muren en ramen, maar de deuren en de dakpannen ontbreken. Vul ze in zodat het kasteel stabiel blijft."

Dit noemen ze in het paper "Optical Prescription Completion". De AI moet niet zomaar tekst genereren, maar de ontbrekende nummers invullen in een bestaand, logisch systeem. Hierdoor leert de AI hoe de verschillende onderdelen met elkaar verbonden zijn. Als je de kromming van een lens verandert, moet de dikte van de volgende lens ook veranderen. De AI leert deze "dans" van de getallen.

2. De Strikte Bouwmeester (De Beloningssysteem)

Normaal gesproken krijgt een AI een beloning als het antwoord klinkt als een mens. Maar bij OPTIAGENT is dat niet genoeg. Ze hebben een fysieke bouwmester ingebouwd die elke poging controleert.

Deze bouwmester gebruikt een hiërarchisch beloningssysteem:

• Stap 1: De vorm. Is het antwoord wel in het juiste formaat? (Net als of je wel een bouwtekening hebt).
• Stap 2: De fysica. Zitten de muren niet in elkaar? Is er genoeg ruimte voor de lucht tussen de ramen? (Als dit niet klopt, is het project direct geslaagd).
• Stap 3: De lichttest. Als het kasteel er fysiek uitziet alsof het kan staan, laten we een lichtstraal erdoorheen gaan. Komt het licht op de juiste plek aan?
• Stap 4: De scherpte. Is het beeld scherp?

Alleen als de AI elke stap succesvol doorloopt, krijgt hij een "sterretje" (beloning). Dit dwingt de AI om niet alleen te praten over optica, maar om te denken als een natuurkundige.

3. De Snelheidsversterker (Zemax)

Zelfs de beste AI maakt soms kleine rekenfouten. Daarom werkt OPTIAGENT samen met een professionele software (Zemax) die als een fijnere schuurmachine fungeert.

• De AI bouwt het ruwe skelet van het kasteel (de basisstructuur).
• De software schuurt de laatste oneffenheden weg om het perfect te maken.

Dit is cruciaal: de AI doet het zware denkwerk om een haalbaar ontwerp te vinden, en de software zorgt voor de millimeter-perfecte afwerking.

Waarom is dit belangrijk?

Vroeger kon je alleen een lens ontwerpen als je een dure ingenieur was. Nu, met OPTIAGENT, kan iemand zonder technische achtergrond zeggen: "Ik wil een lens voor mijn drone die 400mm brandpuntsafstand heeft," en de AI levert direct een werkend ontwerp op.

Samengevat in één zin:
OPTIAGENT is een AI die niet alleen praat over hoe licht werkt, maar die echt voelt hoe licht zich gedraagt, zodat het voor iedereen mogelijk wordt om complexe camera-lenssystemen te ontwerpen alsof het een spelletje is.

Technische samenvatting

Probleemstelling

Optisch ontwerp is een fundamenteel proces in de fotonica waarbij optische elementen worden geconfigureerd om licht te manipuleren voor hoogwaardige beeldvorming. Dit is een inherent sterk niet-convex optimalisatieprobleem dat traditioneel afhankelijk is van menselijke expertise, intuïtie en iteratieve experimenten.
Hoewel Large Language Models (LLM's) over uitgebreide theoretische kennis van de optica beschikken, blijken ze tekort te schieten in het toepassen van deze kennis voor het daadwerkelijk ontwerpen van bruikbare lenzensystemen. De belangrijkste uitdagingen zijn:

• Ruimtelijke logica: LLM's missen het vermogen om de complexe geometrische interdependenties tussen oppervlakken, diktes en materialen te begrijpen.
• Fysieke haalbaarheid: Generatieve LLM's produceren vaak ontwerpen die fysiek onmogelijk zijn (bijv. intersecterende lenzen, negatieve diktes) of niet produceerbaar.
• Hoge precisie-eisen: Een kleine numerieke fout in de kromtestraal kan leiden tot catastrofale aberraties, wat een precisie vereist die tekstuele pre-training niet biedt.

Bestaande geautomatiseerde methoden (zoals evolutionaire algoritmen) zijn vaak te tijdrovend (dagen tot weken) en kampen met een gebrek aan diversiteit in de structuur.

Methodologie: OPTIAGENT

OPTIAGENT is een pionierend "agentic" framework dat optisch lensontwerp reformuleert als een doelgericht besluitvormingsproces binnen een fysiek gedreven versterkende leeromgeving (Reinforcement Learning - RL). Het framework bestaat uit drie kerncomponenten:

1. Injectie van Domeinkennis (Optical Prescription Completion):
   Om de "ruimtelijke logica" van het model te verbeteren, wordt een taak voor het invullen van ontbrekende parameters in een optisch voorschrift (prescription) gebruikt. Het model moet ontbrekende waarden (zoals stralen, diktes, materialen) voorspellen op basis van de context. Dit dwingt het model om de geometrische afhankelijkheden binnen een lenssysteem te internaliseren.

