Uma nova técnica desenvolvida por físicos do MIT poderia algum dia fornecer uma maneira de projetar nanopartículas de múltiplas camadas com as propriedades desejadas, potencialmente para uso em monitores, sistemas de camuflagem, ou dispositivos biomédicos. Também pode ajudar os físicos a lidar com uma variedade de problemas de pesquisa espinhosos, de maneiras que podem, em alguns casos, ser ordens de magnitude mais rápidas do que os métodos existentes.

A inovação usa redes neurais computacionais, uma forma de inteligência artificial, para "aprender" como a estrutura de uma nanopartícula afeta seu comportamento, neste caso, a maneira como ele espalha diferentes cores de luz, com base em milhares de exemplos de treinamento. Então, tendo aprendido o relacionamento, o programa pode essencialmente ser executado ao contrário para projetar uma partícula com um conjunto desejado de propriedades de dispersão de luz - um processo chamado projeto inverso.

As descobertas estão sendo relatadas no jornal Avanços da Ciência , em um artigo do MIT sênior John Peurifoy, afiliado de pesquisa Yichen Shen, estudante de graduação Li Jing, professor de física Marin Soljacic, e cinco outros.

Embora a abordagem possa levar a aplicações práticas, Soljacic diz, o trabalho é principalmente de interesse científico como uma forma de prever as propriedades físicas de uma variedade de materiais nanoengenharia sem exigir os processos de simulação computacionalmente intensivos que são normalmente usados ​​para resolver esses problemas.

Soljacic diz que o objetivo era olhar para as redes neurais, um campo que viu muito progresso e gerou entusiasmo nos últimos anos, para ver "se podemos usar algumas dessas técnicas para nos ajudar em nossas pesquisas de física. Então, basicamente, os computadores são 'inteligentes' o suficiente para que possam fazer algumas tarefas mais inteligentes para nos ajudar a entender e trabalhar com alguns sistemas físicos? "

Para testar a ideia, eles usaram um sistema físico relativamente simples, Shen explica. “Para entender quais técnicas são adequadas e entender os limites e como melhor utilizá-los, nós [usamos a rede neural] em um sistema específico para nanofotônica, um sistema de nanopartículas esféricas concêntricas. "As nanopartículas são dispostas em camadas como uma cebola, mas cada camada é feita de um material diferente e tem uma espessura diferente.

As nanopartículas têm tamanhos comparáveis ​​aos comprimentos de onda da luz visível ou menores, e a maneira como a luz de cores diferentes se espalha por essas partículas depende dos detalhes dessas camadas e do comprimento de onda do feixe de entrada. Calcular todos esses efeitos para nanopartículas com muitas camadas pode ser uma tarefa computacional intensiva para nanopartículas de muitas camadas, e a complexidade piora conforme o número de camadas aumenta.

Os pesquisadores queriam ver se a rede neural seria capaz de prever a maneira como uma nova partícula espalharia cores de luz, não apenas interpolando entre exemplos conhecidos, mas realmente descobrindo algum padrão subjacente que permite a extrapolação da rede neural.

"As simulações são muito exatas, então, quando você os compara com os experimentos, todos se reproduzem ponto a ponto, "diz Peurifoy, que será um aluno de doutorado do MIT no próximo ano. "Mas eles são numericamente bastante intensivos, por isso leva algum tempo. O que queremos ver aqui é, se mostrarmos um monte de exemplos dessas partículas, muitas partículas diferentes, para uma rede neural, se a rede neural pode desenvolver 'intuição' para ele. "

Com certeza, a rede neural foi capaz de prever razoavelmente bem o padrão exato de um gráfico de dispersão de luz versus comprimento de onda - não perfeitamente, mas muito perto, e em muito menos tempo. As simulações de rede neural "agora são muito mais rápidas do que as simulações exatas, "Diz Jing." Então, agora você pode usar uma rede neural em vez de uma simulação real, e isso lhe daria uma previsão bastante precisa. Mas veio com um preço, e o preço era que primeiro tínhamos que treinar a rede neural, e para isso tivemos que apresentar um grande número de exemplos. "

Uma vez que a rede é treinada, no entanto, quaisquer simulações futuras obteriam todos os benefícios da aceleração, portanto, pode ser uma ferramenta útil para situações que requerem simulações repetidas. Mas o verdadeiro objetivo do projeto era aprender sobre a metodologia, não apenas este aplicativo específico. "Uma das principais razões de estarmos interessados ​​neste sistema específico foi para entendermos essas técnicas, em vez de apenas simular nanopartículas, "Soljacic diz.

A próxima etapa foi essencialmente executar o programa ao contrário, para usar um conjunto de propriedades de espalhamento desejadas como ponto de partida e ver se a rede neural poderia, então, descobrir a combinação exata de camadas de nanopartículas necessárias para atingir essa saída.

"Na engenharia, muitas técnicas diferentes foram desenvolvidas para design inverso, e é um grande campo de pesquisa, "Soljacic diz." Mas muitas vezes, a fim de configurar um determinado problema de design inverso, leva algum tempo, então, em muitos casos, você precisa ser um especialista na área e, às vezes, passar até meses configurando-o para resolvê-lo. "

Mas com a rede neural treinada da equipe, "não fizemos nenhuma preparação especial para isso. Dissemos, 'OK, vamos tentar executá-lo ao contrário. ' E surpreendentemente, quando o comparamos com alguns outros métodos de design inverso mais padrão, este é um dos melhores, ", diz ele." Na verdade, ele vai fazer isso muito mais rápido do que um design inverso tradicional. "

O co-autor Shen diz que "a motivação inicial que tivemos para fazer isso foi criar uma caixa de ferramentas geral que qualquer pessoa geralmente bem-educada que não fosse especialista em fotônica pode usar. ... Essa foi nossa motivação original, e claramente funciona muito bem neste caso específico. "

A aceleração em certos tipos de simulações de projeto inverso pode ser bastante significativa. Peurifoy diz:"É difícil ter comparações exatas, mas você pode dizer efetivamente que obteve ganhos na ordem de centenas de vezes. Portanto, o ganho é muito, muito substancial - em alguns casos, vai de dias para minutos. "