En maskinlæringsløsning til at designe materialer med ønskede optiske egenskaber

At forstå, hvordan stof interagerer med lys - dets optiske egenskaber - er afgørende i et utal af energi- og biomedicinske teknologier, såsom målrettet medicinlevering, kvanteprikker, brændstof forbrænding, og revner af biomasse. Men at beregne disse egenskaber er beregningskrævende, og det omvendte problem – at designe en struktur med ønskede optiske egenskaber – er endnu sværere.

Nu har Berkeley Lab-forskere udviklet en maskinlæringsmodel, der kan bruges til begge problemer - beregning af optiske egenskaber af en kendt struktur og, omvendt, design af en struktur med ønskede optiske egenskaber. Deres undersøgelse blev offentliggjort i Cell Rapporter Fysisk Videnskab .

"Vores model udfører tovejs med høj nøjagtighed, og dens fortolkning genopretter kvalitativt fysik af, hvordan metal og dielektriske materialer interagerer med lys, " sagde den tilsvarende forfatter Sean Lubner.

Lubner bemærker, at forståelsen af ​​strålingsegenskaber (som inkluderer optiske egenskaber) er lige så vigtig i den naturlige verden for at beregne virkningen af ​​aerosoler såsom sort kulstof på klimaændringer.

Den maskinlæringsmodel, der blev foreslået i denne undersøgelse, blev trænet i spektralemissivitetsdata fra næsten 16, 000 partikler af forskellige former og materialer, der kan fremstilles eksperimentelt.

"Vores maskinindlæringsmodel fremskynder den omvendte designproces med mindst to til tre størrelsesordener i forhold til den traditionelle metode til omvendt design, " sagde medforfatter Ravi Prasher, som også er Berkeley Labs Associate Director for Energy Technologies.

Mahmoud Elzouka, Charles Yang, og Adrian Albert, alle videnskabsmænd i Berkeley Labs energiteknologiområde, var også medforfattere.