Hvordan kunstig intelligens overlader materialevidenskab

Maskinlæring og kunstig intelligens bliver i stigende grad brugt i materialevidenskabelig forskning. For eksempel, MIT lektor i materialevidenskab og teknik Juejun "JJ" Hu udviklede en algoritme, der forbedrer ydeevnen af ​​et chip-baseret spektrometer, og Atlantic Richfield lektor i energistudier Elsa A. Olivetti byggede et kunstig intelligenssystem, der gennemsøger videnskabelige artikler for at udlede materialevidenskabelige "opskrifter".

Disse og andre MIT -professorer, samt hovedtaler Brian Storey, Toyota Research Instituts direktør for accelereret materialedesign og opdagelse, vil diskutere indsigt og gennembrud i deres forskning ved hjælp af maskinlæring på MIT Materials Research Laboratory's årlige Materials Day Symposium onsdag, 9. oktober i Kresge Auditorium.

Lektor Hu forklarede for nylig, hvad der førte til hans gennembrudsspektrometer, og hvorfor han er optimistisk over, at maskinlæring og kunstig intelligens er ved at blive et hverdagsredskab i materialeforskning.

Spørgsmål:Dit spektrometerarbejde gjorde især brug af maskinlæringsteknikker. Hvordan ændrer den nye tilgang opdagelsesprocessen inden for materialevidenskab?

A:Grundlæggende vi udviklede en ny spektrometerteknologi, der giver os mulighed for at krympe store komponenter på en lille siliciumchip og stadig bevare høj ydeevne. Vi udviklede en algoritme, der giver os mulighed for at udtrække informationen med et meget bedre signal-til-støj-forhold. Vi har valideret algoritmen for mange forskellige slags spektrum. Algoritmen identificerer separate lysfarver ved at sammenligne to gentagne målinger for at afbøde virkningen af ​​målestøj. Algoritmen forbedrer opløsningen med 100 procent sammenlignet med lærebogens grænser, kaldet Rayleigh-grænserne.

Spørgsmål:Hvordan bruger du maskinlæring til at identificere nye optiske materialer og designs til dit arbejde med melleminfrarøde linser sammensat af optiske antennesystemer?

A:Vi samarbejder med en gruppe på UMass [University of Massachusetts] for at udvikle en dyb læringsalgoritme til at designe "metasurfaces, "som er en slags optisk enhed, hvor man i stedet for at bruge konventionel geometrisk krumning til at konstruere, sige, en linse, du bruger en række specialdesignede optiske antenner til at give faseforsinkelse på det indkommende lys, og derfor kan vi opnå alle slags funktionaliteter. Et stort problem med metasurfaces er, at konventionelt, når folk ville designe disse metasurflader, de ville gøre det i det væsentlige ved forsøg og fejl.

Vi har opsat en dyb læringsalgoritme. Algoritmen giver os mulighed for at træne den med eksisterende data. Så mens vi træner det, til sidst bliver algoritmen "smart". Algoritmen kan evaluere bearbejdeligheden af ​​uregelmæssige former, der går ud over konventionelle former som cirkler og rektangler. Den kan genkende skjulte forbindelser mellem komplekse geometrier og den elektromagnetiske respons, hvilket normalt ikke er trivielt, og den kan finde disse skjulte relationer hurtigere end konventionelle simuleringer i fuld skala. Algoritmen kan også frasortere potentielle kombinationer af materialer og funktioner, der bare ikke virker. Hvis du bruger konventionelle metoder, du skal spilde masser af tid for at udtømme al mulig designplads og så komme til denne konklusion, men nu kan vores algoritme fortælle dig det virkelig hurtigt.

Spørgsmål:Hvilke andre fremskridt letter brugen af ​​maskinlæring i materialevidenskab?

A:Den anden ting, vi ser, er nu, at vi også har meget lettere adgang til meget kraftfulde, skybaserede beregningsfaciliteter, der er kommercielt tilgængelige. Så den kombination af hardware, nem adgang, meget kraftige computerressourcer, og de nye algoritmer, det er det, der gør os i stand til at lave nye innovationer. Igen, for eksempel, med metasflader, hvis du ser på gamle designs, folk brugte stort set almindelige geometrier som cirkler, firkanter, rektangler, men vi, såvel som mange andre i samfundet, går nu alle videre til topologisk optimerede optiske enheder. Og for at designe disse strukturer, kombinationen af ​​nye algoritmer og kraftfulde beregningsressourcer er nøglen til at designe enorme enheder som makroskopiske, topologisk optimeret optik i tredimensionelt rum.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.