Hvor dyb læring møder metamaterialer

Gennembrud inden for nanofotonik - hvordan lys opfører sig på nanometerskalaen - har banet vejen for opfindelsen af ​​"metamaterialer, "menneskeskabte materialer, der har enorme anvendelsesmuligheder, fra fjernmåling af nanoskala til energihøst og medicinsk diagnostik. Men deres indflydelse på dagligdagen er blevet hindret af en kompliceret fremstillingsproces med store fejlmargener.

Nu er en ny tværfaglig undersøgelse fra Tel Aviv University offentliggjort i Lys:Videnskab og applikationer demonstrerer en måde at strømline processen med at designe og karakterisere grundlæggende nanofotoniske, metamateriale elementer. Undersøgelsen blev ledet af Dr. Haim Suchowski fra TAU's School of Physics and Astronomy og prof. Lior Wolf fra TAU's Blavatnik School of Computer Science og udført af forsker Dr. Michael Mrejen og TAU's kandidatstuderende Itzik Malkiel, Achiya Nagler og Uri Arieli.

"Processen med at designe metamaterialer består af udskæring af elementer i nanoskala med en præcis elektromagnetisk respons, " siger Dr. Mrejen. "Men på grund af kompleksiteten af ​​den involverede fysik, designet, fremstillings- og karakteriseringsprocesser af disse elementer kræver en enorm mængde forsøg og fejl, dramatisk begrænse deres applikationer."

Deep Learning en nøgle til præcisionsfremstilling

"Vores nye tilgang afhænger næsten udelukkende af Deep Learning, et computernetværk inspireret af den menneskelige hjernes lagdelte og hierarkiske arkitektur, " Prof. Wolf forklarer. "Det er en af ​​de mest avancerede former for maskinlæring, ansvarlig for store fremskridt inden for teknologi, herunder talegenkendelse, oversættelse og billedbehandling. Vi troede, det ville være den rigtige tilgang til at designe nanofotoniske, metamateriale elementer."

Forskerne fodrede et Deep Learning-netværk med 15, 000 kunstige eksperimenter for at lære netværket det komplekse forhold mellem nanoelementernes former og deres elektromagnetiske reaktioner. "Vi demonstrerede, at et 'trænet' Deep Learning-netværk kan forudsige, på et splitsekund, geometrien af ​​en fremstillet nanostruktur, " siger Dr. Suchowski.

Forskerne viste også, at deres tilgang med succes producerer det nye design af nanoelementer, der kan interagere med specifikke kemikalier og proteiner.

Bredt anvendelige resultater

"Disse resultater er bredt anvendelige på så mange områder, inklusive spektroskopi og målrettet terapi, dvs. det effektive og hurtige design af nanopartikler, der er i stand til at målrette mod ondsindede proteiner, " siger Dr. Suchowski. "For første gang, en roman Deep Neural Network, trænet med tusindvis af syntetiske eksperimenter, var ikke kun i stand til at bestemme dimensionerne af objekter i nanostørrelse, men var også i stand til at tillade hurtig design og karakterisering af metasurface-baserede optiske elementer til målrettede kemikalier og biomolekyler.

"Vores løsning fungerer også omvendt. Når først en form er fremstillet, det tager normalt dyrt udstyr og tid at bestemme den præcise form, der faktisk er blevet fremstillet. Vores computerbaserede løsning gør det på et splitsekund baseret på en simpel transmissionsmåling."

Forskerne, som også har skrevet patent på deres nye metode, udvider i øjeblikket deres Deep Learning-algoritmer til at omfatte den kemiske karakterisering af nanopartikler.