Maskininlärning och artificiell intelligens används alltmer inom materialvetenskaplig forskning. Till exempel, MIT docent i materialvetenskap och teknik Juejun "JJ" Hu utvecklade en algoritm som förbättrar prestandan hos en chipbaserad spektrometer, och Atlantic Richfield docent i energistudier Elsa A. Olivetti byggde ett artificiell intelligenssystem som letar igenom vetenskapliga artiklar för att härleda materialvetenskapliga "recept".

Dessa och andra MIT-professorer, samt huvudtalare Brian Storey, Toyota Research Institutes chef för accelererad materialdesign och upptäckt, kommer att diskutera insikter och genombrott i sin forskning med hjälp av maskininlärning vid MIT Materials Research Laboratorys årliga Materials Day Symposium på onsdag, 9 oktober i Kresge Auditorium.

Docent Hu förklarade nyligen vad som ledde till hans genombrottsspektrometer, och varför han är optimistisk att maskininlärning och artificiell intelligens blir ett vardagligt verktyg inom materialforskning.

F:Ditt spektrometerarbete använde sig särskilt av maskininlärningstekniker. Hur förändrar det nya tillvägagångssättet upptäcktsprocessen inom materialvetenskap?

A:I grund och botten, vi utvecklade en ny spektrometerteknologi som gör att vi kan krympa stora komponenter på ett litet kiselchip och ändå behålla hög prestanda. Vi utvecklade en algoritm som gör att vi kan extrahera informationen med mycket bättre signal-brusförhållande. Vi har validerat algoritmen för många olika typer av spektrum. Algoritmen identifierar olika ljusfärger genom att jämföra två upprepade mätningar för att mildra effekten av mätljud. Algoritmen förbättrar upplösningen med 100 procent jämfört med lärobokens gränser, kallas Rayleigh-gränserna.

F:Hur använder du maskininlärning för att identifiera nya optiska material och design för ditt arbete med mellaninfraröda linser som består av optiska antennuppsättningar?

S:Vi samarbetar med en grupp vid UMass [University of Massachusetts] för att utveckla en algoritm för djupinlärning för att designa "metasytor, "som är en slags optisk anordning där istället för att använda konventionell geometrisk krökning för att konstruera, säga, en lins, du använder en uppsättning specialdesignade optiska antenner för att ge fasfördröjning på det inkommande ljuset, och därför kan vi uppnå alla typer av funktioner. Ett stort problem med metasytor är att konventionellt, när människor skulle designa dessa metasytor, de skulle göra det i huvudsak genom försök och misstag.

Vi har satt upp en djupinlärningsalgoritm. Algoritmen låter oss träna den med befintliga data. Så när vi tränar det, så småningom blir algoritmen "smart". Algoritmen kan utvärdera användbarheten av oregelbundna former som går utöver konventionella former som cirklar och rektanglar. Den kan känna igen dolda samband mellan komplexa geometrier och det elektromagnetiska svaret, vilket vanligtvis inte är trivialt, och den kan hitta dessa dolda relationer snabbare än konventionella fullskaliga simuleringar. Algoritmen kan också sålla bort potentiella kombinationer av material och funktioner som bara inte fungerar. Om du använder konventionella metoder, du måste slösa bort mycket tid för att uttömma allt möjligt designutrymme och sedan komma till denna slutsats, men nu kan vår algoritm berätta riktigt snabbt.

F:Vilka andra framsteg underlättar användningen av maskininlärning inom materialvetenskap?

S:Det andra vi ser är att vi nu också har mycket lättare tillgång till mycket kraftfulla, molnbaserade beräkningsfaciliteter som är kommersiellt tillgängliga. Så den kombinationen av hårdvara, lätt tillgång, mycket kraftfulla datorresurser, och de nya algoritmerna, det är det som gör att vi kan göra nya innovationer. På nytt, till exempel, med metasytor, om du tittar på gamla mönster, folk använde i stort sett vanliga geometrier som cirklar, rutor, rektanglar, men vi, såväl som många andra i samhället, alla går nu vidare till topologiskt optimerade optiska enheter. Och för att designa dessa strukturer, kombinationen av nya algoritmer och kraftfulla beräkningsresurser är nyckeln till att designa enorma enheter som makroskopiska, topologiskt optimerad optik i tredimensionellt utrymme.

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.