人工智能纳米颗粒速度发展

新技术由麻省理工学院的物理学家未来的某一天可以提供一种方法来面临设计自定义多层纳米粒子与所需的属性,可能用于显示器,隐身系统或生物医学设备。它还可能帮助物理学家解决各种棘手的研究问题,在某些情况下可能的方式数量级的速度比现有的方法。

创新使用计算神经网络,人工智能的一种形式,“学习”纳米颗粒的结构如何影响它的行为,在这种情况下它打散了不同颜色的光,基于成千上万的训练例子。然后,有学习的关系,程序基本上可以逆向设计粒子运行所需的光散射特性,这一过程被称为逆设计。

研究结果被发表在《科学》杂志上的进步,在一篇由麻省理工学院高级约翰•Peurifoy研究联盟旗下沈,研究生李静,物理学教授马林Soljačić,5人。

虽然最终可能导致实际应用的方法,Soljačić说,科学兴趣的工作主要是作为一种预测各种;该材料的物理性质,不需要计算密集型仿真过程通常用于解决此类问题。

Soljačić说,目标是看神经网络,一个字段,近年来很多进步和产生兴奋,看到“我们是否可以使用一些技术来帮助我们在我们的物理研究。基本上,有足够的电脑“聪明”,这样他们可以做一些更聪明的任务在帮助我们理解和使用一些物理系统吗?”

为了测试这个想法,他们使用一个相对简单的物理系统,沈解释道。“为了理解哪些技术是适当的和理解限制和如何最好地使用它们,我们(使用神经网络)在一个特定系统的纳米光子学,一个球同轴纳米粒子系统。“纳米颗粒分层的像一个洋葱,但是每一层是由不同的材料,不同的厚度。

纳米颗粒的尺寸与波长的可见光或更小,和不同颜色的光线散射的这些粒子取决于这些层的细节和入射光束的波长。计算所有这些影响对于有许多层的纳米粒子可以是一个多层纳米颗粒,密集型计算任务和复杂性恶化随着层数的增长。

研究人员想知道神经网络能够预测的一种新粒子散射光的颜色——不仅仅是著名的例子之间的插值,但实际上,找出一些基本的模式,允许该神经网络来预测。

“模拟非常精确,所以当你把这些实验都复制彼此逐点,“Peurifoy说,他明年将是一个麻省理工学院博士生。“但它们数值相当密集,因此需要很长一段时间。我们想看到的是,如果我们展示一群这些粒子的例子,很多不同的粒子,一个神经网络,神经网络是否可以开发‘直觉’。”

果然,神经网络能够预测相当不错的确切的图形模式光散射与波长——不是完全,但非常接近,在更少的时间。神经网络模拟“现在比准确的模拟快得多,”京说。“现在你可以使用神经网络,而不是一个真实的模拟,它会给你一个相当准确的预测。但它也有代价,代价是我们必须首先训练神经网络,为了做到这一点,我们必须产生大量的例子。”

不过,一旦网络训练,任何未来的模拟会加速的全部好处,那么它可能是一个有用的工具的情况下需要重复模拟。但真正的项目的目标是学习的方法,不仅仅是这个特定的应用程序。“的一个主要原因为什么我们感兴趣的这个系统是我们理解这些技术,而不是模拟纳米粒子,“Soljačić说。

下一步是在反向本质上运行程序,使用一组所需的散射特性为出发点,看看神经网络可以解决纳米粒子层需要实现的具体结合,输出。

”工程、逆设计研制了许多不同的技术,这是一个巨大的领域的研究,“Soljačić说。“但经常为了建立一个给定的逆设计问题,这需要很长一段时间,所以在许多情况下,你必须成为一个领域的专家,然后花有时甚至几个月设置为了解决它。”

但随着团队的训练神经网络,“我们没有做任何特殊处理。我们说,‘好吧,我们试着运行它落后。”,令人惊讶的是,当我们把它和其他更多的标准逆设计方法,这是最好的方式之一,”他说。“这实际上会比传统的逆设计做得更快。”

作者沈说:“最初的动机,我们要做这是建立一般的工具箱,任何一般受过良好教育的人并不是一个专家在光子学可以使用。…这是我们的原始动机,它显然很适合这种特殊情况下。”

某些种类的逆设计模拟的加速会很大。Peurifoy说“收视上很难有准确的比较,但是你可以有效地说你有收益的数百倍。获得是非常非常巨大的——在某些情况下,从天到分钟。”

这篇文章被转载材料所提供的麻省理工学院。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

参考:Peurifoy, J。沈,Y。静,L。杨,Y。Cano-Renteria F。想,b, G。,…Soljačić,m (2018)。纳米光子粒子模拟,使用人工神经网络逆设计。科学的进步,4 (6),eaar4206。https://doi.org/10.1126/sciadv.aar4206