En ny teknik som utvecklats av MIT-fysiker kan en dag ge ett sätt att specialdesigna flerskiktade nanopartiklar med önskade egenskaper, eventuellt för användning i skärmar, kappsystem, eller biomedicinska anordningar. Det kan också hjälpa fysiker att hantera en mängd taggiga forskningsproblem, på sätt som i vissa fall kan vara storleksordningar snabbare än befintliga metoder.

Innovationen använder beräknande neurala nätverk, en form av artificiell intelligens, att "lära" hur en nanopartikels struktur påverkar dess beteende, i det här fallet hur det sprider olika ljusfärger, baserat på tusentals träningsexempel. Sedan, efter att ha lärt sig förhållandet, programmet kan i huvudsak köras bakåt för att designa en partikel med en önskad uppsättning ljusspridningsegenskaper-en process som kallas invers design.

Resultaten rapporteras i tidningen Vetenskapliga framsteg , i ett papper av MIT senior John Peurifoy, forskningsförbund Yichen Shen, doktorand Li Jing, professor i fysik Marin Soljacic, och fem andra.

Även om tillvägagångssättet i slutändan kan leda till praktiska tillämpningar, Soljacic säger, arbetet är i första hand av vetenskapligt intresse som ett sätt att förutsäga de fysikaliska egenskaperna hos en mängd olika nanoingenjörer utan att behöva beräkningsintensiva simuleringsprocesser som vanligtvis används för att hantera sådana problem.

Soljacic säger att målet var att titta på neurala nätverk, ett område som har sett mycket framsteg och skapat spänning de senaste åren, för att se "om vi kan använda några av dessa tekniker för att hjälpa oss i vår fysikforskning. Så i grunden Är datorer "intelligenta" nog för att de ska kunna göra mer intelligenta uppgifter för att hjälpa oss förstå och arbeta med vissa fysiska system? "

För att testa idén, de använde ett relativt enkelt fysiskt system, Shen förklarar. "För att förstå vilka tekniker som är lämpliga och för att förstå gränserna och hur man bäst använder dem, vi [använde det neurala nätverket] på ett särskilt system för nanofotonik, ett system med sfäriskt koncentriska nanopartiklar. "Nanopartiklarna är skiktade som en lök, men varje lager är tillverkat av ett annat material och har en annan tjocklek.

Nanopartiklarna har storlekar som är jämförbara med våglängderna för synligt ljus eller mindre, och hur ljuset i olika färger sprids av dessa partiklar beror på detaljerna i dessa lager och på den inkommande strålens våglängd. Att beräkna alla dessa effekter för nanopartiklar med många lager kan vara en intensiv beräkningsuppgift för många lager nanopartiklar, och komplexiteten blir värre när antalet lager växer.

Forskarna ville se om det neurala nätverket skulle kunna förutsäga hur en ny partikel sprider ljusfärger - inte bara genom att interpolera mellan kända exempel, men genom att faktiskt räkna ut något underliggande mönster som gör att det neurala nätverket kan extrapolera.

"Simuleringarna är mycket exakta, så när du jämför dessa med experiment återger de alla varandra punkt för punkt, säger Peurifoy, som kommer att vara en MIT -doktorand nästa år. "Men de är numeriskt ganska intensiva, så det tar ganska lång tid. Det vi vill se här är, om vi visar ett gäng exempel på dessa partiklar, många många olika partiklar, till ett neuralt nätverk, om det neurala nätverket kan utveckla 'intuition' för det. "

Säker nog, det neurala nätverket kunde rimligt nog förutsäga det exakta mönstret för ett diagram över ljusspridning mot våglängd - inte perfekt, men väldigt nära, och på mycket mindre tid. De neurala nätverkssimuleringarna "är nu mycket snabbare än de exakta simuleringarna, "Jing säger." Så nu kan du använda ett neuralt nätverk istället för en riktig simulering, och det skulle ge dig en ganska korrekt förutsägelse. Men det kom med ett pris, och priset var att vi först måste träna det neurala nätverket, och för att göra det måste vi ta fram ett stort antal exempel. "

När nätverket väl är utbildat, fastän, alla framtida simuleringar skulle få full nytta av hastigheten, så det kan vara ett användbart verktyg för situationer som kräver upprepade simuleringar. Men det verkliga målet med projektet var att lära sig om metodiken, inte bara den här applikationen. "En av de främsta anledningarna till att vi var intresserade av just detta system var att vi förstod dessa tekniker, snarare än att simulera nanopartiklar, "Säger Soljacic.

Nästa steg var att i huvudsak köra programmet omvänt, att använda en uppsättning önskade spridningsegenskaper som utgångspunkt och se om det neurala nätverket sedan kan räkna ut den exakta kombinationen av nanopartikelskikt som behövs för att uppnå den utgången.

"Inom teknik, många olika tekniker har utvecklats för omvänd design, och det är ett stort forskningsområde, "Säger Soljacic." Men väldigt ofta för att skapa ett givet omvänt designproblem, det tar ganska lång tid, så i många fall måste du vara expert på området och sedan spendera ibland till och med månader på att ställa in det för att lösa det. "

Men med teamets utbildade neurala nätverk, "Vi gjorde inga speciella förberedelser för det här. Vi sa, 'ok, låt oss försöka köra det bakåt. ' Och förvånansvärt nog, när vi jämför det med några andra mer vanliga omvända designmetoder, detta är en av de bästa, "säger han." Det kommer faktiskt att göra det mycket snabbare än en traditionell omvänd design. "

Medförfattare Shen säger "den första motivationen vi hade att göra detta var att skapa en allmän verktygslåda som alla allmänt välutbildade personer som inte är experter på fotonik kan använda ... Det var vår ursprungliga motivation, och det fungerar helt klart ganska bra för just det här fallet. "

Hastigheten i vissa typer av omvända designsimuleringar kan vara ganska betydande. Peurifoy säger "Det är svårt att ha exakta jämförelser mellan äpplen och äpplen, men du kan effektivt säga att du har vinster i storleksordningen hundratals gånger. Så vinsten är mycket stor - i vissa fall går det från dagar till minuter. "