Att förstå hur materia interagerar med ljus - dess optiska egenskaper - är avgörande i en myriad av energi och biomedicinsk teknik, såsom riktad läkemedelsleverans, kvantprickar, bränsleförbränning, och sprickbildning av biomassa. Men beräkningen av dessa egenskaper är beräknande intensiv, och det omvända problemet - att utforma en struktur med önskade optiska egenskaper - är ännu svårare.

Nu har Berkeley Lab -forskare utvecklat en maskininlärningsmodell som kan användas för båda problemen - beräkning av optiska egenskaper hos en känd struktur och, omvänt, utforma en struktur med önskade optiska egenskaper. Deras studie publicerades i Cellrapporter Fysikalisk vetenskap .

"Vår modell fungerar dubbelriktat med hög noggrannhet och dess tolkning återställer kvalitativt fysiken för hur metall och dielektriska material interagerar med ljus, "sa motsvarande författare Sean Lubner.

Lubner noterar att förståelse av strålningsegenskaper (som inkluderar optiska egenskaper) är lika viktigt i den naturliga världen för att beräkna effekterna av aerosoler som svart kol på klimatförändringar.

Den maskininlärningsmodell som föreslås i denna studie utbildades i spektralemissivitetsdata från nästan 16, 000 partiklar av olika former och material som kan tillverkas experimentellt.

"Vår maskininlärningsmodell påskyndar den omvända designprocessen med minst två till tre storleksordningar jämfört med den traditionella metoden för omvänd design, "sa medförfattaren Ravi Prasher, som också är Berkeley Labs associerade chef för energiteknik.

Mahmoud Elzouka, Charles Yang, och Adrian Albert, alla forskare i Berkeley Labs energiteknikområde, var också medförfattare.