Una nueva técnica desarrollada por los físicos del MIT podría algún día proporcionar una forma de diseñar nanopartículas de capas múltiples con propiedades deseadas, potencialmente para su uso en pantallas, sistemas de ocultación o dispositivos biomédicos. También puede ayudar a los físicos a abordar una variedad de problemas de investigación espinosa,en formas que en algunos casos podrían ser órdenes de magnitud más rápido que los métodos existentes.
La innovación utiliza redes neuronales computacionales, una forma de inteligencia artificial, para "aprender" cómo la estructura de una nanopartícula afecta su comportamiento, en este caso la forma en que dispersa diferentes colores de luz, en base a miles de ejemplos de entrenamiento. Luego, después de haber aprendidoEn la relación, el programa esencialmente puede ejecutarse hacia atrás para diseñar una partícula con un conjunto deseado de propiedades de dispersión de la luz, un proceso llamado diseño inverso.
Los hallazgos se informan en la revista Avances científicos en un documento del estudiante de último año del MIT John Peurifoy, el afiliado de investigación Yichen Shen, el estudiante graduado Li Jing, el profesor de física Marin Soljacic y otros cinco.
Si bien el enfoque en última instancia podría conducir a aplicaciones prácticas, dice Soljacic, el trabajo es principalmente de interés científico como una forma de predecir las propiedades físicas de una variedad de materiales de nanoingeniería sin requerir los procesos de simulación computacionalmente intensivos que generalmente se utilizan para abordar tales problemasproblemas.
Soljacic dice que el objetivo era mirar las redes neuronales, un campo que ha visto mucho progreso y ha generado entusiasmo en los últimos años, para ver "si podemos usar algunas de esas técnicas para ayudarnos en nuestra investigación de físicaBásicamente, ¿son las computadoras lo suficientemente "inteligentes" como para que puedan hacer algunas tareas más inteligentes para ayudarnos a comprender y trabajar con algunos sistemas físicos? "
Shen explica que, para probar la idea, utilizaron un sistema físico relativamente simple. "Para comprender qué técnicas son adecuadas y comprender los límites y cómo usarlas mejor, [utilizamos la red neuronal] en un sistema en particularpara nanofotónica, un sistema de nanopartículas esféricamente concéntricas ". Las nanopartículas están en capas como una cebolla, pero cada capa está hecha de un material diferente y tiene un grosor diferente.
Las nanopartículas tienen tamaños comparables a las longitudes de onda de la luz visible o más pequeñas, y la forma en que la luz de diferentes colores se dispersa de estas partículas depende de los detalles de estas capas y de la longitud de onda del haz entrante. Cálculo de todos estos efectos para las nanopartículascon muchas capas puede ser una tarea computacional intensiva para nanopartículas de muchas capas, y la complejidad empeora a medida que crece el número de capas.
Los investigadores querían ver si la red neuronal podría predecir la forma en que una nueva partícula dispersaría los colores de la luz, no solo interpolando entre ejemplos conocidos, sino descubriendo algún patrón subyacente que permita que la red neuronalextrapolar.
"Las simulaciones son muy exactas, por lo que cuando las comparas con experimentos, todos se reproducen punto por punto", dice Peurifoy, que será un estudiante de doctorado del MIT el próximo año. "Pero son numéricamente bastante intensivos, por lo que se necesitabastante tiempo. Lo que queremos ver aquí es, si mostramos un montón de ejemplos de estas partículas, muchas partículas diferentes, a una red neuronal, si la red neuronal puede desarrollar 'intuición' para ello ".
Efectivamente, la red neuronal pudo predecir razonablemente bien el patrón exacto de un gráfico de dispersión de luz versus longitud de onda, no perfectamente, pero muy cerca y en mucho menos tiempo. Las simulaciones de la red neuronal "ahora son mucho más rápidas quelas simulaciones exactas ", dice Jing." Así que ahora podría usar una red neuronal en lugar de una simulación real, y le daría una predicción bastante precisa. Pero vino con un precio, y el precio era que primero teníamos que entrenarla red neuronal, y para hacerlo tuvimos que producir una gran cantidad de ejemplos "
Sin embargo, una vez que la red esté capacitada, cualquier simulación futura obtendría el beneficio completo de la aceleración, por lo que podría ser una herramienta útil para situaciones que requieren simulaciones repetidas. Pero el objetivo real del proyecto era aprender sobre la metodología, nosolo esta aplicación en particular. "Una de las razones principales por las que estábamos interesados en este sistema en particular era para que entendiéramos estas técnicas, en lugar de solo simular nanopartículas", dice Soljacic.
El siguiente paso fue ejecutar esencialmente el programa en reversa, usar un conjunto de propiedades de dispersión deseadas como punto de partida y ver si la red neuronal podría resolver la combinación exacta de capas de nanopartículas necesarias para lograr esa salida.
"En ingeniería, se han desarrollado muchas técnicas diferentes para el diseño inverso, y es un gran campo de investigación", dice Soljacic. "Pero muy a menudo para establecer un problema de diseño inverso dado, lleva bastante tiempo,así que en muchos casos debes ser un experto en el campo y luego pasar a veces incluso meses configurándolo para resolverlo "
Pero con la red neuronal entrenada del equipo, "no hicimos ninguna preparación especial para esto. Dijimos, 'ok, intentemos ejecutarlo al revés'. Y sorprendentemente, cuando lo comparamos con algún otro inverso más estándarmétodos de diseño, este es uno de los mejores ", dice." Realmente lo hará mucho más rápido que un diseño inverso tradicional ".
El coautor Shen dice que "la motivación inicial que tuvimos para hacer esto fue establecer una caja de herramientas general que cualquier persona generalmente bien educada que no sea experta en fotónica pueda usar ... Esa fue nuestra motivación original,y claramente funciona bastante bien para este caso particular "
La aceleración en ciertos tipos de simulaciones de diseño inverso puede ser bastante significativa. Peurifoy dice "Es difícil tener comparaciones exactas de manzanas con manzanas, pero puede decir efectivamente que tiene ganancias del orden de cientos de veces. Entoncesla ganancia es muy sustancial, en algunos casos va de días a minutos "
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por David L. Chandler. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :