Исследование было опубликовано онлайн 16 сентября в журнале Optics Express.
Метаматериалы – это синтетические материалы, состоящие из множества индивидуальных инженерных характеристик, которые вместе создают свойства, не встречающиеся в природе, благодаря их структуре, а не химическому составу.
В этом случае терагерцовый метаматериал состоит из сетки кремниевых цилиндров два на два, напоминающих короткие квадратные Lego.
Регулировка высоты, радиуса и расстояния каждого из четырех цилиндров изменяет частоты света, с которым взаимодействует метаматериал.
Расчет этих взаимодействий для идентичного набора цилиндров – простой процесс, который может быть выполнен с помощью коммерческого программного обеспечения.
Но решение обратной задачи о том, какие геометрии будут давать желаемый набор свойств, – гораздо более сложное предложение.
Поскольку каждый цилиндр создает электромагнитное поле, выходящее за его физические границы, они взаимодействуют друг с другом непредсказуемым, нелинейным образом.
«Если вы попытаетесь создать желаемый отклик, комбинируя свойства каждого отдельного цилиндра, вы получите лес пиков, который не будет просто суммой их частей», – сказал Вилли Падилла, профессор электротехники и компьютерной инженерии в Герцог. "Это огромное пространство геометрических параметров, и вы совершенно слепы – нет никаких указаний, куда идти."
Один из способов найти правильную комбинацию – смоделировать всевозможную геометрию и выбрать лучший результат.
Но даже для простого диэлектрического метаматериала, где каждый из четырех цилиндров может иметь только 13 различных радиусов и высот, их 815.7 миллионов возможных геометрий. Даже на лучших компьютерах, доступных исследователям, потребуется более 2000 лет, чтобы смоделировать их все.
Чтобы ускорить процесс, Падилла и его аспирант Кристиан Наделл обратились к эксперту по машинному обучению Джордану Малофу, доценту-исследователю электротехники и компьютерной инженерии в Duke, и доктору философии.D. студент Бохао Хуанг.
Малоф и Хуанг создали модель машинного обучения, называемую нейронной сетью, которая может эффективно выполнять моделирование на порядки быстрее, чем исходное программное обеспечение для моделирования. Сеть принимает 24 входа – высоту, радиус и отношение радиуса к высоте каждого цилиндра – присваивает случайные веса и смещения во время своих расчетов и выдает прогноз того, как будет выглядеть спектр частотной характеристики метаматериала.
Однако сначала нейронную сеть необходимо «обучить», чтобы делать точные прогнозы.
«Первоначальные прогнозы не будут похожи на действительный правильный ответ», – сказал Малоф. "Но, как и человек, сеть может постепенно научиться делать правильные прогнозы, просто наблюдая за коммерческим симулятором. Сеть корректирует свои веса и смещения каждый раз, когда делает ошибку, и делает это неоднократно, пока не будет давать правильный ответ каждый раз."
Чтобы максимизировать точность алгоритма машинного обучения, исследователи обучили его с помощью 18000 индивидуальных симуляций геометрии метаматериала.
Хотя это может показаться большим числом, на самом деле это всего лишь 0.0022 процента всех возможных конфигураций. После обучения нейронная сеть может производить высокоточные прогнозы всего за доли секунды.
Однако даже с этим успехом он все еще решал только прямую проблему получения частотной характеристики заданной геометрии, что они уже могли сделать. Чтобы решить обратную задачу согласования геометрии с заданной частотной характеристикой, исследователи вернулись к грубой силе.
Поскольку алгоритм машинного обучения почти в миллион раз быстрее, чем программное обеспечение для моделирования, используемое для его обучения, исследователи просто разрешили ему решить каждую из 815.7 миллионов возможных перестановок. Алгоритм машинного обучения сделал это всего за 23 часа, а не за тысячи лет.
После этого алгоритм поиска может сопоставить любую заданную желаемую частотную характеристику с библиотекой возможностей, созданной нейронной сетью.
«Мы не обязательно являемся экспертами в этом вопросе, но Google делает это каждый день», – сказал Падилла. "Простой алгоритм дерева поиска может просматривать 40 миллионов графиков в секунду."
Затем исследователи протестировали свою новую систему, чтобы убедиться, что она работает.
Наделл рукой нарисовал несколько графиков частотных характеристик и попросил алгоритм выбрать такую настройку метаматериала, которая будет лучше всего производить каждый из них. Затем он провел ответы, полученные с помощью коммерческого программного обеспечения для моделирования, чтобы убедиться, что они хорошо совпадают.
Они сделали.
Имея возможность разрабатывать диэлектрические метаматериалы таким образом, Падилла и Наделл работают над созданием нового типа термофотоэлектрического устройства, которое вырабатывает электричество из источников тепла.
Такие устройства работают так же, как солнечные батареи, за исключением того, что они поглощают определенные частоты инфракрасного света вместо видимого света.
Современные технологии излучают инфракрасный свет в гораздо более широком диапазоне частот, чем может быть поглощен инфракрасным солнечным элементом, что тратит энергию.
Однако тщательно разработанный метаматериал, настроенный на эту конкретную частоту, может излучать инфракрасный свет в гораздо более узком диапазоне.
«Металлические метаматериалы намного легче настраивать на эти частоты, но когда металл нагревается до температур, необходимых для этих типов устройств, они имеют тенденцию плавиться», – сказал Падилла. "Вам нужен диэлектрический метаматериал, выдерживающий нагрев.
И теперь, когда у нас есть часть машинного обучения, похоже, что это действительно достижимо."
Это исследование было поддержано Министерством энергетики (DESC0014372).