L'intelligenza artificiale viene utilizzata per invertire la progettazione delle nanoparticelle per emettere particolari spettri di colori. Qui, viene mostrata una rete neurale vincolante tra gli spettri emessi (i colori desiderati), e la nanoparticella che emette questi spettri. Questo è il processo utilizzato nella ricerca:una rete neurale genera gli spettri basati sulla geometria della particella. Credito:Xin Hu
Una nuova tecnica sviluppata dai fisici del MIT potrebbe un giorno fornire un modo per progettare nanoparticelle multistrato personalizzate con le proprietà desiderate, potenzialmente per l'uso in display, sistemi di occultamento, o dispositivi biomedici. Può anche aiutare i fisici ad affrontare una serie di spinosi problemi di ricerca, in modi che in alcuni casi potrebbero essere ordini di grandezza più veloci dei metodi esistenti.
L'innovazione utilizza reti neurali computazionali, una forma di intelligenza artificiale, per "imparare" come la struttura di una nanoparticella influenza il suo comportamento, in questo caso il modo in cui diffonde diversi colori di luce, sulla base di migliaia di esempi di formazione. Quindi, avendo appreso la relazione, il programma può essenzialmente essere eseguito all'indietro per progettare una particella con un insieme desiderato di proprietà di diffusione della luce, un processo chiamato progettazione inversa.
I risultati vengono riportati sulla rivista Progressi scientifici , in un articolo del senior del MIT John Peurifoy, affiliato di ricerca Yichen Shen, studente laureato Li Jing, professore di fisica Marin Soljacic, e altri cinque.
Mentre l'approccio potrebbe in definitiva portare ad applicazioni pratiche, Soljacic dice, il lavoro è principalmente di interesse scientifico come un modo per prevedere le proprietà fisiche di una varietà di materiali nanoingegnerizzati senza richiedere i processi di simulazione computazionalmente intensivi che sono tipicamente usati per affrontare tali problemi.
Soljacic dice che l'obiettivo era guardare le reti neurali, un campo che ha visto molti progressi e ha generato entusiasmo negli ultimi anni, per vedere "se possiamo usare alcune di queste tecniche per aiutarci nella nostra ricerca in fisica. Quindi, in pratica, i computer sono abbastanza "intelligenti" da poter svolgere alcuni compiti più intelligenti per aiutarci a capire e lavorare con alcuni sistemi fisici?"
L'intelligenza artificiale viene utilizzata per invertire la progettazione delle nanoparticelle per emettere particolari spettri di colori. Qui, viene mostrata una rete neurale vincolante tra gli spettri emessi (i colori desiderati), e la nanoparticella che emette questi spettri. Questo è il processo utilizzato nella ricerca:una rete neurale genera gli spettri in base alla geometria della particella. Credito:Xin Hu
Per testare l'idea, usavano un sistema fisico relativamente semplice, Shen spiega. "Per capire quali tecniche sono adatte e per comprenderne i limiti e come utilizzarle al meglio, abbiamo [usato la rete neurale] su un particolare sistema per la nanofotonica, un sistema di nanoparticelle sfericamente concentriche." Le nanoparticelle sono stratificate come una cipolla, ma ogni strato è fatto di un materiale diverso e ha uno spessore diverso.
Le nanoparticelle hanno dimensioni paragonabili alle lunghezze d'onda della luce visibile o inferiori, e il modo in cui la luce di diversi colori si disperde da queste particelle dipende dai dettagli di questi strati e dalla lunghezza d'onda del raggio in arrivo. Il calcolo di tutti questi effetti per le nanoparticelle con molti strati può essere un compito computazionale intensivo per le nanoparticelle con molti strati, e la complessità peggiora con l'aumentare del numero di strati.
I ricercatori volevano vedere se la rete neurale sarebbe stata in grado di prevedere il modo in cui una nuova particella avrebbe diffuso i colori della luce, non solo interpolando tra esempi noti, ma in realtà scoprendo qualche schema sottostante che consente alla rete neurale di estrapolare.
