Uma ilustração de um metamaterial dielétrico com luz infravermelha brilhando sobre ele. Crédito:Willie Padilla, Universidade Duke
Os engenheiros elétricos da Duke University aproveitaram o poder do aprendizado de máquina para projetar metamateriais dielétricos (não metálicos) que absorvem e emitem frequências específicas de radiação terahertz. A técnica de design mudou o que poderia ter sido mais de 2.000 anos de cálculo em 23 horas, abrindo caminho para o design de novos, tipos sustentáveis de coletores de energia térmica e iluminação.
O estudo foi publicado online em 16 de setembro na revista Optics Express .
Metamateriais são materiais sintéticos compostos de muitos recursos de engenharia individuais, que juntos produzem propriedades não encontradas na natureza por meio de sua estrutura, e não de sua química. Nesse caso, o metamaterial terahertz é construído a partir de uma grade dois por dois de cilindros de silício semelhantes a um Lego quadrado.
Ajustando a altura, o raio e o espaçamento de cada um dos quatro cilindros mudam as frequências de luz com as quais o metamaterial interage.
O cálculo dessas interações para um conjunto idêntico de cilindros é um processo direto que pode ser feito por um software comercial. Mas resolver o problema inverso de quais geometrias produzirão um conjunto desejado de propriedades é uma proposição muito mais difícil.
Como cada cilindro cria um campo eletromagnético que se estende além de seus limites físicos, eles interagem uns com os outros de uma forma imprevisível, forma não linear.
"Se você tentar construir uma resposta desejada combinando as propriedades de cada cilindro individual, você terá uma floresta de picos que não é simplesmente a soma de suas partes, "disse Willie Padilla, professor de engenharia elétrica e da computação na Duke. "É um enorme espaço de parâmetros geométricos e você está completamente cego - não há indicação de qual caminho seguir."
Quando as respostas de frequência de configurações de metamaterial dielétrico consistindo em quatro pequenos cilindros (azul) e quatro cilindros grandes (laranja) são combinadas em uma configuração que consiste em três pequenos cilindros e um cilindro grande (vermelho), a resposta resultante não se parece em nada com uma combinação direta das duas originais. Crédito:Willie Padilla, Universidade Duke
Uma maneira de encontrar a combinação correta seria simular todas as geometrias possíveis e escolher o melhor resultado. Mas mesmo para um metamaterial dielétrico simples, onde cada um dos quatro cilindros pode ter apenas 13 raios e alturas diferentes, existem 815,7 milhões de geometrias possíveis. Mesmo nos melhores computadores disponíveis para os pesquisadores, levaria mais de 2, 000 anos para simular todos eles.
Para acelerar o processo, Padilla e seu aluno de graduação, Christian Nadell, procuraram o especialista em aprendizado de máquina Jordan Malof, professor assistente de pesquisa de engenharia elétrica e da computação na Duke, e Ph.D. estudante Bohao Huang.
Malof e Huang criaram um tipo de modelo de aprendizado de máquina denominado rede neural que pode realizar simulações com ordens de magnitude mais rápidas do que o software de simulação original. A rede usa 24 entradas - a altura, raio e razão raio-altura de cada cilindro - atribui pesos aleatórios e vieses ao longo de seus cálculos, e expõe uma previsão de como será o espectro de resposta de frequência do metamaterial.
Primeiro, Contudo, a rede neural deve ser "treinada" para fazer previsões precisas.
"As previsões iniciais não se parecerão em nada com a resposta correta real, "disse Malof." Mas como um humano, a rede pode aprender gradualmente a fazer previsões corretas simplesmente observando o simulador comercial. A rede ajusta seus pesos e tendências cada vez que comete um erro e faz isso repetidamente até produzir a resposta correta todas as vezes. "
Para maximizar a precisão do algoritmo de aprendizado de máquina, os pesquisadores o treinaram com 18, 000 simulações individuais da geometria do metamaterial. Embora possa parecer um grande número, na verdade, representa apenas 0,0022% de todas as configurações possíveis. Após o treinamento, a rede neural pode produzir previsões altamente precisas em apenas uma fração de segundo.
Mesmo com esse sucesso em mãos, Contudo, ainda só resolveu o problema direto de produzir a resposta de frequência de uma dada geometria, o que eles já podiam fazer. Para resolver o problema inverso de combinar uma geometria com uma determinada resposta de frequência, os pesquisadores voltaram à força bruta.
Os pesquisadores escolheram respostas de frequência arbitrária para seu sistema de aprendizado de máquina para encontrar metamateriais para criar (círculos). As soluções resultantes (azul) se ajustam bem às respostas de frequência desejadas e às simuladas por software comercial (cinza). Crédito:Willie Padilla, Universidade Duke
Como o algoritmo de aprendizado de máquina é quase um milhão de vezes mais rápido do que o software de modelagem usado para treiná-lo, os pesquisadores simplesmente o deixaram resolver cada uma das 815,7 milhões de permutações possíveis. O algoritmo de aprendizado de máquina fez isso em apenas 23 horas, em vez de milhares de anos.
Depois disso, um algoritmo de busca pode corresponder a qualquer resposta de frequência desejada dada à biblioteca de possibilidades criada pela rede neural.
"Não somos necessariamente especialistas nisso, mas o Google faz isso todos os dias, "disse Padilla." Um algoritmo de árvore de busca simples pode passar por 40 milhões de gráficos por segundo. "
Os pesquisadores então testaram seu novo sistema para se certificar de que funcionava. Nadell desenhou vários gráficos de resposta de frequência e pediu ao algoritmo para escolher a configuração de metamaterial que melhor produziria cada um. Ele então analisou as respostas produzidas por meio do software de simulação comercial para ver se combinavam bem.
Eles fizeram.
Com a capacidade de projetar metamateriais dielétricos desta forma, Padilla e Nadell estão trabalhando para projetar um novo tipo de dispositivo termofotovoltaico, que cria eletricidade a partir de fontes de calor. Esses dispositivos funcionam como painéis solares, exceto que absorvem frequências específicas de luz infravermelha em vez de luz visível.
As tecnologias atuais irradiam luz infravermelha em uma faixa de frequência muito mais ampla do que pode ser absorvida pela célula solar infravermelha, que desperdiça energia. Um metamaterial cuidadosamente projetado sintonizado para essa frequência específica, Contudo, pode emitir luz infravermelha em uma faixa muito mais estreita.
"Metamateriais baseados em metal são muito mais fáceis de sintonizar com essas frequências, mas quando o metal aquece até as temperaturas exigidas nesses tipos de dispositivos, eles tendem a derreter, "disse Padilla." Você precisa de um metamaterial dielétrico que resista ao calor. E agora que temos a peça de aprendizado de máquina, parece que isso é realmente possível. "
