Gli ingegneri elettrici della Duke University hanno ideato un nuovo metodo per risolvere problemi di progettazione difficili con molte potenziali soluzioni in un ampio spazio di progettazione utilizzando l'apprendimento automatico. Soprannominato il "metodo neurale-aggiunto, " l'approccio porta alla luce con successo un design ottimizzato per un dispositivo di comunicazione elettromagnetica e potrebbe essere utilizzato anche per molte altre sfide progettuali che vanno dall'imaging biomedico all'olografia.

La ricerca è apparsa online il 24 febbraio sulla rivista Ottica Express , intitolato "Metodo neurale aggiunto per la progettazione inversa di metasuperfici completamente dielettriche".

Il dilemma affrontato dal nuovo metodo di apprendimento automatico è la risoluzione di problemi inversi, il che significa che i ricercatori conoscono il risultato che desiderano ma non sono sicuri del modo migliore per ottenerlo. All'interno di questo tipo di sfida c'è una classe chiamata problemi inversi mal posti, il che significa che c'è un numero infinito di soluzioni senza indicazioni su quale potrebbe essere la migliore.

"Se vengono dati due numeri da aggiungere, puoi ottenere una soluzione diretta e semplice, " ha spiegato Willie Padilla, professore di ingegneria elettrica e informatica alla Duke. "Ma se dico di darmi due numeri reali che sommano fino a tre, c'è un insieme infinito di numeri che potrebbero essere la risposta con zero comprensione se è stata scelta la risposta corretta. Capovolgere questo semplice compito mostra quanto possa essere impegnativo un problema inverso mal posto".

Nella nuova ricerca, il compito specifico che Padilla sta cercando di risolvere è trovare il miglior design per un metamateriale dielettrico (senza metallo) che produca una risposta elettromagnetica specifica. I metamateriali sono materiali sintetici composti da molte caratteristiche ingegneristiche individuali, che insieme producono proprietà che non si trovano in natura. Raggiungono questo obiettivo attraverso la loro struttura piuttosto che la loro chimica. Nell'esperimento del metamateriale dielettrico di Padilla, usa un grande foglio costruito con singole griglie due per due di cilindri di silicio che sembrano corti, Lego quadrati.

Calcolare come interagiscono tra loro gli effetti elettromagnetici di un insieme identico di cilindri è un processo semplice che può essere eseguito da un software commerciale. Ma risolvere il problema inverso mal posto di quale geometria produrrà meglio 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 gli effetti elettromagnetici prodotti da ogni singolo cilindro, otterrai una mappa complicata di molti picchi alti e bassi che non è semplicemente una somma delle loro parti, " disse il professor Padilla. "È un enorme spazio di parametri geometrici e tu sei completamente cieco, non c'è indicazione di quale strada prendere."

Il nuovo approccio di apprendimento automatico di Padilla alla navigazione in questo complesso spazio di progettazione inizia addestrando una rete neurale profonda con 60, 000 simulazioni di diversi design e delle proprietà elettromagnetiche che producono. Anche tenendo conto di 14 parametri geometrici, l'algoritmo di machine learning ha appreso la funzione che collega la geometria complessa con il risultato elettromagnetico.

A questo punto, la rete neurale profonda potrebbe fornire ai ricercatori una risposta alla domanda inversa di trovare una geometria in grado di produrre una risposta desiderata. Ma con 1,04 trilioni di potenziali soluzioni, la rete neurale impiegherebbe più di tre anni per trovare una risposta.

"Che io sappia, questo è il più grande problema di fotonica dello spazio geometrico su cui chiunque abbia lavorato, " disse Padilla. "Se provassi a risolverlo con un normale algoritmo informatico, ci vorrebbero 600 milioni di anni. La rete neurale profonda ha campionato solo lo 0,00000575% dello spazio di progettazione, ma ha comunque imparato la funzione."

Mentre un'impresa impressionante, è il secondo passo di questo processo che è veramente nuovo. Sebbene i ricercatori non sappiano esattamente quale sia la funzione che ha escogitato la rete neurale profonda, possono usarlo per lavorare verso una risposta ottimale.

Il nuovo metodo neurale-aggiunto funziona a partire da 16, 000 punti casuali e calcolando quanto è buona una soluzione ciascuno. Quindi consente a ciascuno di muoversi verso una soluzione migliore, un processo chiamato discesa del gradiente. Ripetendo questo processo più volte, l'algoritmo si fa strada verso soluzioni ottimizzate localmente. In modo cruciale, i ricercatori hanno anche stabilito limiti minimi e massimi in base alla loro conoscenza dello spazio all'interno del quale l'apprendimento automatico è accurato, che ha impedito all'algoritmo di impazzire con le sue soluzioni.

Dopo 300 iterazioni, il programma guarda al 16, 000 soluzioni localmente ottimali ha trovato e sceglie l'opzione migliore. Indica anche se potrebbe esserci un limite impostato su un parametro che potrebbe consentire una soluzione migliore se fosse espanso.

"Nel fare questa ricerca, abbiamo visto tutte le nostre migliori soluzioni incastrate contro l'altezza massima che avevamo fissato per i cilindri, " disse Padilla. "Ci stavamo limitando ma non lo sapevamo. Quindi abbiamo esteso l'altezza, ha fatto ancora più simulazioni, e in effetti ha trovato una soluzione migliore."

Applicato ai metamateriali, Padilla afferma che questo metodo potrebbe aiutare a sviluppare antenne di comunicazione piatte per i lati degli edifici che possono riconfigurarsi rapidamente per raggiungere meglio gli utenti nelle vicinanze. Ma dice che potrebbe anche essere utilizzato in una vasta gamma di applicazioni che raccolgono informazioni dalle onde elettromagnetiche. Per esempio, interpretazione di raggi X o onde magnetiche in dispositivi di imaging medico o sviluppo di ologrammi generati da computer.