"Le simulazioni sono molto esatte, quindi quando li confronti con gli esperimenti si riproducono tutti punto per punto, "dice Perufoy, chi sarà uno studente di dottorato del MIT l'anno prossimo. "Ma sono numericamente piuttosto intensi, quindi ci vuole un bel po' di tempo. Quello che vogliamo vedere qui è, se mostriamo un mucchio di esempi di queste particelle, molte molte particelle diverse, a una rete neurale, se la rete neurale può sviluppare 'intuizione' per questo."
Abbastanza sicuro, la rete neurale è stata in grado di prevedere ragionevolmente bene lo schema esatto di un grafico della diffusione della luce rispetto alla lunghezza d'onda, non perfettamente, ma molto vicino, e in molto meno tempo. Le simulazioni della rete neurale "ora sono molto più veloci delle simulazioni esatte, " dice Jing. "Quindi ora potresti usare una rete neurale invece di una simulazione reale, e ti darebbe una previsione abbastanza accurata. Ma è arrivato con un prezzo, e il prezzo era che dovevamo prima addestrare la rete neurale, e per farlo abbiamo dovuto produrre un gran numero di esempi."
L'intelligenza artificiale viene utilizzata per invertire la progettazione delle nanoparticelle per emettere gli spettri desiderati e avere le proprietà desiderate. Qui, lo spessore degli strati successivi del materiale di una nanoparticella viene immesso in una rete neurale, e utilizzato per prevedere lo spettro. Credito:John Peurifoy/MIT
Una volta che la rete è stata addestrata, anche se, eventuali future simulazioni trarrebbero il massimo beneficio dall'accelerazione, quindi potrebbe essere uno strumento utile per situazioni che richiedono simulazioni ripetute. Ma il vero obiettivo del progetto era quello di conoscere la metodologia, non solo questa particolare applicazione. "Uno dei motivi principali per cui eravamo interessati a questo particolare sistema era per noi capire queste tecniche, piuttosto che simulare solo nanoparticelle, "dice Soljacic.
Il passo successivo è stato essenzialmente eseguire il programma al contrario, per utilizzare una serie di proprietà di dispersione desiderate come punto di partenza e vedere se la rete neurale potrebbe quindi elaborare l'esatta combinazione di strati di nanoparticelle necessaria per ottenere quell'output.
"In ingegneria, sono state sviluppate molte tecniche diverse per il design inverso, ed è un enorme campo di ricerca, " dice Soljacic. "Ma molto spesso per impostare un dato problema di progettazione inversa, ci vuole un bel po' di tempo, quindi in molti casi devi essere un esperto nel campo e poi impiegare a volte anche mesi a configurarlo per risolverlo."
Ma con la rete neurale addestrata del team, "non abbiamo fatto alcuna preparazione speciale per questo. Abbiamo detto, 'ok, proviamo a farlo funzionare all'indietro.' E abbastanza sorprendentemente, quando lo confrontiamo con altri metodi di progettazione inversa più standard, questo è uno dei migliori, " dice. "In realtà lo farà molto più velocemente di un tradizionale design inverso".
Il coautore Shen afferma che "la motivazione iniziale che dovevamo fare questo era creare una cassetta degli attrezzi generale che qualsiasi persona generalmente ben istruita che non fosse un'esperta di fotonica può usare... Questa era la nostra motivazione originale, e chiaramente funziona abbastanza bene per questo caso particolare."
L'accelerazione in alcuni tipi di simulazioni di progettazione inversa può essere piuttosto significativa. Peurifoy dice:"È difficile fare confronti precisi tra mele e mele, ma puoi effettivamente dire che hai guadagni dell'ordine di centinaia di volte. Quindi il guadagno è molto, molto sostanziale, in alcuni casi va da giorni fino a minuti".