2. Fysiek Gedreven Policy Alignment (Optical Lexicographic Reward):
   In plaats van alleen tekstuele coherentie te belonen, gebruikt het framework een hiërarchische beloningssstructuur (Lexicographic Reward) die strikt is gebaseerd op fysieke wetten. Deze structuur werkt als een filter:

   • Format Reward ($R_{fmt}$): Controleert of de output voldoet aan de Optische Data Beschrijvingstaal (ODDL).
   • Structuur Reward ($R_{stru}$): Verifieert fysieke haalbaarheid (bijv. positieve diktes, geldige luchtspleten, correcte volgorde van object-stop-beeld).
   • Paraxiale Straalvervolging ($R_{ray}$): Gebruikt een differentieerbare straalvervolging-engine om te controleren of de Effectieve Brandpuntsafstand (EFFL) en de beeldvlakpositie kloppen.
   • RMS Reward ($R_{RMS}$): Evalueert de beeldkwaliteit (RMS spot radius) en wordt alleen berekend als de lagere niveaus succesvol zijn.
     De totale beloning wordt berekend via een "gating" mechanisme: hogere beloningen worden alleen toegekend als de lagere fysieke constraints zijn voldaan. Dit wordt geoptimaliseerd met DrGRPO (Group Relative Policy Optimization Done Right).

3. End-to-End Finetuning en Refinement:
   Het gegenereerde initiële ontwerp ($L_0$) door de agent dient als een hoogwaardig startpunt voor lokale optimalisatie in professionele software zoals Zemax. Dit zorgt voor de uiteindelijke, commercieel bruikbare precisie.

Dataset: OptiDesignQA

De auteurs hebben OptiDesignQA ontwikkeld, de eerste dataset specifiek voor het trainen en evalueren van LLM's in optisch lensontwerp.

• Samenstelling: 711 volledige ontwerptaken en 124 "prescription completion" taken voor training, plus 80 testtaken.
• Bronnen: Een combinatie van klassieke lenzen uit standaardhandboeken en nieuwe configuraties gegenereerd door geavanceerde globale optimalisatie-algoritmen.
• Diversiteit: De dataset dekt een breed spectrum aan specificaties (EFFL, FOV, F/#) die representatief zijn voor zowel standaard als innovatieve ontwerpen.

Resultaten

OPTIAGENT is getest tegen traditionele optimalisatie-algoritmen en state-of-the-art LLM's (zoals ChatGPT-5.2, Claude Sonnet 4.5, en Qwen3-235B).

• Success Rate (SR): OPTIAGENT bereikt een success rate van 90,1%, wat betekent dat het fysiek haalbare ontwerpen genereert die door de optische engine kunnen worden verwerkt. Dit is significant hoger dan de concurrenten (die variëren van 56% tot 81%).
• EFFL Nauwkeurigheid: Het model heeft een relatieve fout van slechts 1,0% in de Effectieve Brandpuntsafstand, vergeleken met fouten van 35-54% bij andere modellen.
• Beeldkwaliteit (RMS): Zelfs vóór de lokale optimalisatie in Zemax presteert OPTIAGENT met een RMS spot radius die een orde van grootte beter is dan die van de concurrenten.
• Efficiëntie: In tegenstelling tot evolutionaire algoritmen die dagen nodig hebben, genereert OPTIAGENT ontwerpen bijna direct.
• Ablatiestudies: De studie toont aan dat de hiërarchische beloning (eerst structuur, dan fysica, dan kwaliteit) cruciaal is. Zonder deze structuur (bijv. directe combinatie van straalvervolging en RMS) treedt training-divergentie op. Ook blijkt dat Supervised Fine-Tuning (SFT) alleen minder effectief is dan RL voor dit type fysiek redeneren.

Betekenis en Conclusie

Dit werk markeert een paradigmaverschuiving in optisch engineering:

1. Democratisering: Het stelt gebruikers zonder formele optische opleiding in staat om functionele lenzensystemen te ontwikkelen via natuurlijke taal.
2. Fysiek Bewustzijn: Het demonstreert dat LLM's succesvol kunnen worden getraind om strikte fysieke constraints te respecteren, wat eerder als een onoverkomelijke barrière werd gezien.
3. Nieuwe Standaard: Door de introductie van OptiDesignQA en de superieure prestaties, zet OPTIAGENT een nieuwe benchmark voor geautomatiseerd optisch ontwerp.

Kortom, OPTIAGENT vult de kloof tussen de theoretische kennis van LLM's en de praktische eisen van fysiek haalbaar optisch ontwerp, waardoor het een krachtig hulpmiddel wordt voor de volgende generatie optische ingenieurs.