論文の概要: Chat to Chip: Large Language Model Based Design of Arbitrarily Shaped Metasurfaces

• arxiv url: http://arxiv.org/abs/2509.24196v1
• Date: Mon, 29 Sep 2025 02:24:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.693551
• Title: Chat to Chip: Large Language Model Based Design of Arbitrarily Shaped Metasurfaces
• Title（参考訳）: チャット・トゥ・チップ:任意形状メタ曲面の大規模言語モデルに基づく設計
• Authors: Huanshu Zhang, Lei Kang, Sawyer D. Campbell, Douglas H. Werner,
• Abstract要約: LLMはスペクトル予測と逆設計に必要な物理的関係を学習できることを示す。 この"chat-to-chip"ワークフローは、よりユーザフレンドリーなデータ駆動ナノフォトニクスへの一歩である。
• 参考スコア（独自算出の注目度）: 1.7706010980924418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional metasurface design is limited by the computational cost of full-wave simulations, preventing thorough exploration of complex configurations. Data-driven approaches have emerged as a solution to this bottleneck, replacing costly simulations with rapid neural network evaluations and enabling near-instant design for meta-atoms. Despite advances, implementing a new optical function still requires building and training a task-specific network, along with exhaustive searches for suitable architectures and hyperparameters. Pre-trained large language models (LLMs), by contrast, sidestep this laborious process with a simple fine-tuning technique. However, applying LLMs to the design of nanophotonic devices, particularly for arbitrarily shaped metasurfaces, is still in its early stages; as such tasks often require graphical networks. Here, we show that an LLM, fed with descriptive inputs of arbitrarily shaped metasurface geometries, can learn the physical relationships needed for spectral prediction and inverse design. We further benchmarked a range of open-weight LLMs and identified relationships between accuracy and model size at the billion-parameter level. We demonstrated that 1-D token-wise LLMs provide a practical tool to designing 2-D arbitrarily shaped metasurfaces. Linking natural-language interaction to electromagnetic modelling, this "chat-to-chip" workflow represents a step toward more user-friendly data-driven nanophotonics.
• Abstract（参考訳）: 従来の準曲面設計はフルウェーブシミュレーションの計算コストによって制限されており、複雑な構成の徹底的な探索を妨げている。 データ駆動型アプローチは、このボトルネックの解決策として現れ、コストのかかるシミュレーションを高速なニューラルネットワーク評価に置き換え、メタ原子のほぼインスタント設計を可能にした。 進歩にもかかわらず、新しい光学機能を実装するには、適切なアーキテクチャとハイパーパラメータの徹底的な探索とともに、タスク固有のネットワークを構築し、訓練する必要がある。 対照的に、事前訓練された大規模言語モデル(LLMs)は、単純な微調整技術で、この面倒なプロセスをサイドステップする。 しかし、ナノフォトニックデバイス、特に任意形状の準曲面の設計にLLMを適用することは、まだ初期段階にあり、しばしばグラフィカルネットワークを必要とする。 ここでは,任意の形状の地表面構造を記述的に入力したLLMが,スペクトル予測や逆設計に必要な物理的関係を学習できることを示す。 さらに,オープンウェイト LLM の範囲をベンチマークし,精度とモデルサイズの関係を10億パラメータレベルで同定した。 我々は, 1次元トークンワイドLLMが任意の形状の2次元メタ曲面を設計するための実用的なツールであることを示した。 この"chat-to-chip"ワークフローは、自然言語による相互作用を電磁モデリングにリンクすることで、よりユーザフレンドリーなデータ駆動ナノフォトニクスへの一歩となる。

関連論文リスト

• Inverse Design in Nanophotonics via Representation Learning [0.0]
  ナノフォトの逆設計は、標的電磁応答(EM)の鍵となるツールとなっている。 機械学習(ML)が出現し、これらのボトルネックに効果的に対処している。 このレビューでは、レンズ表現学習を通じてMLを2つのカテゴリ(出力側と入力側)に分類する。
  論文  参考訳（メタデータ） (2025-07-01T08:10:05Z)
• Inverse Design of Diffractive Metasurfaces Using Diffusion Models [28.865660196923752]
  メタサーフェス(Metagrounds)は、光の正確な制御を可能にする、エンジニアリングされたサブ波長構造からなる超薄い光学素子である。 逆設計では、構造と光学特性の間の複雑な非線形関係のため、所望の光学応答をもたらす幾何を決定することは困難である。 拡散モデルの生成能力を計算設計に組み込むことにより,これらの課題に対処する。 本研究では,空間的に均一な強度スプリッタと偏光ビームスプリッタの設計に対するアプローチを示す。
  論文  参考訳（メタデータ） (2025-06-26T20:10:30Z)
• SP2RINT: Spatially-Decoupled Physics-Inspired Progressive Inverse Optimization for Scalable, PDE-Constrained Meta-Optical Neural Network Training [23.920752887898658]
  SP2RINTは、メタ光学系のための空間的に分離されたプログレッシブトレーニングフレームワークである。 シミュレーション・イン・ザ・ループのアプローチよりも1825倍高速でありながら、デジタル比較可能な精度を実現している。
  論文  参考訳（メタデータ） (2025-05-23T21:05:40Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Semi-Parametric Inducing Point Networks and Neural Processes [15.948270454686197]
  半パラメトリック誘導点ネットワーク(SPIN)は、推論時間におけるトレーニングセットを計算効率よくクエリすることができる。 SPINは、ポイントメソッドにインスパイアされたデータポイント間のクロスアテンションメカニズムを通じて、線形複雑性を実現する。 実験では,SPINはメモリ要件を低減し,様々なメタラーニングタスクの精度を向上し,重要な実用的問題である遺伝子型計算における最先端性能を向上させる。
  論文  参考訳（メタデータ） (2022-05-24T01:42:46Z)
• A Graph Deep Learning Framework for High-Level Synthesis Design Space Exploration [11.154086943903696]
  High-Level Synthesisは、アプリケーション固有の高速プロトタイピングのためのソリューションである。 本稿では,加速性能とハードウェアコストを共同で予測するグラフニューラルネットワークHLSを提案する。 提案手法は,一般的なシミュレータと同等の精度で予測できることを示す。
  論文  参考訳（メタデータ） (2021-11-29T18:17:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。