Comprendre comment la matière interagit avec la lumière - ses propriétés optiques - est essentiel dans une myriade de technologies énergétiques et biomédicales, comme l'administration ciblée de médicaments, points quantiques, combustion de carburant, et le craquage de la biomasse. Mais le calcul de ces propriétés demande beaucoup de calculs, et le problème inverse - concevoir une structure avec les propriétés optiques souhaitées - est encore plus difficile.

Désormais, les scientifiques du Berkeley Lab ont développé un modèle d'apprentissage automatique qui peut être utilisé pour les deux problèmes :calculer les propriétés optiques d'une structure connue et, inversement, concevoir une structure avec les propriétés optiques souhaitées. Leur étude a été publiée dans Rapports cellulaires Sciences physiques .

"Notre modèle fonctionne de manière bidirectionnelle avec une grande précision et son interprétation récupère qualitativement la physique de la façon dont les matériaux métalliques et diélectriques interagissent avec la lumière, " a déclaré l'auteur correspondant Sean Lubner.

Lubner note que la compréhension des propriétés radiatives (qui incluent les propriétés optiques) est tout aussi importante dans le monde naturel pour calculer l'impact des aérosols tels que le noir de carbone sur le changement climatique.

Le modèle d'apprentissage automatique proposé dans cette étude a été formé sur des données d'émissivité spectrale de près de 16, 000 particules de formes et de matériaux variés pouvant être fabriquées expérimentalement.

"Notre modèle d'apprentissage automatique accélère le processus de conception inverse d'au moins deux à trois ordres de grandeur par rapport à la méthode traditionnelle de conception inverse, " a déclaré le co-auteur Ravi Prasher, qui est également directeur associé de Berkeley Lab pour les technologies énergétiques.

Mahmoud Elzouka, Charles Yang, et Adrien Albert, tous les scientifiques du domaine des technologies énergétiques du Berkeley Lab, étaient également co-auteurs.