Sciencemag.cz
Doporučujeme
Fyzikové z MITu se pokusili vytrénovat neuronové sítě k práci s fyzikálními systémy. Umělá inteligence se měla naučit, jak ze struktury nanočástice vyplývají její optické vlastnosti, a pak inverzně pro požadované vlastnosti/aplikace navrhnout nanočástici.
Práce má sice vztah např. k vývoji displejů nebo maskovacích systémů (metamateriály/neviditelnost), ale jejím cílem bylo spíše zkoumat možnosti systémů AI v této oblasti. K dispozici už totiž vědci mají celkem spolehlivé simulační programy, ty jsou však velmi náročné na výkon i na vývoj. Neuronové sítě by zde mohly představovat zjednodušení.
Autoři výzkumu analyzovali dost jednoduchou situaci. Na jednu stranu si vzali nanočástice v podobě „cibule“, tedy koule složené ze soustředných vrstev různých materiálů. Následně na tuto nanočástici posvítí paprsek o určité vlnové délce (srovnatelné s rozměry částice). Jediným úkolem pro systém AI bylo naučit se odhadnout, co se pak s paprskem stane; vstupem je tedy vlnová délka světla a uspořádání vrstev, výstupem rozptyl světla.
Neuronové sítě se naučily podávat poměrně spolehlivé předpovědi; sice méně přesné než klasické simulační programy (u nichž víme, jak pracují, však do nich byla příslušná „fyzika“ přímo zadána), ale výsledek tak lze dostat mnohem rychleji. Trénování sítě trvalo docela dlouho a bylo potřeba mít k dispozici hodně vstupních vzorů – konkrétních případů fungování nanočástic. To ale stačilo udělat pouze jednou a pak už byly návrhy nanočástic rychlé. Už to by mohlo být využitelné v praxi, především tam, kde je potřeba spouštět hodně simulací.
Další krok pak spočíval v obrácení postupu, kdy neuronová síť dostala jako vstup požadovaný rozptyl světla a měla navrhnout nanočástici. V inverzní úloze mají dosud „klasické“ simulační nástroje velké problémy a časová náročnost je zde ohromná. V tomto případě umělá inteligence jasně triumfovala, byla rychlá (v řádu minut oproti dnům) a dokonce i přesnější než skoro všechny dosavadní techniky návrhu.
Zdroj: Phys.org
J. Peurifoy el al., „Nanophotonic particle simulation and inverse design using artificial neural networks,“ Science Advances (2018). advances.sciencemag.org/content/4/6/eaar4206
