การออกแบบแสงที่ใช้เวลาหลายเดือนจะกลายเป็น "2 วินาที"? ความตื่นตะลึงของ AI × เมทาเซอร์เฟซ

"การออกแบบแสงจาก 'งานฝีมือ' สู่ 'พรอมพ์'"—LLM เปลี่ยนการออกแบบเมตาซีเฟสจาก "หลายเดือน→ทันที"

เลนส์ออปติคอล, VR/AR, โฮโลกราฟี, และแม้กระทั่งการใช้งานทางการแพทย์และการป้องกัน เทคโนโลยีที่ "ควบคุมแสง" ในยุคปัจจุบันได้เข้ามาเป็นส่วนสำคัญในชีวิตและอุตสาหกรรมของเรา ตั้งแต่กล้องสมาร์ทโฟนไปจนถึงการวัดในอุตสาหกรรม

ในขณะเดียวกัน การออกแบบชิ้นส่วนออปติคอลที่เป็นรากฐานยังคงพึ่งพาการจำลองที่หนักและความรู้เฉพาะทางอย่างมาก ซึ่งมักจะเป็นคอขวดที่ทำให้ "ไม่สามารถลองได้เร็ว"

ข่าวที่อาจเปลี่ยนบรรยากาศนี้ได้ถูกเผยแพร่เมื่อวันที่ 5 มกราคม 2026 ทีมวิจัยจากมหาวิทยาลัยเพนซิลเวเนียสเตต (Penn State) ในสหรัฐอเมริกาได้เสนอวิธีการออกแบบที่ใช้ LLM (โมเดลภาษาขนาดใหญ่) ซึ่งสามารถย่อเวลาการออกแบบเมตาซีเฟสจาก "หลายสัปดาห์ถึงหลายเดือน" เหลือเพียง "วินาทีถึงมิลลิวินาที" เป้าหมายไม่ใช่แค่การเร่งความเร็วแต่คือการเปลี่ยนแปลงวัฒนธรรมการออกแบบให้เป็น "การออกแบบนาโนออปติคส์ที่สามารถเข้าถึงได้มากขึ้น"Phys.org

เมตาซีเฟสคืออะไร

เมตาซีเฟสคือโครงสร้างเทียมที่จัดเรียงโครงสร้างละเอียด (scatterers) ในระดับที่เล็กกว่าความยาวคลื่น (subwavelength) บนพื้นผิว เพื่อควบคุมแอมพลิจูด, เฟส, และโพลาไรเซชันของแสงในท้องถิ่นหากออกแบบได้ดี ฟังก์ชันที่เคยต้องใช้เลนส์หนาหรือระบบออปติคอลหลายชิ้นสามารถถูกแทนที่หรือรวมเข้าด้วยกันในพื้นผิวบางๆ ได้ ตัวอย่างที่ชัดเจนคือเมตาเลนส์และโฮโลกราฟิกอิมเมจเจอร์arXiv

อย่างไรก็ตาม การ "ออกแบบได้ดี" นั้นเป็นเรื่องยาก เพียงแค่เปลี่ยนแปลงรูปร่างเล็กน้อยก็สามารถเปลี่ยนแปลงสเปกตรัมการส่งผ่านและการสะท้อนได้อย่างมาก พื้นที่การออกแบบมีมิติสูง การค้นหาจนถึงประสิทธิภาพที่เหมาะสมต้องลองตัวเลือกมากมาย

อุปสรรคเดิม: ความหนักของการจำลองสนามแม่เหล็กไฟฟ้าแบบเต็มคลื่น

ในอดีต การประเมินเมตาซีเฟสมักใช้ตัวแก้ปัญหาสนามแม่เหล็กไฟฟ้าแบบ "เต็มคลื่น" เช่น FDTD (วิธีความแตกต่างจำกัดในโดเมนเวลา) หรือ FEM (วิธีองค์ประกอบจำกัด) แม้ว่าความแม่นยำจะสูง แต่การคำนวณในแต่ละรอบการออกแบบนั้นหนัก ยิ่งอุปกรณ์มีขนาดใหญ่หรือมีหลายฟังก์ชัน เวลาที่ใช้ก็ยิ่งมากขึ้นเป็นวันหรือสัปดาห์arXiv

