人工智能学习逆向设计方法预测光散射
浏览量(174)
人工智能的形式之一——计算神经网络,通过事先数千个实例的训练,能够通过学习纳米粒子的结构与其行为之间的关系来学习多层纳米粒子是如何散射光的。神经网络在学习并掌握了这种关系之后,基本上能够逆向设计具有所需光散射特性的粒子。
这种逆向设计技术可能帮助对显示器、隐形系统或生物医学设备进行纳米颗粒定制设计。该技术也能够提供一种手段来预测纳米工程材料的物理性质,而不需要耗费大量时间和精力进行仿真计算。
图中是一种伪装用烟雾手榴弹,用于隐匿战场上的军队行动。这是纳米粒子的一个应用实例,纳米粒子根据它们的确切大小和组成反射特定颜色的光。麻省理工学院的研究人员提供了一种方法来预测分层纳米粒子的光散射特性或设计粒子以匹配所需类型的光散射。
美国麻省理工学院的研究人员在由纳米粒子层组成的纳米光子系统上测试了他们的神经网络。每层纳米粒子层由不同的材料制成,并且具有不同的厚度。纳米粒子的尺寸与可见光的波长相当或小于可见光的波长。
研究小组发现,粒子散射光的方式不同,具体取决于各粒子层的细节和入射光束的波长。研究人员决定搞清楚神经网络是否能够通过确定粒子的基本模式来准确预测粒子散射的方式,而不是通过计算机模拟来计算多层纳米粒子的这些效应。研究人员John Peurifoy表示:“虽然计算机的模拟非常精确,但它们需要的计算量太大,而且时间太久。我们想要看到的是,如果我们向神经网络展示这些不同的粒子,神经网络是否能够准确的做出预测。”
神经网络能够十分合理地预测光散射图与波长图,并且比计算机模拟所需要的时间少得多。研究人员发现,只需采集小部分数据就可以对神经网络进行训练,就能够得到很高的精度。研究团队的下一步是逆向运行程序,使用一组所需的散射特性作为起点,以确定神经网络是否可以计算出实现给定散射特性所需的纳米颗粒层的确切组合。研究人员发现,当训练的神经网络逆向运行时,与其他标准的逆向设计方法相比表现良好。
Marin Soljacic教授认为:“神经网络的表现实际上比传统的逆向设计要快得多。”一旦神经网络被成功训练,它就可以模拟比传统模拟方法快几个数量级的光学过程。此外,经过训练的神经网络能够用于通过使用反向传播算法来解决纳米光子逆向设计问题,其中给出的梯度是解析解。
分享至好友和朋友圈
免责声明:
网站内容来源于互联网、原创,由网络编辑负责审查,目的在于传递信息,提供专业服务,不代表本网站及新媒体平台赞同其观点和对其真实性负责。如因内容、版权问题存在异议的,请在 20个工作日内与我们取得联系,联系方式:021-80198330。网站及新媒体平台将加强监控与审核,一旦发现违反规定的内容,按国家法规处理,处理时间不超过24小时。