Een nieuwe techniek ontwikkeld door MIT-natuurkundigen zou op een dag een manier kunnen bieden om op maat gemaakte meerlagige nanodeeltjes met gewenste eigenschappen te ontwerpen, mogelijk voor gebruik in displays, verhul systemen, of biomedische apparaten. Het kan natuurkundigen ook helpen bij het aanpakken van een aantal netelige onderzoeksproblemen, op manieren die in sommige gevallen orden van grootte sneller zouden kunnen zijn dan bestaande methoden.

De innovatie maakt gebruik van computationele neurale netwerken, een vorm van kunstmatige intelligentie, om te "leren" hoe de structuur van een nanodeeltje zijn gedrag beïnvloedt, in dit geval de manier waarop het verschillende kleuren licht verstrooit, gebaseerd op duizenden trainingsvoorbeelden. Vervolgens, de relatie hebben geleerd, het programma kan in wezen achteruit worden uitgevoerd om een ​​deeltje te ontwerpen met een gewenste reeks lichtverstrooiende eigenschappen - een proces dat inverse ontwerp wordt genoemd.

De bevindingen worden gerapporteerd in het tijdschrift wetenschappelijke vooruitgang , in een paper van MIT senior John Peurifoy, onderzoeksfiliaal Yichen Shen, afgestudeerde student Li Jing, hoogleraar natuurkunde Marin Soljacic, en vijf anderen.

Hoewel de aanpak uiteindelijk kan leiden tot praktische toepassingen, Soljacic zegt, het werk is in de eerste plaats van wetenschappelijk belang als een manier om de fysieke eigenschappen van een verscheidenheid aan nano-engineered materialen te voorspellen zonder dat de rekenintensieve simulatieprocessen nodig zijn die typisch worden gebruikt om dergelijke problemen aan te pakken.

Soljacic zegt dat het doel was om naar neurale netwerken te kijken, een veld dat de afgelopen jaren veel vooruitgang heeft geboekt en opwinding heeft gegenereerd, om te zien "of we sommige van die technieken kunnen gebruiken om ons te helpen bij ons natuurkundig onderzoek. Dus eigenlijk, zijn computers 'intelligent' genoeg zodat ze wat meer intelligente taken kunnen doen om ons te helpen bepaalde fysieke systemen te begrijpen en ermee te werken?"

Om het idee te testen, ze gebruikten een relatief eenvoudig fysiek systeem, legt Shen uit. "Om te begrijpen welke technieken geschikt zijn en om de limieten te begrijpen en hoe deze het beste te gebruiken, we [gebruikten het neurale netwerk] op een bepaald systeem voor nanofotonica, een systeem van sferisch concentrische nanodeeltjes." De nanodeeltjes zijn gelaagd als een ui, maar elke laag is gemaakt van een ander materiaal en heeft een andere dikte.

De nanodeeltjes hebben afmetingen die vergelijkbaar zijn met de golflengten van zichtbaar licht of kleiner, en de manier waarop licht van verschillende kleuren van deze deeltjes wordt verstrooid, hangt af van de details van deze lagen en van de golflengte van de inkomende straal. Het berekenen van al deze effecten voor nanodeeltjes met veel lagen kan een intensieve rekentaak zijn voor nanodeeltjes met veel lagen, en de complexiteit wordt erger naarmate het aantal lagen groeit.

De onderzoekers wilden zien of het neurale netwerk in staat zou zijn te voorspellen hoe een nieuw deeltje kleuren licht zou verstrooien - niet alleen door te interpoleren tussen bekende voorbeelden, maar door daadwerkelijk een onderliggend patroon te ontdekken waardoor het neurale netwerk kan extrapoleren.

"De simulaties zijn heel precies, dus als je deze vergelijkt met experimenten, reproduceren ze elkaar allemaal punt voor punt, " zegt Purifoy, die volgend jaar een MIT-promovendus zal zijn. "Maar ze zijn numeriek behoorlijk intensief, dus het duurt nogal lang. Wat we hier willen zien is, als we een aantal voorbeelden van deze deeltjes laten zien, veel verschillende deeltjes, naar een neuraal netwerk, of het neurale netwerk er 'intuïtie' voor kan ontwikkelen."

Zowaar, het neurale netwerk was in staat om redelijk goed het exacte patroon van een grafiek van lichtverstrooiing versus golflengte te voorspellen - niet perfect, maar heel dichtbij en in veel minder tijd. De neurale netwerksimulaties "zijn nu veel sneller dan de exacte simulaties, Jing zegt. "Dus nu zou je een neuraal netwerk kunnen gebruiken in plaats van een echte simulatie, en het zou je een vrij nauwkeurige voorspelling geven. Maar het kwam met een prijs, en de prijs was dat we eerst het neurale netwerk moesten trainen, en om dat te doen moesten we een groot aantal voorbeelden produceren."

Als het netwerk eenmaal is getraind, Hoewel, toekomstige simulaties zouden volledig profiteren van de versnelling, dus het kan een handig hulpmiddel zijn voor situaties die herhaalde simulaties vereisen. Maar het echte doel van het project was om meer te weten te komen over de methodologie, niet alleen deze specifieke toepassing. "Een van de belangrijkste redenen waarom we geïnteresseerd waren in dit specifieke systeem, was dat we deze technieken begrepen, in plaats van alleen om nanodeeltjes te simuleren, ' zegt Soljacic.

De volgende stap was om het programma in wezen omgekeerd uit te voeren, om een ​​reeks gewenste verstrooiingseigenschappen als uitgangspunt te gebruiken en te kijken of het neurale netwerk vervolgens de exacte combinatie van nanodeeltjeslagen zou kunnen uitwerken die nodig zijn om die output te bereiken.

"In engineering, er zijn veel verschillende technieken ontwikkeld voor inverse design, en het is een enorm onderzoeksgebied, " zegt Soljacic. "Maar heel vaak om een ​​bepaald invers ontwerpprobleem op te zetten, het kost nogal wat tijd, dus in veel gevallen moet je een expert in het veld zijn en dan soms zelfs maanden besteden om het op te lossen."

Maar met het getrainde neurale netwerk van het team, "we hebben hier geen speciale voorbereiding voor gedaan. We zeiden:'Oke, laten we proberen het achteruit te draaien.' En wonderbaarlijk genoeg, wanneer we het vergelijken met enkele andere, meer standaard inverse ontwerpmethoden, dit is een van de beste, " zegt hij. "Het zal het eigenlijk veel sneller doen dan een traditioneel omgekeerd ontwerp."

Co-auteur Shen zegt:"De eerste motivatie die we hadden om dit te doen, was om een ​​algemene gereedschapskist op te zetten die elke over het algemeen goed opgeleide persoon die geen expert is in fotonica kan gebruiken. ... Dat was onze oorspronkelijke motivatie, en het werkt duidelijk vrij goed voor dit specifieke geval."

De versnelling in bepaalde soorten inverse ontwerpsimulaties kan behoorlijk aanzienlijk zijn. Peurifoy zegt:"Het is moeilijk om appels met appels exact te vergelijken, maar je kunt effectief zeggen dat je winst hebt in de orde van honderden keren. Dus de winst is heel erg substantieel - in sommige gevallen gaat het van dagen naar minuten."