LAMP: LLM-Augmented Multi-Task Spectral Prediction for Au-GaN Metasurfaces
本文提出了 LAMP，这是一个双支路框架，通过利用互补的上下文表示，通过一个“先对齐后融合”模块将光谱序列编码器与冻结的大语言模型相集成，从而实现针对 Au-GaN 超表面卓越的多任务光谱预测。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个这样的世界：光不再由厚重的玻璃透镜来弯曲、分裂和塑造，而是通过具有微观结构的超薄平面——其结构尺寸小于单个光波长——来进行控制。这些被称为超构表面（metasurfaces）的表面，充当了一种新型光学材料，能够以惊人的精度执行复杂任务，例如聚焦光线或改变光的颜色。为了设计这些表面，工程师必须精确理解特定的微型柱和孔洞的排列方式将如何与各种颜色的光进行交互。这种物理结构形状与光行为之间的关系极其复杂且具有非线性，这意味着设计的微小变化可能会导致光行为发生巨大且不可预测的转变。传统上，弄清这一点需要为每一个设计变体运行缓慢且耗费计算资源的模拟，这一过程使得探索新想法和优化性能成为一项极其缓慢且艰苦的任务。
南京邮电大学的研究人员开发出一种新方法，旨在加速这一过程并提高准确性。他们创建了一个名为 LAMP 的系统，即“大语言模型增强的多任务光谱预测”（LLM-Augmented Multi-Task Spectral Prediction）。该团队专注于一种由金和一种名为氮化镓的材料制成的特定类型超构表面，并在一个包含超过 56,000 种不同结构配置的海量数据集上测试了他们的方法。他们并没有依赖单一类型的计算机模型，而是将两种截然不同的思考方式结合在了一起。他们系统的第一部分是一个传统的神经网络，这是一种擅长学习精确数值模式并预测确切值的各类人工智能；另一部分则利用了大语言模型——这种技术通常与阅读和写作文本相关联，研究人员将其进行了改造，使其能够通过将参数视为一个“句子”来理解结构设计的“上下文”或整体逻辑。
其核心创新在于这两个不同系统之间是如何进行交流的。研究人员并非简单地让语言模型自行猜测答案，也并非让数值模型孤立工作。相反，他们在两者之间搭建了一座桥梁。语言模型首先读取金属结构的描述，并创建一个关于该形状所代表内容的丰富的上下文理解。这种理解随后与处理特定波长光的数值数据进行仔细对齐。一个特殊的模块确保语言模型的宏观上下文能在光谱上的每一个点上，都帮助精炼数值模型的精确计算。这使得系统能够同时预测六种不同的光学特性：透射率、反射率，以及透射波和反射波的具体相位和振幅。
在与标准方法进行对比测试时，这种结合的方法证明了其显著更高的准确性。研究人员发现，通过整合来自语言模型的上下文洞察，该系统在所有六种光学特性上的预测误差都比单独使用其中任何一种方法都要低。事实上，他们系统的最佳版本（使用了一种特定类型的语言编码器配合序列神经网络）将平均误差在所有指标上降低了超过一个分贝。这不仅仅是一个微小的改进；它代表了一种更可靠的预测光行为的方式，这对于设计更好的光学器件至关重要。研究还表明，该系统具有鲁棒性，即使在使用不同类型的语言模型或不同的底层神经网络结构时，也能保持其高性能。
这项工作表明，只要集成得当，大语言模型理解上下文的方式可以成为解决物理和工程领域难题的强大工具。通过将超构表面的设计视为一个语言模型可以阅读的“故事”，并利用这种理解来引导一个懂得数学运算的“计算器”，研究人员实现了一种单一工具都无法达到的精度水平。这为设计下一代平面光学器件提供了一条充满前景的新路径，即让人工智能的速度与物理定律的严谨性相结合，从而创造出能以空前控制力操纵光的设备。研究结果表明，虽然语言模型目前尚不足以在这一特定任务中取代传统的模拟工具，但它们是一个非常有效的合作伙伴，能够提供一种互补的视角，从而使最终结果更加精准。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。