Метод искусственного интеллекта мог ускорить создание специализированных наночастиц

Физики Массачуссетского технологического института разработали новый метод, который может когда-нибудь предоставить способ настройки многослойных наночастиц с предпочтительными свойствами, потенциально для использования в маскирующих системах, дисплеях или биомедицинских устройствах. Это может также помочь физикам справиться с целым рядом острых проблем исследования, таким образом, чтобы в некоторых случаях они могли быть на порядок быстрее, чем существующие подходы.

Эта клоаковая граната, используемая для скрытия операций войск с поля зрения на поле боя, является примером наночастиц которые отражают определенный цвет света в зависимости от их точного размера и состава. Новая работа исследователей MIT дает возможность предсказать светорассеивающие свойства слоистых наночастиц – или создать частицы в соответствии с желаемым типом поведения рассеяния света. (ВВС США, технический сержант Скотт Т. Стуркол, из Википедии)

Инновация использует вычислительные нейронные сети, форму искусственного интеллекта, чтобы «узнать», как структура наночастиц влияет на ее поведение, в этом случае способ рассеивания различных цветов света, основанный на многочисленных примерах обучения. Затем, изучив ассоциацию, программа может фундаментально быть запущена назад для создания частицы с предпочтительным набором свойств рассеяния света – процесса, известного как обратный дизайн.

Результаты публикуются в журнале Science Advances в статье старшего научного сотрудника Массачусетского технологического института Джона Перифоя, научного филиала Йичэн Шен, аспиранта Ли Цзин, профессора физики Марина Солячича и еще пятерых.

Хотя метод может в конечном итоге привести к практическим применениям, говорит Сольячич, исследование в основном представляет собой научный интерес как способ прогнозирования физических свойств ряда нано-инженерных материалов, не требуя обычно интенсивно вычислительных процессов моделирования, которые обычно используются для решения таких проблем.

Сольячич говорит, что цель состояла в том, чтобы учиться в нейронных сетях, на поле, которое стало свидетелем большого прогресса и вызвало волнение в последние годы, «можем ли мы использовать некоторые из этих методов, чтобы помочь нас в нашем физическом исследовании. Итак, в основном, достаточно «умных» компьютеров, чтобы они могли выполнять более интеллектуальные задачи, помогая нам понять и работать с некоторыми физическими системами? »

Чтобы исследовать эту идею, они использовали сравнительно простую физическую систему, объясняет Шэнь.

. Чтобы понять, какие методы подходят и для понимания пределов и как их наилучшим образом использовать, мы [used the neural network] об одной конкретной системе нанофотоники, системе сферически концентрических наночастиц.

Yichen Shen, R esearch Партнер, MIT

Наночастицы слоистые, как лук, но каждый слой состоит из другого материала и имеет различную толщину.

. Наночастицы имеют размеры, подобные длинам волн видимого света или меньше, и способ рассеяния света разных цветов от этих частиц зависит от длины волны входящего луча и деталей этих слоев. Вычисление всех этих эффектов для наночастиц с несколькими слоями может быть строгой вычислительной задачей для многослойных наночастиц, а сложность ухудшается по мере роста количества слоев.

Ученые были заинтересованы в том, чтобы определить, сможет ли нейронная сеть предсказать, как новая частица будет распределять цвета света – не только путем интерполирования между идентифицированными примерами, но, по существу, выработкой некоторого основного шаблона, который разрешает нейронную сеть для экстраполяции.

«Моделирование очень точное, поэтому, сравнивая их с экспериментами, все они воспроизводят друг друга по пунктам», – говорит Перифой, который в следующем году станет докторантом Массачусетского технологического института. « Но они численно довольно интенсивны, поэтому требуется довольно много времени. Мы хотим видеть здесь, если мы покажем кучу примеров этих частиц, много разных частиц, в нейронную сеть, может ли нейронная сеть развивать для нее «интуицию».

В действительности, нейронная сеть смогла достаточно точно предсказать точную картину графика рассеяния света по сравнению с длиной волны – не безупречно, но очень близко и намного меньше времени. Моделирование нейронной сети: « теперь намного быстрее, чем точное моделирование», – говорит Цзин. « Итак, теперь вы можете использовать нейронную сеть вместо реального моделирования, и это даст вам довольно точное предсказание. Но у него была цена, и цена заключалась в том, что мы должны были сначала обучить нейронную сеть, и для этого нам пришлось подготовить множество примеров ».

Как только сеть будет обучена, все моделирование в будущем будет в полной мере использовать ускорение, поэтому это может быть полезным инструментом для ситуаций, требующих повторных симуляций. Но реальная цель проекта заключалась в том, чтобы узнать о методологии, а не только о конкретном приложении.

. Одна из основных причин, по которой нас интересовала эта конкретная система, заключалась в том, чтобы мы могли понять эти методы, а не просто имитировать наночастицы.

Марин Сольячич, Профессор физики, Массачусетский технологический институт

Следующим шагом было принципиально управлять программой в обратном порядке, чтобы использовать набор предпочтительных характеристик рассеяния в качестве начальной точки и наблюдать, сможет ли нейронная сеть определить точное сочетание слоев наночастиц, необходимых для достижения этого выхода.

«В технике много разных методов были разработаны для обратного проектирования, и это огромная область исследований», – говорит Сольячич. «Но очень часто для того, чтобы создать заданную проблему с обратным дизайном, это занимает довольно много времени, поэтому во многих случаях вы должны быть экспертом в этой области, а затем иногда иногда даже месяцами настраивать его, чтобы решить его. "

Однако с обученной нейронной сетью команды «мы не делали специальной подготовки к этому. Мы сказали: «Хорошо, давайте попробуем запустить его назад». И удивительно, когда мы сравниваем его с другими более стандартными обратными методами проектирования, это один из лучших », – говорит он. « На самом деле это будет намного быстрее, чем традиционный обратный дизайн».

Первоначальная мотивация, которую мы должны были сделать, заключалась в том, чтобы создать общий набор инструментов, который может использовать любой хорошо образованный человек, который не является экспертом в области фотоники. … Это была наша оригинальная мотивация, и она явно хорошо подходит для этого конкретного случая.

Yichen Shen

Ускорение в конкретных видах обратного моделирования моделирования может быть довольно значительным. Peurifoy говорит, «Трудно иметь точное сравнение яблок с яблоками, но вы можете эффективно сказать, что у вас есть прибыль порядка сотни раз. Таким образом, выигрыш очень велик – в некоторых случаях он идет от дней до минут ».

Исследование получило поддержку от Национального научного фонда, Исследовательской корпорации полупроводников и Исследовательского бюро армии США через Институт по нанотехнологиям Солдата. Другие участвующие в исследовании: Yi Yang, Fidel Cano-Renteria, John D. Joannopoulos и Max Tegmark, все из MIT; и Брендан Г. Делис из химического биологического центра армии США Эджвуд

Source link