Los ingenieros eléctricos de la Universidad de Duke han aprovechado el poder del aprendizaje automático para diseñar metamateriales dieléctricos no metálicos que absorben y emiten frecuencias específicas de radiación de terahercios. La técnica de diseño cambió lo que podrían haber sido más de 2000 años de cálculo en 23 horas., abriendo el camino para el diseño de nuevos tipos sostenibles de cosechadoras e iluminación de energía térmica.
El estudio fue publicado en línea el 16 de septiembre en la revista Óptica Express .
Los metamateriales son materiales sintéticos compuestos de muchas características de ingeniería individuales, que juntas producen propiedades que no se encuentran en la naturaleza a través de su estructura en lugar de su química. En este caso, el metamaterial de terahercios se construye a partir de una rejilla de cilindros de silicio de dos por dosparecido a un Lego corto y cuadrado.
Ajustar la altura, el radio y el espaciado de cada uno de los cuatro cilindros cambia las frecuencias de luz con las que interactúa el metamaterial.
Calcular estas interacciones para un conjunto idéntico de cilindros es un proceso sencillo que puede realizarse mediante software comercial. Pero resolver el problema inverso de qué geometrías producirán un conjunto deseado de propiedades es una propuesta mucho más difícil.
Debido a que cada cilindro crea un campo electromagnético que se extiende más allá de sus límites físicos, interactúan entre sí de una manera impredecible y no lineal.
"Si intentas construir la respuesta deseada combinando las propiedades de cada cilindro individual, obtendrás un bosque de picos que no es simplemente una suma de sus partes", dijo Willie Padilla, profesor de electricidad y computacióningeniería en Duke: "Es un gran espacio de parámetros geométricos y estás completamente ciego, no hay indicación de qué camino tomar".
Una forma de encontrar la combinación correcta sería simular cada geometría posible y elegir el mejor resultado. Pero incluso para un metamaterial dieléctrico simple donde cada uno de los cuatro cilindros puede tener solo 13 radios y alturas diferentes, hay 815.7 millones de geometrías posiblesIncluso en las mejores computadoras disponibles para los investigadores, tomaría más de 2,000 años simularlos a todos.
Para acelerar el proceso, Padilla y su estudiante graduado Christian Nadell recurrieron al experto en aprendizaje automático Jordan Malof, profesor asistente de investigación de ingeniería eléctrica e informática en Duke, y al estudiante de doctorado Bohao Huang.
Malof y Huang crearon un tipo de modelo de aprendizaje automático llamado red neuronal que puede realizar efectivamente órdenes de magnitud de simulaciones más rápido que el software de simulación original. La red toma 24 entradas: la altura, el radio y la relación radio-altura decada cilindro: asigna pesos aleatorios y sesgos a lo largo de sus cálculos, y escupe una predicción de cómo se verá el espectro de respuesta de frecuencia del metamaterial.
Primero, sin embargo, la red neuronal debe estar "entrenada" para hacer predicciones precisas.
"Las predicciones iniciales no se parecerán a la respuesta correcta real", dijo Malof. "Pero como un humano, la red puede aprender gradualmente a hacer predicciones correctas simplemente observando el simulador comercial. La red ajusta sus pesos y sesgos".cada vez que comete un error y lo hace repetidamente hasta que produce la respuesta correcta cada vez ".
Para maximizar la precisión del algoritmo de aprendizaje automático, los investigadores lo entrenaron con 18,000 simulaciones individuales de la geometría del metamaterial. Si bien esto puede sonar como un gran número, en realidad representa solo el 0.0022 por ciento de todas las configuraciones posibles. Después del entrenamiento, elLa red neuronal puede producir predicciones altamente precisas en solo una fracción de segundo.
Sin embargo, incluso con este éxito en la mano, solo resolvió el problema directo de producir la respuesta de frecuencia de una geometría dada, lo cual ya podrían hacer. Para resolver el problema inverso de hacer coincidir una geometría con una respuesta de frecuencia dada, elLos investigadores volvieron a la fuerza bruta.
Debido a que el algoritmo de aprendizaje automático es casi un millón de veces más rápido que el software de modelado utilizado para entrenarlo, los investigadores simplemente lo dejaron resolver cada una de las 815.7 millones de permutaciones posibles. El algoritmo de aprendizaje automático lo hizo en solo 23 horas en lugar demiles de años.
Después de eso, un algoritmo de búsqueda podría hacer coincidir cualquier respuesta de frecuencia deseada con la biblioteca de posibilidades creadas por la red neuronal.
"No necesariamente somos expertos en eso, pero Google lo hace todos los días", dijo Padilla. "Un algoritmo de árbol de búsqueda simple puede pasar por 40 millones de gráficos por segundo".
Luego, los investigadores probaron su nuevo sistema para asegurarse de que funcionara. Nadell dibujó varios gráficos de respuesta de frecuencia y le pidió al algoritmo que eligiera la configuración de metamaterial que mejor produciría cada uno. Luego, ejecutó las respuestas producidas a través del software de simulación comercial paraver si coinciden bien.
Lo hicieron
Con la capacidad de diseñar metamateriales dieléctricos de esta manera, Padilla y Nadell están trabajando para diseñar un nuevo tipo de dispositivo termo-fotovoltaico, que genera electricidad a partir de fuentes de calor. Dichos dispositivos funcionan de manera muy similar a los paneles solares, excepto que absorben frecuencias específicas de luz infrarrojaen lugar de luz visible.
Las tecnologías actuales irradian luz infrarroja en un rango de frecuencia mucho más amplio que el que puede absorber la célula solar infrarroja, que desperdicia energía. Sin embargo, un metamaterial cuidadosamente diseñado y ajustado a esa frecuencia específica puede emitir luz infrarroja en una banda mucho más estrecha.
"Los metamateriales basados en metal son mucho más fáciles de sintonizar con estas frecuencias, pero cuando el metal se calienta a las temperaturas requeridas en este tipo de dispositivos, tienden a derretirse", dijo Padilla. "Se necesita un metamaterial dieléctrico que pueda soportar elcalor. Y ahora que tenemos la pieza de aprendizaje automático, parece que esto es realmente posible ".
Esta investigación fue apoyada por el Departamento de Energía DESC0014372.
Fuente de la historia :
Materiales proporcionado por Universidad de Duke . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :