L'apprendimento automatico e l'intelligenza artificiale sono sempre più utilizzati nella ricerca sulla scienza dei materiali. Per esempio, Il professore associato di scienza e ingegneria dei materiali del MIT Juejun "JJ" Hu ha sviluppato un algoritmo che migliora le prestazioni di uno spettrometro basato su chip, e Atlantic Richfield Professore Associato di Studi Energetici Elsa A. Olivetti ha costruito un sistema di intelligenza artificiale che perlustra gli articoli scientifici per dedurre le "ricette" della scienza dei materiali.

Questi e altri professori del MIT, così come il relatore principale Brian Storey, Direttore del Toyota Research Institute per la progettazione e la scoperta di materiali accelerati, discuteranno approfondimenti e scoperte nella loro ricerca utilizzando l'apprendimento automatico al simposio annuale della Giornata dei materiali del laboratorio di ricerca sui materiali del MIT mercoledì, 9 ottobre all'Auditorium Kresge.

Il Professore Associato Hu ha recentemente spiegato cosa ha portato al suo rivoluzionario spettrometro, e perché è ottimista sul fatto che l'apprendimento automatico e l'intelligenza artificiale stiano diventando uno strumento quotidiano nella ricerca sui materiali.

D:Il tuo lavoro con lo spettrometro in particolare ha fatto uso di tecniche di apprendimento automatico. In che modo il nuovo approccio sta cambiando il processo di scoperta nella scienza dei materiali?

R:Fondamentalmente, abbiamo sviluppato una nuova tecnologia spettrometrica che ci consente di ridurre componenti di grandi dimensioni su un piccolo chip di silicio mantenendo comunque prestazioni elevate. Abbiamo sviluppato un algoritmo che ci consente di estrarre le informazioni con un rapporto segnale/rumore molto migliore. Abbiamo convalidato l'algoritmo per molti diversi tipi di spettro. L'algoritmo identifica i colori della luce separati confrontando due misurazioni ripetute per mitigare l'impatto dei rumori di misurazione. L'algoritmo migliora la risoluzione del 100% rispetto ai limiti dei libri di testo, chiamati limiti di Rayleigh.

D:In che modo utilizzi l'apprendimento automatico per identificare nuovi materiali e design ottici per il tuo lavoro su obiettivi nel medio infrarosso composti da array di antenne ottiche?

R:Stiamo collaborando con un gruppo di UMass [l'Università del Massachusetts] per sviluppare un algoritmo di deep learning per la progettazione di "metasuperfici, " che sono una sorta di dispositivo ottico in cui invece di utilizzare la curvatura geometrica convenzionale per costruire, dire, una lente, si utilizza una serie di antenne ottiche appositamente progettate per impartire ritardo di fase alla luce in ingresso, e quindi possiamo realizzare tutti i tipi di funzionalità. Un grosso problema con le metasuperfici è che convenzionalmente, quando le persone avrebbero progettato queste metasuperfici, lo farebbero essenzialmente per tentativi ed errori.

Abbiamo impostato un algoritmo di deep learning. L'algoritmo ci consente di addestrarlo con i dati esistenti. Quindi mentre lo alleniamo, alla fine l'algoritmo diventa "intelligente". L'algoritmo può valutare la lavorabilità di forme irregolari che vanno oltre le forme convenzionali come cerchi e rettangoli. Può riconoscere connessioni nascoste tra geometrie complesse e la risposta elettromagnetica, che di solito non è banale, e può trovare queste relazioni nascoste più velocemente delle tradizionali simulazioni a grandezza naturale. L'algoritmo può anche escludere potenziali combinazioni di materiali e funzioni che semplicemente non funzioneranno. Se usi metodi convenzionali, bisogna perdere molto tempo per esaurire tutto lo spazio progettuale possibile e poi arrivare a questa conclusione, ma ora il nostro algoritmo può dirtelo molto velocemente.

D:Quali altri progressi stanno facilitando l'uso dell'apprendimento automatico nella scienza dei materiali?

A:L'altra cosa che stiamo vedendo è che ora abbiamo anche un accesso molto più facile a molto potenti, strutture computazionali basate su cloud disponibili in commercio. Quindi quella combinazione di hardware, facile accesso, risorse di calcolo molto potenti, e i nuovi algoritmi, questo è ciò che ci permette di fare nuove innovazioni. Ancora, Per esempio, con metasuperfici, se guardi i vecchi disegni, le persone usavano praticamente geometrie regolari come i cerchi, piazze, rettangoli, ma noi, così come molti altri nella comunità, stanno tutti passando a dispositivi ottici topologicamente ottimizzati. E per progettare quelle strutture, la combinazione di nuovi algoritmi e potenti risorse computazionali è la chiave per progettare dispositivi enormi come macroscopici, ottica topologicamente ottimizzata nello spazio tridimensionale.

Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.