Begrijpen hoe materie interageert met licht - de optische eigenschappen ervan - is van cruciaal belang in een groot aantal energie- en biomedische technologieën, zoals gerichte toediening van medicijnen, kwantum stippen, verbranding van de brandstof, en kraken van biomassa. Maar het berekenen van deze eigenschappen is rekenintensief, en het omgekeerde probleem - het ontwerpen van een structuur met gewenste optische eigenschappen - is nog moeilijker.

Nu hebben wetenschappers van Berkeley Lab een machine learning-model ontwikkeld dat voor beide problemen kan worden gebruikt:het berekenen van optische eigenschappen van een bekende structuur en, omgekeerd, het ontwerpen van een structuur met gewenste optische eigenschappen. Hun studie werd gepubliceerd in Celrapporten Fysische Wetenschap .

"Ons model presteert bidirectioneel met hoge nauwkeurigheid en de interpretatie ervan herstelt kwalitatief de fysica van hoe metaal en diëlektrische materialen interageren met licht, " zei corresponderende auteur Sean Lubner.

Lubner merkt op dat het begrijpen van stralingseigenschappen (inclusief optische eigenschappen) in de natuurlijke wereld even belangrijk is voor het berekenen van de impact van aerosolen zoals zwarte koolstof op klimaatverandering.

Het in deze studie voorgestelde machine learning-model is getraind op spectrale emissiegegevens van bijna 16, 000 deeltjes van verschillende vormen en materialen die experimenteel kunnen worden vervaardigd.

"Ons machine learning-model versnelt het inverse ontwerpproces met ten minste twee tot drie ordes van grootte in vergelijking met de traditionele methode van inverse ontwerp, " zei co-auteur Ravi Prasher, die ook Berkeley Lab's Associate Director voor Energy Technologies is.

Mahmoud Elzouka, Karel Yang, en Adriaan Albert, alle wetenschappers in Berkeley Lab's Energy Technologies Area, waren ook co-auteurs.