Notice bibliographique
Résumé
The arrival of ChatGPT, Google Bard, and other highly advanced artificial intelligence model show us just how brilliantly tasks can be reproduced by those engines. So, it's legitimate to wonder how our field (or any fields) might be affected in the future. We've already seen the beginnings of the possibilities, notably with LensNet [1], which provides optical designers with starting points for common cases; we can also study a solution space of certain type of lenses using deep learning [2]; and more recently, papers on the use of deep learning to simulate the entire chain of an optical system from object to final image processing, including tasks such as recognition. These latest end-to-end simulations have shown that in some cases, it is even necessary to redefine the optical optimization criteria to maximize certain computer tasks. In short, the computer doesn't necessarily need a good image in terms of MTF to perform its task. In this context, how the future will be affected or enhanced by these new AI approaches. In this presentation, I will first give a brief history of how AI has impacted optical system design since 40 years. Then I will use examples to discuss the extraordinary acceleration in works over the past 5 years, the choices that have or haven't been made, and the importance of having access to source code from publications. Finally, I will conclude with some thoughts on what may or may not lie ahead, and how we can introduce these new technologies into the training of future optical system designers. [1] Geoffroi Côté, Jean-François Lalonde, and Simon Thibault, "Deep learning-enabled framework for automatic lens design starting point generation," Opt. Express 29, 3841-3854 (2021). [2] Geoffroi Côté, Yueqian Zhang, Christoph Menke, Jean-François Lalonde, and Simon Thibault, "Inferring the solution space of microscope objective lenses using deep learning," Opt. Express 30, 6531-6545 (2022).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,011 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».