Doorbraken op het gebied van nanofotonica - hoe licht zich gedraagt ​​op nanometerschaal - hebben de weg geëffend voor de uitvinding van "metamaterialen, " door de mens gemaakte materialen met enorme toepassingen, van remote sensing op nanoschaal tot energieoogst en medische diagnostiek. Maar hun impact op het dagelijks leven wordt belemmerd door een ingewikkeld productieproces met grote foutenmarges.

Nu is een nieuwe interdisciplinaire studie van de Universiteit van Tel Aviv gepubliceerd in: Licht:wetenschap en toepassingen demonstreert een manier om het proces van het ontwerpen en karakteriseren van basale nanofotonische, metamateriële elementen. De studie werd geleid door Dr. Haim Suchowski van TAU's School of Physics and Astronomy en Prof. Lior Wolf van TAU's Blavatnik School of Computer Science en uitgevoerd door onderzoekswetenschapper Dr. Michael Mrejen en TAU-afgestudeerde studenten Itzik Malkiel, Achiya Nagler en Uri Arieli.

"Het proces van het ontwerpen van metamaterialen bestaat uit het snijden van nanoschaalelementen met een nauwkeurige elektromagnetische respons, " zegt Dr. Mrejen. "Maar vanwege de complexiteit van de betrokken fysica, het ontwerp, fabricage- en karakteriseringsprocessen van deze elementen vereisen een enorme hoeveelheid vallen en opstaan, drastisch beperken van hun toepassingen."

Deep Learning een sleutel tot precisiefabricage

"Onze nieuwe aanpak is bijna volledig afhankelijk van Deep Learning, een computernetwerk geïnspireerd op de gelaagde en hiërarchische architectuur van het menselijk brein, "Prof. Wolf legt uit. "Het is een van de meest geavanceerde vormen van machine learning, verantwoordelijk voor grote technologische vooruitgang, inclusief spraakherkenning, vertaling en beeldverwerking. We dachten dat dit de juiste aanpak zou zijn voor het ontwerpen van nanofotonische, metamateriële elementen."

De wetenschappers voedden een Deep Learning-netwerk met 15, 000 kunstmatige experimenten om het netwerk de complexe relatie tussen de vormen van de nano-elementen en hun elektromagnetische reacties te leren. "We hebben aangetoond dat een 'getraind' Deep Learning-netwerk kan voorspellen, in een fractie van een seconde, de geometrie van een gefabriceerde nanostructuur, " zegt Dr. Suchowski.

De onderzoekers toonden ook aan dat hun aanpak met succes het nieuwe ontwerp van nano-elementen produceert die kunnen interageren met specifieke chemicaliën en eiwitten.

Breed toepasbare resultaten

"Deze resultaten zijn breed toepasbaar op zoveel gebieden, inclusief spectroscopie en gerichte therapie, d.w.z., het efficiënte en snelle ontwerp van nanodeeltjes die zich kunnen richten op kwaadaardige eiwitten, " zegt Dr. Suchowski. "Voor de eerste keer, een nieuw diep neuraal netwerk, getraind met duizenden synthetische experimenten, was niet alleen in staat om de afmetingen van objecten met nanogrootte te bepalen, maar was ook in staat om het snelle ontwerp en karakterisering van optische elementen op het metaoppervlak voor gerichte chemicaliën en biomoleculen mogelijk te maken.

"Onze oplossing werkt ook andersom. Als een vorm eenmaal gefabriceerd is, het kost meestal dure apparatuur en tijd om de precieze vorm te bepalen die daadwerkelijk is gefabriceerd. Onze computergebaseerde oplossing doet dat in een fractie van een seconde op basis van een eenvoudige transmissiemeting."

De onderzoekers, die ook een patent hebben geschreven op hun nieuwe methode, breiden momenteel hun Deep Learning-algoritmen uit om de chemische karakterisering van nanodeeltjes op te nemen.