Elingenjörer vid Duke University har utnyttjat kraften i maskininlärning för att designa dielektriska (icke-metalliska) metamaterial som absorberar och avger specifika frekvenser av terahertz-strålning. Designtekniken ändrade det som kunde ha varit mer än 2000 års beräkning till 23 timmar, rensa vägen för design av nya, hållbara typer av termisk energi skördare och belysning.

Studien publicerades online den 16 september i tidskriften Optik Express .

Metamaterial är syntetmaterial som består av många individuella konstruerade funktioner, som tillsammans producerar egenskaper som inte finns i naturen genom sin struktur snarare än deras kemi. I detta fall, terahertz-metamaterialet är uppbyggt av ett två-två-galler av kiselcylindrar som liknar en kort, fyrkantig Lego.

Justera höjden, radie och avstånd för var och en av de fyra cylindrarna ändrar ljusfrekvenserna som metamaterialet interagerar med.

Att beräkna dessa interaktioner för en identisk uppsättning cylindrar är en enkel process som kan utföras med kommersiell programvara. Men att räkna ut det omvända problemet som geometrier kommer att producera en önskad uppsättning egenskaper är ett mycket svårare förslag.

Eftersom varje cylinder skapar ett elektromagnetiskt fält som sträcker sig bortom dess fysiska gränser, de interagerar med varandra på ett oförutsägbart sätt, olinjärt sätt.

"Om du försöker bygga ett önskat svar genom att kombinera egenskaperna för varje enskild cylinder, du kommer att få en skog av toppar som inte bara är en summa av deras delar, sa Willie Padilla, professor i el- och datateknik vid Duke. "Det är ett stort geometriskt parameterutrymme och du är helt blind - det finns ingen indikation på vilken väg du ska gå."

Ett sätt att hitta rätt kombination skulle vara att simulera varje möjlig geometri och välja det bästa resultatet. Men även för ett enkelt dielektriskt metamaterial där var och en av de fyra cylindrarna kan ha endast 13 olika radier och höjder, det finns 815,7 miljoner möjliga geometrier. Även på de bästa datorerna för forskarna, det skulle ta mer än 2, 000 år att simulera dem alla.

För att påskynda processen, Padilla och hans doktorand Christian Nadell vände sig till maskininlärningsexperten Jordan Malof, biträdande forskningsprofessor i el- och datorteknik vid Duke, och Ph.D. student Bohao Huang.

Malof och Huang skapade en typ av maskininlärningsmodell som kallas ett neuralt nätverk som effektivt kan utföra simuleringar av storleksordningar snabbare än den ursprungliga simuleringsprogramvaran. Nätverket tar 24 ingångar - höjden, radie och radie-till-höjd-förhållande för varje cylinder-tilldelar slumpmässiga vikter och fördomar genom sina beräkningar, och spottar ut en förutsägelse om hur metamaterialets frekvenssvarsspektrum kommer att se ut.

Först, dock, det neurala nätverket måste "utbildas" för att göra exakta förutsägelser.

"De första förutsägelserna kommer inte att se ut som det riktiga svaret, "sa Malof." Men som en människa, nätverket kan gradvis lära sig att göra korrekta förutsägelser genom att bara observera den kommersiella simulatorn. Nätverket justerar sina vikter och fördomar varje gång det gör ett misstag och gör detta upprepade gånger tills det ger rätt svar varje gång. "

För att maximera noggrannheten i maskininlärningsalgoritmen, forskarna utbildade det med 18, 000 individuella simuleringar av metamaterialets geometri. Även om detta kan låta som ett stort antal, det representerar faktiskt bara 0,0022 procent av alla möjliga konfigurationer. Efter träning, det neurala nätverket kan producera mycket exakta förutsägelser på bara en bråkdel av en sekund.

Även med denna framgång i handen, dock, det löste fortfarande bara det framtida problemet med att producera frekvenssvaret för en given geometri, vilket de redan kunde göra. För att lösa det omvända problemet med att matcha en geometri med ett givet frekvenssvar, forskarna återvände till brutal styrka.

Eftersom maskininlärningsalgoritmen är nästan en miljon gånger snabbare än modellprogramvaran som används för att träna den, forskarna lät det helt enkelt lösa varenda en av de 815,7 miljoner möjliga permutationerna. Maskininlärningsalgoritmen gjorde det på bara 23 timmar snarare än tusentals år.

Efter det, en sökalgoritm kan matcha varje givet önskat frekvenssvar till biblioteket av möjligheter som skapas av det neurala nätverket.

"Vi är inte nödvändigtvis experter på det, men Google gör det varje dag, "sade Padilla." En enkel sökträdalgoritm kan gå igenom 40 miljoner grafer per sekund. "

Forskarna testade sedan sitt nya system för att se till att det fungerade. Nadell hand ritade flera frekvensresponsgrafer och bad algoritmen att välja det metamaterial som bäst skulle producera var och en. Han körde sedan svaren som producerades genom den kommersiella simuleringsprogramvaran för att se om de stämde bra.

Dom gjorde.

Med förmågan att designa dielektriska metamaterial på detta sätt, Padilla och Nadell arbetar med att konstruera en ny typ av termofotovoltaiska enheter, som skapar el från värmekällor. Sådana enheter fungerar ungefär som solpaneler, förutom att de absorberar specifika frekvenser av infrarött ljus istället för synligt ljus.

Nuvarande teknik utstrålar infrarött ljus i ett mycket bredare frekvensområde än vad som kan absorberas av den infraröda solcellen, som slösar bort energi. Ett noggrant konstruerat metamaterial anpassat till den specifika frekvensen, dock, kan avge infrarött ljus i ett mycket smalare band.

"Metallbaserade metamaterial är mycket lättare att ställa in på dessa frekvenser, men när metall värms upp till de temperaturer som krävs i denna typ av enheter, de tenderar att smälta, "sa Padilla." Du behöver ett dielektriskt metamaterial som tål värmen. Och nu när vi har maskininlärningsbiten, det ser ut som att detta verkligen kan uppnås. "