Une illustration d'un métamatériau diélectrique avec une lumière infrarouge qui brille dessus. Crédit :Willie Padilla, université de Duke
Les ingénieurs électriciens de l'Université Duke ont exploité la puissance de l'apprentissage automatique pour concevoir des métamatériaux diélectriques (non métalliques) qui absorbent et émettent des fréquences spécifiques de rayonnement térahertz. La technique de conception a changé ce qui aurait pu être plus de 2000 ans de calcul en 23 heures, ouvrant la voie à la conception de nouveaux, types durables de récupérateurs d'énergie thermique et d'éclairage.
L'étude a été publiée en ligne le 16 septembre dans la revue Optique Express .
Les métamatériaux sont des matériaux synthétiques composés de nombreuses caractéristiques techniques individuelles, qui ensemble produisent des propriétés introuvables dans la nature par leur structure plutôt que par leur chimie. Dans ce cas, le métamatériau térahertz est constitué d'une grille deux par deux de cylindres de silicium ressemblant à un court, Lego carré.
Réglage de la hauteur, le rayon et l'espacement de chacun des quatre cylindres modifient les fréquences de lumière avec lesquelles le métamatériau interagit.
Le calcul de ces interactions pour un ensemble identique de cylindres est un processus simple qui peut être effectué par un logiciel commercial. Mais résoudre le problème inverse dont les géométries produiront un ensemble souhaité de propriétés est une proposition beaucoup plus difficile.
Parce que chaque cylindre crée un champ électromagnétique qui s'étend au-delà de ses limites physiques, ils interagissent les uns avec les autres de manière imprévisible, manière non linéaire.
"Si vous essayez de créer une réponse souhaitée en combinant les propriétés de chaque cylindre individuel, vous allez obtenir une forêt de pics qui n'est pas simplement une somme de leurs parties, " a déclaré Willie Padilla, professeur de génie électrique et informatique à Duke. "C'est un immense espace de paramètres géométriques et vous êtes complètement aveugle - il n'y a aucune indication de la voie à suivre."
Lorsque les réponses en fréquence des configurations de métamatériaux diélectriques composées de quatre petits cylindres (bleu) et de quatre grands cylindres (orange) sont combinées en une configuration composée de trois petits cylindres et d'un grand cylindre (rouge), la réponse qui en résulte ne ressemble en rien à une simple combinaison des deux d'origine. Crédit :Willie Padilla, université de Duke
Une façon de trouver la bonne combinaison serait de simuler toutes les géométries possibles et de choisir le meilleur résultat. Mais même pour un simple métamatériau diélectrique où chacun des quatre cylindres ne peut avoir que 13 rayons et hauteurs différents, il y a 815,7 millions de géométries possibles. Même sur les meilleurs ordinateurs disponibles pour les chercheurs, il en faudrait plus de 2, 000 ans pour les simuler tous.
Pour accélérer le processus, Padilla et son étudiant diplômé Christian Nadell se sont tournés vers l'expert en apprentissage automatique Jordan Malof, professeur assistant de recherche en génie électrique et informatique à Duke, et Ph.D. étudiant Bohao Huang.
Malof et Huang ont créé un type de modèle d'apprentissage automatique appelé réseau de neurones qui peut efficacement effectuer des simulations de plusieurs ordres de grandeur plus rapidement que le logiciel de simulation d'origine. Le réseau prend 24 entrées—la hauteur, rayon et rapport rayon/hauteur de chaque cylindre - attribue des poids et des biais aléatoires tout au long de ses calculs, et crache une prédiction de ce à quoi ressemblera le spectre de réponse en fréquence du métamatériau.
D'abord, cependant, le réseau de neurones doit être "entraîné" pour faire des prédictions précises.
"Les prédictions initiales ne ressembleront en rien à la vraie réponse correcte, " dit Malof. " Mais comme un humain, le réseau peut progressivement apprendre à faire des prédictions correctes en observant simplement le simulateur commercial. Le réseau ajuste ses pondérations et ses biais à chaque fois qu'il commet une erreur et le fait à plusieurs reprises jusqu'à ce qu'il produise la bonne réponse à chaque fois."
Pour maximiser la précision de l'algorithme d'apprentissage automatique, les chercheurs l'ont formé avec 18, 000 simulations individuelles de la géométrie du métamatériau. Bien que cela puisse sembler un grand nombre, il ne représente en fait que 0,0022 % de toutes les configurations possibles. Après l'entrainement, le réseau de neurones peut produire des prédictions très précises en une fraction de seconde seulement.
Même avec ce succès en main, cependant, il ne résolvait toujours que le problème avancé de production de la réponse en fréquence d'une géométrie donnée, ce qu'ils pouvaient déjà faire. Pour résoudre le problème inverse de l'adaptation d'une géométrie à une réponse en fréquence donnée, les chercheurs sont revenus à la force brute.
Les chercheurs ont choisi des réponses en fréquence arbitraires pour leur système d'apprentissage automatique afin de trouver des métamatériaux à créer (cercles). Les solutions résultantes (bleu) correspondent bien à la fois aux réponses en fréquence souhaitées et à celles simulées par un logiciel commercial (gris). Crédit :Willie Padilla, université de Duke
Parce que l'algorithme d'apprentissage automatique est près d'un million de fois plus rapide que le logiciel de modélisation utilisé pour l'entraîner, les chercheurs l'ont simplement laissé résoudre chacune des 815,7 millions de permutations possibles. L'algorithme d'apprentissage automatique l'a fait en seulement 23 heures plutôt qu'en milliers d'années.
Après ça, un algorithme de recherche pourrait faire correspondre n'importe quelle réponse en fréquence souhaitée à la bibliothèque de possibilités créée par le réseau neuronal.
"Nous ne sommes pas forcément des experts là-dessus, mais Google le fait tous les jours, " a déclaré Padilla. " Un simple algorithme d'arbre de recherche peut parcourir 40 millions de graphiques par seconde. "
Les chercheurs ont ensuite testé leur nouveau système pour s'assurer qu'il fonctionnait. Nadell a dessiné à la main plusieurs graphiques de réponse en fréquence et a demandé à l'algorithme de choisir la configuration de métamatériau qui produirait le mieux chacun. Il a ensuite exécuté les réponses produites par le logiciel de simulation commercial pour voir si elles correspondaient bien.
Ils l'ont fait.
Avec la capacité de concevoir des métamatériaux diélectriques de cette manière, Padilla et Nadell travaillent à la conception d'un nouveau type de dispositif thermophotovoltaïque, qui crée de l'électricité à partir de sources de chaleur. De tels appareils fonctionnent un peu comme des panneaux solaires, sauf qu'ils absorbent des fréquences spécifiques de la lumière infrarouge au lieu de la lumière visible.
Les technologies actuelles émettent de la lumière infrarouge dans une gamme de fréquences beaucoup plus large que celle pouvant être absorbée par la cellule solaire infrarouge, qui gaspille de l'énergie. Un métamatériau soigneusement conçu et réglé sur cette fréquence spécifique, cependant, peut émettre de la lumière infrarouge dans une bande beaucoup plus étroite.
« Les métamatériaux à base de métal sont beaucoup plus faciles à régler sur ces fréquences, mais lorsque le métal chauffe jusqu'aux températures requises dans ces types d'appareils, ils ont tendance à fondre, " dit Padilla. " Vous avez besoin d'un métamatériau diélectrique qui peut résister à la chaleur. Et maintenant que nous avons la pièce d'apprentissage automatique, il semble que cela soit effectivement réalisable."
