Un'illustrazione di un metamateriale dielettrico con luce infrarossa che brilla su di esso. Credito:Willie Padilla, Duke University
Gli ingegneri elettrici della Duke University hanno sfruttato la potenza dell'apprendimento automatico per progettare metamateriali dielettrici (non metallici) che assorbono ed emettono frequenze specifiche di radiazioni terahertz. La tecnica di progettazione ha cambiato quelli che avrebbero potuto essere più di 2000 anni di calcolo in 23 ore, aprendo la strada alla progettazione di nuovi, tipi sostenibili di raccoglitori di energia termica e illuminazione.
Lo studio è stato pubblicato online il 16 settembre sulla rivista Optics Express .
I metamateriali sono materiali sintetici composti da molte caratteristiche ingegneristiche individuali, che insieme producono proprietà non trovate in natura attraverso la loro struttura piuttosto che la loro chimica. In questo caso, il metamateriale terahertz è costituito da una griglia due per due di cilindri di silicio che ricordano un corto, Lego quadrato.
Regolazione dell'altezza, il raggio e la spaziatura di ciascuno dei quattro cilindri modificano le frequenze della luce con cui interagisce il metamateriale.
Il calcolo di queste interazioni per un insieme identico di cilindri è un processo semplice che può essere eseguito da un software commerciale. Ma risolvere il problema inverso di quali geometrie produrranno un insieme desiderato di proprietà è una proposta molto più difficile.
Poiché ogni cilindro crea un campo elettromagnetico che si estende oltre i suoi confini fisici, interagiscono tra loro in modo imprevedibile, modo non lineare.
"Se provi a costruire una risposta desiderata combinando le proprietà di ogni singolo cilindro, otterrai una foresta di picchi che non è semplicemente una somma delle loro parti, " disse Willie Padilla, professore di ingegneria elettrica e informatica alla Duke. "È un enorme spazio di parametri geometrici e sei completamente cieco:non c'è alcuna indicazione su quale strada prendere".
Quando le risposte in frequenza delle configurazioni di metamateriale dielettrico costituite da quattro cilindri piccoli (blu) e quattro cilindri grandi (arancione) vengono combinate in una configurazione composta da tre cilindri piccoli e un cilindro grande (rosso), la risposta risultante non assomiglia per niente a una semplice combinazione delle due originali. Credito:Willie Padilla, Duke University
Un modo per trovare la combinazione corretta sarebbe simulare ogni possibile geometria e scegliere il miglior risultato. Ma anche per un semplice metamateriale dielettrico in cui ciascuno dei quattro cilindri può avere solo 13 raggi e altezze differenti, ci sono 815,7 milioni di possibili geometrie. Anche sui migliori computer a disposizione dei ricercatori, ci vorrebbero più di 2, 000 anni per simularli tutti.
Per accelerare il processo, Padilla e il suo studente laureato Christian Nadell si sono rivolti all'esperto di machine learning Jordan Malof, assistente professore di ingegneria elettrica e informatica presso la Duke, e dottorato di ricerca studente Bohao Huang.
Malof e Huang hanno creato un tipo di modello di apprendimento automatico chiamato rete neurale in grado di eseguire in modo efficace simulazioni di ordini di grandezza più veloci rispetto al software di simulazione originale. La rete accetta 24 input:l'altezza, raggio e rapporto raggio-altezza di ciascun cilindro:assegna pesi e distorsioni casuali durante i suoi calcoli, e sputa fuori una previsione di come sarà lo spettro di risposta in frequenza del metamateriale.
Primo, però, la rete neurale deve essere "addestrata" per fare previsioni accurate.
"Le previsioni iniziali non assomiglieranno per niente alla risposta corretta effettiva, " disse Malof. "Ma come un umano, la rete può imparare gradualmente a fare previsioni corrette semplicemente osservando il simulatore commerciale. La rete aggiusta i suoi pesi e i suoi pregiudizi ogni volta che commette un errore e lo fa ripetutamente finché non produce ogni volta la risposta corretta".
Per massimizzare la precisione dell'algoritmo di apprendimento automatico, i ricercatori lo hanno addestrato con 18, 000 simulazioni individuali della geometria del metamateriale. Anche se questo può sembrare un numero elevato, in realtà rappresenta solo lo 0,0022 percento di tutte le possibili configurazioni. Dopo l'allenamento, la rete neurale può produrre previsioni altamente accurate in appena una frazione di secondo.
Anche con questo successo in mano, però, ha ancora solo risolto il problema in avanti di produrre la risposta in frequenza di una data geometria, cosa che potrebbero già fare. Per risolvere il problema inverso di far corrispondere una geometria a una data risposta in frequenza, i ricercatori sono tornati alla forza bruta.
I ricercatori hanno scelto risposte in frequenza arbitrarie per il loro sistema di apprendimento automatico per trovare metamateriali da creare (cerchi). Le soluzioni risultanti (blu) si adattano bene sia alle risposte in frequenza desiderate sia a quelle simulate da software commerciale (grigio). Credito:Willie Padilla, Duke University
Poiché l'algoritmo di apprendimento automatico è quasi un milione di volte più veloce del software di modellazione utilizzato per addestrarlo, i ricercatori hanno semplicemente lasciato che risolvesse ognuna delle 815,7 milioni di possibili permutazioni. L'algoritmo di apprendimento automatico lo ha fatto in sole 23 ore anziché migliaia di anni.
Dopo di che, un algoritmo di ricerca potrebbe abbinare qualsiasi data risposta in frequenza desiderata alla libreria di possibilità creata dalla rete neurale.
"Non siamo necessariamente esperti in questo, ma Google lo fa ogni giorno, " ha detto Padilla. "Un semplice algoritmo di albero di ricerca può passare attraverso 40 milioni di grafici al secondo."
I ricercatori hanno quindi testato il loro nuovo sistema per assicurarsi che funzionasse. La mano di Nadell ha disegnato diversi grafici di risposta in frequenza e ha chiesto all'algoritmo di scegliere la configurazione del metamateriale che avrebbe prodotto meglio ciascuno di essi. Ha quindi eseguito le risposte prodotte tramite il software di simulazione commerciale per vedere se corrispondevano bene.
Loro fecero.
Con la capacità di progettare metamateriali dielettrici in questo modo, Padilla e Nadell stanno lavorando per progettare un nuovo tipo di dispositivo termofotovoltaico, che crea elettricità da fonti di calore. Tali dispositivi funzionano in modo molto simile ai pannelli solari, tranne che assorbono frequenze specifiche della luce infrarossa invece della luce visibile.
Le attuali tecnologie irradiano luce infrarossa in una gamma di frequenze molto più ampia di quella che può essere assorbita dalla cella solare a infrarossi, che spreca energia. Un metamateriale accuratamente progettato sintonizzato su quella specifica frequenza, però, può emettere luce infrarossa in una banda molto più stretta.
"I metamateriali a base di metallo sono molto più facili da sintonizzare su queste frequenze, ma quando il metallo si riscalda fino alle temperature richieste in questi tipi di dispositivi, tendono a sciogliersi, " ha detto Padilla. "Hai bisogno di un metamateriale dielettrico in grado di resistere al calore. E ora che abbiamo il pezzo sull'apprendimento automatico, sembra che questo sia davvero realizzabile."
