AI-baseret metode kunne fremskynde udviklingen af ​​specialiserede nanopartikler

En ny teknik udviklet af MIT-fysikere kunne en dag give en måde at specialdesigne flerlagede nanopartikler med ønskede egenskaber, potentielt til brug i skærme, tildækningssystemer, eller biomedicinsk udstyr. Det kan også hjælpe fysikere med at tackle en række vanskelige forskningsproblemer, på måder, der i nogle tilfælde kunne være størrelsesordener hurtigere end eksisterende metoder.

Innovationen bruger computational neurale netværk, en form for kunstig intelligens, at "lære" hvordan en nanopartikels struktur påvirker dens adfærd, i dette tilfælde den måde, den spreder forskellige farver af lys, baseret på tusindvis af træningseksempler. Derefter, efter at have lært forholdet, programmet kan i det væsentlige køres baglæns for at designe en partikel med et ønsket sæt lysspredningsegenskaber - en proces kaldet omvendt design.

Resultaterne bliver rapporteret i tidsskriftet Videnskabens fremskridt , i et papir af MIT senior John Peurifoy, forskningspartner Yichen Shen, kandidatstuderende Li Jing, professor i fysik Marin Soljacic, og fem andre.

Mens tilgangen i sidste ende kan føre til praktiske anvendelser, Soljacic siger, arbejdet er primært af videnskabelig interesse som en måde at forudsige de fysiske egenskaber af en række forskellige nanomanipulerede materialer uden at kræve de beregningsintensive simuleringsprocesser, der typisk bruges til at tackle sådanne problemer.

Soljacic siger, at målet var at se på neurale netværk, et felt, der har oplevet en masse fremskridt og skabt begejstring i de seneste år, for at se, "om vi kan bruge nogle af disse teknikker for at hjælpe os i vores fysikforskning. Så dybest set, er computere 'intelligente' nok, så de kan udføre nogle mere intelligente opgaver for at hjælpe os med at forstå og arbejde med nogle fysiske systemer?"

For at teste ideen, de brugte et relativt simpelt fysisk system, Shen forklarer. "For at forstå hvilke teknikker der er egnede og for at forstå grænserne og hvordan man bedst bruger dem, vi [brugte det neurale netværk] på et bestemt system til nanofotonik, et system af sfærisk koncentriske nanopartikler." Nanopartiklerne er lagdelt som et løg, men hvert lag er lavet af et andet materiale og har en forskellig tykkelse.

Nanopartiklerne har størrelser, der kan sammenlignes med bølgelængderne af synligt lys eller mindre, og måden, hvorpå lys af forskellige farver spredes fra disse partikler, afhænger af detaljerne i disse lag og af bølgelængden af ​​den indkommende stråle. At beregne alle disse effekter for nanopartikler med mange lag kan være en intensiv beregningsopgave for mangelagede nanopartikler, og kompleksiteten bliver værre, efterhånden som antallet af lag vokser.

Forskerne ønskede at se, om det neurale netværk ville være i stand til at forudsige, hvordan en ny partikel ville sprede lysfarver - ikke kun ved at interpolere mellem kendte eksempler, men ved faktisk at finde ud af et eller andet underliggende mønster, der tillader det neurale netværk at ekstrapolere.

"Simuleringerne er meget nøjagtige, så når du sammenligner disse med eksperimenter, reproducerer de alle hinanden punkt for punkt, " siger Peurifoy, som bliver MIT-ph.d.-studerende næste år. "Men de er talmæssigt ret intensive, så det tager ret lang tid. Det vi gerne vil se her er, hvis vi viser en masse eksempler på disse partikler, mange mange forskellige partikler, til et neuralt netværk, om det neurale netværk kan udvikle 'intuition' for det."

Helt sikkert, det neurale netværk var i stand til rimeligt godt at forudsige det nøjagtige mønster af en graf af lysspredning i forhold til bølgelængde - ikke perfekt, men meget tæt på, og på meget kortere tid. De neurale netværkssimuleringer "er nu meget hurtigere end de nøjagtige simuleringer, " siger Jing. "Så nu kunne du bruge et neuralt netværk i stedet for en rigtig simulering, og det ville give dig en ret præcis forudsigelse. Men det kom med en pris, og prisen var, at vi først skulle træne det neurale netværk, og for at gøre det var vi nødt til at producere et stort antal eksempler."

Når netværket er trænet, selvom, eventuelle fremtidige simuleringer vil få det fulde udbytte af speedup, så det kunne være et nyttigt værktøj til situationer, der kræver gentagne simuleringer. Men det egentlige mål med projektet var at lære om metoden, ikke kun denne særlige applikation. "En af hovedårsagerne til, at vi var interesserede i dette særlige system, var for os at forstå disse teknikker, snarere end blot at simulere nanopartikler, " siger Soljacic.

Det næste trin var i det væsentlige at køre programmet omvendt, at bruge et sæt af ønskede spredningsegenskaber som udgangspunkt og se, om det neurale netværk så kunne finde ud af den nøjagtige kombination af nanopartikellag, der er nødvendig for at opnå dette output.

"I teknik, mange forskellige teknikker er blevet udviklet til omvendt design, og det er et enormt forskningsfelt, " siger Soljacic. "Men meget ofte for at opsætte et givet omvendt designproblem, det tager ret lang tid, så i mange tilfælde skal du være ekspert på området og så bruge nogle gange endda måneder på at sætte det op for at løse det."

Men med holdets trænede neurale netværk, "Vi gjorde ikke nogen særlig forberedelse til dette. Vi sagde, 'Okay, lad os prøve at køre det baglæns.' Og utroligt nok, når vi sammenligner det med nogle andre mere standard inverse designmetoder, dette er en af ​​de bedste, " siger han. "Det vil faktisk gøre det meget hurtigere end et traditionelt omvendt design."

Medforfatter Shen siger "den oprindelige motivation, vi havde til at gøre dette, var at oprette en generel værktøjskasse, som enhver generelt veluddannet person, der ikke er ekspert i fotonik, kan bruge ... Det var vores oprindelige motivation, og det fungerer helt klart ret godt for denne særlige sag."

Fremskyndelsen i visse former for inverse designsimuleringer kan være ret betydelig. Peurifoy siger "Det er svært at have æbler-til-æbler nøjagtige sammenligninger, men du kan effektivt sige, at du har gevinster i størrelsesordenen hundredvis af gange. Så gevinsten er meget meget betydelig - i nogle tilfælde går den fra dage ned til minutter."