Machine learning en kunstmatige intelligentie worden steeds vaker gebruikt in materiaalwetenschappelijk onderzoek. Bijvoorbeeld, MIT universitair hoofddocent materiaalkunde en techniek Juejun "JJ" Hu heeft een algoritme ontwikkeld dat de prestaties van een op chips gebaseerde spectrometer verbetert, en Atlantic Richfield universitair hoofddocent energiestudies Elsa A. Olivetti bouwde een kunstmatige-intelligentiesysteem dat door wetenschappelijke artikelen bladert om materiaalwetenschappelijke 'recepten' af te leiden.

Deze en andere MIT-professoren, evenals keynote spreker Brian Storey, directeur van het ontwerp en de ontdekking van versnelde materialen van het Toyota Research Institute, zullen inzichten en doorbraken in hun onderzoek met behulp van machine learning bespreken op het jaarlijkse Materials Day Symposium van het MIT Materials Research Laboratory op woensdag, 9 oktober in het Kresge Auditorium.

Universitair hoofddocent Hu legde onlangs uit wat leidde tot zijn doorbraak spectrometer, en waarom hij optimistisch is dat machine learning en kunstmatige intelligentie een alledaags hulpmiddel worden in materiaalonderzoek.

V:Met name uw spectrometerwerk maakte gebruik van machine learning-technieken. Hoe verandert de nieuwe benadering het ontdekkingsproces in de materiaalwetenschap?

een:In principe, we hebben een nieuwe spectrometertechnologie ontwikkeld waarmee we grote componenten op een kleine siliciumchip kunnen krimpen en toch hoge prestaties kunnen behouden. We hebben een algoritme ontwikkeld waarmee we de informatie met een veel betere signaal-ruisverhouding kunnen extraheren. We hebben het algoritme gevalideerd voor veel verschillende soorten spectrum. Het algoritme identificeert afzonderlijke lichtkleuren door twee herhaalde metingen te vergelijken om de impact van meetruis te verminderen. Het algoritme verbetert de resolutie met 100 procent in vergelijking met de leerboeklimieten, de Rayleigh-limieten genoemd.

V:Hoe gebruikt u machine learning om nieuwe optische materialen en ontwerpen te identificeren voor uw werk aan mid-infraroodlenzen die zijn samengesteld uit optische antenne-arrays?

A:We werken samen met een groep van UMass [de Universiteit van Massachusetts] om een ​​diepgaand leeralgoritme te ontwikkelen voor het ontwerpen van "metasurfaces, " wat een soort optisch apparaat is waar in plaats van conventionele geometrische kromming te gebruiken om te construeren, zeggen, een lens, je gebruikt een reeks speciaal ontworpen optische antennes om fasevertraging te geven aan het binnenkomende licht, en daardoor kunnen we allerlei functionaliteiten realiseren. Een groot probleem met meta-oppervlakken is dat conventioneel, wanneer mensen deze meta-oppervlakken zouden ontwerpen, ze zouden het in wezen doen met vallen en opstaan.

We hebben een deep learning-algoritme opgezet. Het algoritme stelt ons in staat om het te trainen met bestaande data. Dus als we het trainen, uiteindelijk wordt het algoritme 'slim'. Het algoritme kan de bewerkbaarheid evalueren van onregelmatige vormen die verder gaan dan conventionele vormen zoals cirkels en rechthoeken. Het kan verborgen verbanden herkennen tussen complexe geometrieën en de elektromagnetische respons, wat meestal niet triviaal is, en het kan deze verborgen relaties sneller vinden dan conventionele simulaties op ware grootte. Het algoritme kan ook mogelijke combinaties van materialen en functies wegfilteren die gewoon niet werken. Als u conventionele methoden gebruikt, je moet veel tijd verspillen om alle mogelijke ontwerpruimte uit te putten en dan tot deze conclusie te komen, maar nu kan ons algoritme het je heel snel vertellen.

V:Welke andere ontwikkelingen vergemakkelijken het gebruik van machine learning in de materiaalwetenschap?

A:Het andere dat we zien, is dat we nu ook veel gemakkelijker toegang hebben tot zeer krachtige, cloudgebaseerde computerfaciliteiten die in de handel verkrijgbaar zijn. Dus die combinatie van hardware, makkelijke toegang, zeer krachtige computerbronnen, en de nieuwe algoritmen, dat is wat ons in staat stelt om nieuwe innovaties te maken. Opnieuw, bijvoorbeeld, met meta-oppervlakken, als je naar oude ontwerpen kijkt, mensen gebruikten min of meer reguliere geometrieën zoals cirkels, vierkanten, rechthoeken, maar wij, evenals vele anderen in de gemeenschap, gaan nu allemaal over op topologisch geoptimaliseerde optische apparaten. En om die structuren te ontwerpen, de combinatie van nieuwe algoritmen en krachtige rekenbronnen is de sleutel tot het ontwerpen van enorme apparaten zoals macroscopische, topologisch geoptimaliseerde optica in de driedimensionale ruimte.

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.