ในช่วงหลังๆ การใช้โมเดลตัวแทน (surrogate model) ที่ใช้การเรียนรู้เชิงลึก (DNN) ได้รับความนิยมมากขึ้น หลังจากการเรียนรู้แล้ว สามารถทำนายการตอบสนองได้อย่างรวดเร็วแม้ในรูปแบบที่ไม่เคยเห็นมาก่อน แต่ก็ยังมีอุปสรรคอื่น

**"สำหรับวัตถุประสงค์ใหม่ (ฟังก์ชันออปติคอลใหม่) มักจะต้องเตรียมข้อมูลการเรียนรู้ ออกแบบเครือข่าย และค้นหาพารามิเตอร์ไฮเปอร์ ซึ่งยังคงต้องการความเชี่ยวชาญในด้านการเรียนรู้ของเครื่อง"**arXiv

แนวทางใหม่: ใช้ LLM เป็น "ตัวทำนาย/ออกแบบเมตาซีเฟส"

ทีมจาก Penn State ได้นำเสนอการใช้ LLM ไม่ใช่เพื่อ "สร้างข้อความ" แต่เพื่อทำนายการตอบสนองทางแสง (สเปกตรัม) จากรูปทรงเมตาซีเฟสและยังใช้เป็นเครื่องมือในการออกแบบย้อนกลับ (inverse design) ที่สร้างรูปทรงจากการตอบสนองที่ต้องการPhys.org

มีสองปัจจัยสำคัญ

1. แสดงรูปทรงเป็น "ลำดับภาษา"
   การวิจัยนี้แสดงเมตาซีเฟสในรูปแบบ "ตารางจุดควบคุม (control points)" ทำให้เกิดความสมมาตร→การแทรก→การทำให้เป็นสองค่า→การประมวลผลทางสัณฐานวิทยาเพื่อปรับแต่งมาสก์ จากนั้นดันออกมาเป็นชั้นซิลิคอน (เช่น หนา 200 นาโนเมตร) และวิเคราะห์โครงสร้างบนฐานแก้วด้วย FDTD เพื่อสร้างข้อมูลคู่ของรูปทรงและสเปกตรัมarXiv

2. การออกแบบการเรียนรู้เพื่อให้ LLM "ทำงานด้านตัวเลข"
   LLM ได้รับการฝึกให้รับตารางจุดควบคุมเป็นพรอมพ์และคืนค่า "อัตราการส่งผ่าน 31 จุดในช่วง 1050-1600 นาโนเมตร" เป็นลำดับตัวเลข นอกจากนี้ยังใช้การปรับแต่งที่มีประสิทธิภาพของพารามิเตอร์เช่น LoRA เพื่อทำให้ LLM เป็น "ตัวทำนายที่ใช้งานได้" ด้วยทรัพยากรการคำนวณที่เป็นจริงarXiv
   
   

"การตอบกลับในวินาที" จะเปลี่ยนอะไร: วงจรการออกแบบที่แตกหัก (ในทางที่ดี)

ตามที่อธิบายในบทความ การทำนายโดยใช้ Llama-3.1-8B ที่ปรับแต่งแล้วใช้เวลาประมาณ 2 วินาทีบน RTX 2080 Ti หนึ่งตัว ซึ่งเร็วกว่าการวิเคราะห์แบบเต็มคลื่นบนคลัสเตอร์ CPU ถึง 60 เท่าarXiv

บทความใน Phys.org อธิบายว่า LLM สามารถย่อเวลาจาก "หลายเดือน" เป็น "วินาที" ในพื้นที่ที่เคยต้องการเวลาและความเชี่ยวชาญ และยังระบุว่ามีการตรวจสอบด้วยการออกแบบที่สร้างแบบสุ่มกว่า 45,000 รายการPhys.org

