Compreender como a matéria interage com a luz - suas propriedades ópticas - é fundamental em uma miríade de tecnologias de energia e biomédicas, como a entrega de drogas direcionadas, pontos quânticos, Combustão de combustível, e craqueamento de biomassa. Mas calcular essas propriedades é computacionalmente intensivo, e o problema inverso - projetar uma estrutura com as propriedades ópticas desejadas - é ainda mais difícil.

Agora, os cientistas do Berkeley Lab desenvolveram um modelo de aprendizado de máquina que pode ser usado para ambos os problemas - cálculo de propriedades ópticas de uma estrutura conhecida e, inversamente, projetar uma estrutura com propriedades ópticas desejadas. Seu estudo foi publicado em Cell Reports Physical Science .

"Nosso modelo funciona bidirecionalmente com alta precisão e sua interpretação recupera qualitativamente a física de como o metal e os materiais dielétricos interagem com a luz, "disse o autor correspondente Sean Lubner.

Lubner observa que compreender as propriedades radiativas (que incluem propriedades ópticas) é igualmente importante no mundo natural para calcular o impacto de aerossóis como o carbono negro nas mudanças climáticas.

O modelo de aprendizado de máquina proposto neste estudo foi treinado em dados de emissividade espectral de aproximadamente 16, 000 partículas de várias formas e materiais que podem ser fabricados experimentalmente.

"Nosso modelo de aprendizado de máquina acelera o processo de design inverso em pelo menos duas a três ordens de magnitude em comparação com o método tradicional de design inverso, "disse o co-autor Ravi Prasher, que também é Diretor Associado do Berkeley Lab para Tecnologias de Energia.

Mahmoud Elzouka, Charles Yang, e Adrian Albert, todos os cientistas da área de tecnologias de energia do Berkeley Lab, também foram co-autores.