Maskinlæring finder nye metamaterialedesigns til energihøst

Elektriske ingeniører ved Duke University har udnyttet kraften i maskinlæring til at designe dielektriske (ikke-metal) metamaterialer, der absorberer og udsender specifikke frekvenser af terahertz-stråling. Designteknikken ændrede, hvad der kunne have været mere end 2000 års beregning til 23 timer, bane vejen for design af nye, bæredygtige typer af termiske energihøstere og belysning.

Undersøgelsen blev offentliggjort online den 16. september i tidsskriftet Optik Express .

Metamaterialer er syntetiske materialer sammensat af mange individuelle konstruerede funktioner, som tilsammen producerer egenskaber, der ikke findes i naturen gennem deres struktur frem for deres kemi. I dette tilfælde, terahertz-metamaterialet er bygget op af et to-og-to-gitter af siliciumcylindre, der ligner en kort, firkantet Lego.

Justering af højden, radius og afstand mellem hver af de fire cylindre ændrer frekvenserne af lys, som metamaterialet interagerer med.

Beregning af disse interaktioner for et identisk sæt cylindre er en ligetil proces, der kan udføres med kommerciel software. Men at finde ud af det omvendte problem med hvilke geometrier, der vil frembringe et ønsket sæt egenskaber, er et meget vanskeligere forslag.

Fordi hver cylinder skaber et elektromagnetisk felt, der strækker sig ud over dets fysiske grænser, de interagerer med hinanden i en uforudsigelig, ikke-lineær måde.

"Hvis du forsøger at opbygge en ønsket reaktion ved at kombinere egenskaberne for hver enkelt cylinder, du vil få en skov af tinder, der ikke blot er en sum af deres dele, " sagde Willie Padilla, professor i elektro- og computerteknik ved Duke. "Det er et enormt geometrisk parameterrum, og du er fuldstændig blind - der er ingen indikation af, hvilken vej du skal gå."

En måde at finde den rigtige kombination på ville være at simulere enhver mulig geometri og vælge det bedste resultat. Men selv for et simpelt dielektrisk metamateriale, hvor hver af de fire cylindre kun kan have 13 forskellige radier og højder, der er 815,7 millioner mulige geometrier. Selv på de bedste computere, der er tilgængelige for forskerne, det ville tage mere end 2, 000 år til at simulere dem alle.

For at fremskynde processen, Padilla og hans kandidatstuderende Christian Nadell henvendte sig til maskinlæringsekspert Jordan Malof, assisterende forskningsprofessor i elektro- og computerteknik ved Duke, og ph.d. studerende Bohao Huang.

Malof og Huang skabte en type maskinlæringsmodel kaldet et neuralt netværk, der effektivt kan udføre simuleringer i størrelsesordener hurtigere end den originale simuleringssoftware. Netværket tager 24 input - højden, radius og radius-til-højde-forhold for hver cylinder - tildeler tilfældige vægte og skævheder gennem hele dens beregninger, og spytter en forudsigelse ud af, hvordan metamaterialets frekvensresponsspektrum vil se ud.

Først, imidlertid, det neurale netværk skal "trænes" til at lave præcise forudsigelser.

"De indledende forudsigelser vil ikke ligne det faktiske rigtige svar, sagde Malof. Men som et menneske, netværket kan gradvist lære at lave korrekte forudsigelser ved blot at observere den kommercielle simulator. Netværket justerer sine vægte og skævheder, hver gang det laver en fejl og gør dette gentagne gange, indtil det producerer det rigtige svar hver gang."

For at maksimere nøjagtigheden af ​​maskinlæringsalgoritmen, forskerne trænede det med 18, 000 individuelle simuleringer af metamaterialets geometri. Selvom dette kan lyde som et stort antal, den repræsenterer faktisk kun 0,0022 procent af alle mulige konfigurationer. Efter træning, det neurale netværk kan producere meget nøjagtige forudsigelser på blot en brøkdel af et sekund.

Selv med denne succes i hånden, imidlertid, det løste stadig kun det fremadrettede problem med at producere frekvensresponsen for en given geometri, hvilket de allerede kunne. For at løse det omvendte problem med at matche en geometri til en given frekvensgang, forskerne vendte tilbage til brutal styrke.

Fordi maskinlæringsalgoritmen er næsten en million gange hurtigere end den modelleringssoftware, der bruges til at træne den, forskerne lod det simpelthen løse hver eneste af de 815,7 millioner mulige permutationer. Maskinlæringsalgoritmen gjorde det på kun 23 timer i stedet for tusinder af år.

Efter det, en søgealgoritme kunne matche enhver given ønsket frekvensrespons til biblioteket af muligheder skabt af det neurale netværk.

"Vi er ikke nødvendigvis eksperter i det, men Google gør det hver dag, " sagde Padilla. "En simpel søgetræalgoritme kan gå gennem 40 millioner grafer i sekundet."

Forskerne testede derefter deres nye system for at sikre, at det virkede. Nadell hånd tegnede flere frekvensresponsgrafer og bad algoritmen om at vælge den metamaterialeopsætning, der bedst ville producere hver enkelt. Han kørte derefter svarene produceret gennem den kommercielle simuleringssoftware for at se, om de matchede godt.

De gjorde.

Med evnen til at designe dielektriske metamaterialer på denne måde, Padilla og Nadell arbejder på at konstruere en ny type termofotovoltaisk enhed, som skaber elektricitet fra varmekilder. Sådanne enheder fungerer meget som solpaneler, bortset fra at de absorberer specifikke frekvenser af infrarødt lys i stedet for synligt lys.

Nuværende teknologier udstråler infrarødt lys i et meget bredere frekvensområde, end det kan absorberes af den infrarøde solcelle, som spilder energi. Et omhyggeligt konstrueret metamateriale tunet til den specifikke frekvens, imidlertid, kan udsende infrarødt lys i et meget smallere bånd.

"Metalbaserede metamaterialer er meget nemmere at indstille til disse frekvenser, men når metal varmer op til de temperaturer, der kræves i disse typer enheder, de har en tendens til at smelte, " sagde Padilla. "Du har brug for et dielektrisk metamateriale, der kan modstå varmen. Og nu hvor vi har maskinlæringsstykket, det ser ud til, at dette virkelig er muligt."