สิ่งที่สำคัญคือ การเปลี่ยนแปลง "วิธีการออกแบบ" มากกว่าความเร็ว

เมื่อการออกแบบช้า คนมักจะเลือก "รูปทรงที่ปลอดภัย (เช่น ทรงกระบอก, ลูกบาศก์)" เพื่อลดจำนวนการสำรวจ แต่เมื่อการออกแบบเร็วขึ้นสามารถลอง "รูปทรงอิสระ (free-form)" ได้มากขึ้น บทความยังกล่าวถึงความสามารถในการเพิ่มประสิทธิภาพของรูปทรงที่มีความอิสระสูงที่ไม่ถูกจำกัดด้วยรูปทรงมาตรฐาน ซึ่งในอดีตการปรับให้เหมาะสมไม่เป็นจริงPhys.org

การออกแบบย้อนกลับ (inverse design): สร้างรูปทรงจากสเปกตรัมที่ต้องการ

อีกหนึ่งจุดสำคัญของการวิจัยนี้คือการออกแบบย้อนกลับ

เมื่อป้อนสเปกตรัมการส่งผ่าน 31 จุดที่ต้องการ LLM จะสร้างตารางจุดควบคุมที่สอดคล้องกันและสร้างรูปทรงที่เป็นไปได้ จากการประเมินการออกแบบย้อนกลับในบทความ พบว่า "ตัวอย่างทดสอบกว่า88% มีค่า MSE ต่ำกว่าค่าขีดจำกัดที่กำหนด"arXiv

เมื่อสิ่งนี้เข้าใกล้การใช้งานจริง ประตูการออกแบบจะเปิดกว้างขึ้น

จากความต้องการเช่น "ต้องการคุณสมบัติการส่งผ่านในช่วงความยาวคลื่นนี้" หรือ "ต้องการตอบสนองเงื่อนไขนี้ในแอปพลิเคชันนี้"สามารถสร้าง "การคาดเดารูปทรง" ก่อนและใช้ตัวแก้ปัญหาที่มีความแม่นยำสูงในขั้นตอนสุดท้าย บทความยังบอกเป็นนัยว่า การใช้ LLM เป็น "การประเมินขั้นแรกที่รวดเร็ว" และใช้ตัวแก้ปัญหาหรือเครือข่ายเฉพาะในขั้นตอนสุดท้ายเป็นทางปฏิบัติarXiv

แต่ไม่ใช่ทุกอย่างที่สมบูรณ์แบบ: "นิสัยพูดคุย" ของ LLM อาจเป็นอุปสรรค

สิ่งที่น่าสนใจคือ มีการระบุอย่างชัดเจนว่า "ไม่ใช่ทุก LLM จะทำงานได้ดีในลักษณะเดียวกัน" ในบทความมีการกล่าวถึงตัวอย่างที่เมื่อปรับแต่งโมเดลที่เน้นการอนุมาน (reasoning)ไม่ได้คืนลำดับตัวเลขในรูปแบบที่กำหนด แต่กลับให้ "คำอธิบายที่ขอข้อมูลเพิ่มเติม" นั่นคือ โมเดลที่เก่งในด้านการสนทนาอาจ "ออกนอกเรื่องอย่างสุภาพ" ในงานการถดถอยตัวเลขarXiv

นี่เป็นจุดที่ต้องระวังเมื่อรวม LLM เข้ากับการออกแบบทางวิศวกรรม

"รักษารูปแบบการส่งออก" "ให้ตัวเลขโดยไม่พูดมาก" "ไม่ผสมคำอธิบายที่ไม่จำเป็น"—การควบคุมเหล่านี้ใกล้เคียงกับความต้องการของ "วิศวกรรมที่เข้มงวด" มากกว่าการใช้ AI สร้างสรรค์ทั่วไป

ผลกระทบทางอุตสาหกรรม: สู่ระบบออปติคอลที่บาง เบา และฉลาดขึ้น

ใน Phys.org ได้กล่าวถึงว่าการเพิ่มประสิทธิภาพที่รวดเร็วนี้อาจสนับสนุนการผลิตและการใช้งานของระบบ