Elektrotechnici van Duke University hebben de kracht van machine learning gebruikt om diëlektrische (niet-metalen) metamaterialen te ontwerpen die specifieke frequenties van terahertz-straling absorberen en uitstralen. De ontwerptechniek veranderde wat meer dan 2000 jaar rekenen had kunnen zijn in 23 uur, de weg vrijmaken voor het ontwerp van nieuwe, duurzame soorten warmte-energie oogstmachines en verlichting.

De studie werd op 16 september online gepubliceerd in het tijdschrift Optica Express .

Metamaterialen zijn synthetische materialen die zijn samengesteld uit vele individuele technische kenmerken, die samen eigenschappen produceren die niet in de natuur voorkomen door hun structuur in plaats van door hun chemie. In dit geval, het terahertz-metamateriaal is opgebouwd uit een twee-bij-twee raster van siliciumcilinders die lijken op een korte, vierkante lego.

De hoogte aanpassen, straal en afstand van elk van de vier cilinders verandert de frequenties van licht waarmee het metamateriaal interageert.

Het berekenen van deze interacties voor een identieke set cilinders is een eenvoudig proces dat kan worden gedaan door commerciële software. Maar het inverse probleem uitwerken van welke geometrieën een gewenste reeks eigenschappen zullen produceren, is een veel moeilijker voorstel.

Omdat elke cilinder een elektromagnetisch veld creëert dat zich buiten zijn fysieke grenzen uitstrekt, ze gaan op een onvoorspelbare manier met elkaar om, niet-lineaire manier.

"Als je een gewenste respons probeert op te bouwen door de eigenschappen van elke afzonderlijke cilinder te combineren, je krijgt een woud van toppen dat niet alleen een som van hun delen is, " zei Willie Padilla, hoogleraar elektrische en computertechniek aan Duke. "Het is een enorme geometrische parameterruimte en je bent volledig blind - er is geen indicatie welke kant je op moet."

Een manier om de juiste combinatie te vinden is om elke mogelijke geometrie te simuleren en het beste resultaat te kiezen. Maar zelfs voor een eenvoudig diëlektrisch metamateriaal waarbij elk van de vier cilinders slechts 13 verschillende stralen en hoogten kan hebben, er zijn 815,7 miljoen mogelijke geometrieën. Zelfs op de beste computers die de onderzoekers ter beschikking staan, het zou meer dan 2 duren, 000 jaar om ze allemaal te simuleren.

Om het proces te versnellen, Padilla en zijn afgestudeerde student Christian Nadell wendden zich tot machine learning-expert Jordan Malof, assistent-onderzoeksprofessor elektrische en computertechniek bij Duke, en Ph.D. student Bohao Huang.

Malof en Huang creëerden een soort machine learning-model, een neuraal netwerk genaamd, dat effectief simulaties kan uitvoeren die orden van grootte sneller zijn dan de originele simulatiesoftware. Het netwerk heeft 24 inputs nodig:de hoogte, straal en straal-tot-hoogteverhouding van elke cilinder - wijst willekeurige gewichten en vooroordelen toe tijdens zijn berekeningen, en spuugt een voorspelling uit van hoe het frequentieresponsspectrum van het metamateriaal eruit zal zien.

Eerst, echter, het neurale netwerk moet worden "getraind" om nauwkeurige voorspellingen te doen.

"De eerste voorspellingen zullen niet lijken op het daadwerkelijke juiste antwoord, "zei Malof. "Maar als een mens, het netwerk kan geleidelijk leren om correcte voorspellingen te doen door simpelweg de commerciële simulator te observeren. Het netwerk past zijn gewichten en vooroordelen aan elke keer dat het een fout maakt en doet dit herhaaldelijk totdat het elke keer het juiste antwoord geeft."

Om de nauwkeurigheid van het machine learning-algoritme te maximaliseren, de onderzoekers trainden het met 18, 000 individuele simulaties van de geometrie van het metamateriaal. Hoewel dit misschien als een groot aantal klinkt, het vertegenwoordigt eigenlijk slechts 0,0022 procent van alle mogelijke configuraties. Na het trainen, het neurale netwerk kan zeer nauwkeurige voorspellingen produceren in slechts een fractie van een seconde.

Zelfs met dit succes in de hand, echter, het loste nog steeds alleen het voorwaartse probleem op van het produceren van de frequentierespons van een bepaalde geometrie, wat ze al konden. Om het inverse probleem van het afstemmen van een geometrie op een gegeven frequentierespons op te lossen, de onderzoekers keerden terug naar brute kracht.

Omdat het machine learning-algoritme bijna een miljoen keer sneller is dan de modelleringssoftware die wordt gebruikt om het te trainen, de onderzoekers lieten het eenvoudigweg elk van de 815,7 miljoen mogelijke permutaties oplossen. Het machine learning-algoritme deed het in slechts 23 uur in plaats van duizenden jaren.

Daarna, een zoekalgoritme zou elke gewenste frequentierespons kunnen matchen met de bibliotheek met mogelijkheden die door het neurale netwerk worden gecreëerd.

"Daar zijn we niet per se experts in, maar Google doet het elke dag, "zei Padilla. "Een eenvoudig zoekboomalgoritme kan 40 miljoen grafieken per seconde doornemen."

De onderzoekers testten vervolgens hun nieuwe systeem om er zeker van te zijn dat het werkte. Nadell tekende met de hand verschillende frequentieresponsgrafieken en vroeg het algoritme om de metamateriaalopstelling te kiezen die elk het beste zou produceren. Vervolgens liet hij de geproduceerde antwoorden door de commerciële simulatiesoftware lopen om te zien of ze goed overeenkwamen.

Dat deden ze.

Met de mogelijkheid om diëlektrische metamaterialen op deze manier te ontwerpen, Padilla en Nadell werken aan de ontwikkeling van een nieuw type thermofotovoltaïsch apparaat, die elektriciteit opwekt uit warmtebronnen. Dergelijke apparaten werken net als zonnepanelen, behalve dat ze specifieke frequenties van infrarood licht absorberen in plaats van zichtbaar licht.

De huidige technologieën stralen infrarood licht uit in een veel groter frequentiebereik dan de infrarode zonnecel kan absorberen, wat energie verspilt. Een zorgvuldig ontworpen metamateriaal afgestemd op die specifieke frequentie, echter, kan infrarood licht uitzenden in een veel smallere band.

"Metamaterialen op metaalbasis zijn veel gemakkelijker af te stemmen op deze frequenties, maar wanneer metaal opwarmt tot de temperaturen die vereist zijn in dit soort apparaten, ze hebben de neiging om te smelten, "zei Padilla. "Je hebt een diëlektrisch metamateriaal nodig dat bestand is tegen de hitte. En nu we het stuk machine learning hebben, het lijkt erop dat dit inderdaad haalbaar is."