Une nouvelle technique développée par les physiciens du MIT pourrait un jour fournir un moyen de concevoir sur mesure des nanoparticules multicouches avec les propriétés souhaitées, potentiellement pour une utilisation dans les écrans, systèmes de camouflage, ou des dispositifs biomédicaux. Cela peut également aider les physiciens à s'attaquer à une variété de problèmes de recherche épineux, de manières qui pourraient dans certains cas être des ordres de grandeur plus rapides que les méthodes existantes.

L'innovation utilise des réseaux de neurones computationnels, une forme d'intelligence artificielle, « apprendre » comment la structure d'une nanoparticule affecte son comportement, dans ce cas, la façon dont il diffuse différentes couleurs de lumière, basé sur des milliers d'exemples de formation. Puis, avoir appris la relation, le programme peut essentiellement être exécuté en arrière pour concevoir une particule avec un ensemble souhaité de propriétés de diffusion de la lumière, un processus appelé conception inverse.

Les résultats sont rapportés dans le journal Avancées scientifiques , dans un article du MIT senior John Peurifoy, affilié de recherche Yichen Shen, étudiant diplômé Li Jing, professeur de physique Marin Soljacic, et cinq autres.

Alors que l'approche pourrait finalement conduire à des applications pratiques, Soljacic dit, le travail est principalement d'intérêt scientifique en tant que moyen de prédire les propriétés physiques d'une variété de matériaux nano-ingénierie sans nécessiter les processus de simulation intensifs en calcul qui sont généralement utilisés pour résoudre de tels problèmes.

Soljacic dit que le but était de regarder les réseaux de neurones, un domaine qui a beaucoup progressé et suscité l'enthousiasme ces dernières années, pour voir « si nous pouvons utiliser certaines de ces techniques pour nous aider dans nos recherches en physique. les ordinateurs sont-ils assez « intelligents » pour qu'ils puissent effectuer des tâches plus intelligentes en nous aidant à comprendre et à travailler avec certains systèmes physiques ?"

Pour tester l'idée, ils utilisaient un système physique relativement simple, Shen explique. "Afin de comprendre quelles techniques sont adaptées et d'en comprendre les limites et comment les utiliser au mieux, nous [utilisé le réseau de neurones] sur un système particulier pour la nanophotonique, un système de nanoparticules sphériquement concentriques." Les nanoparticules sont stratifiées comme un oignon, mais chaque couche est faite d'un matériau différent et a une épaisseur différente.

Les nanoparticules ont des tailles comparables aux longueurs d'onde de la lumière visible ou inférieures, et la façon dont la lumière de différentes couleurs se diffuse de ces particules dépend des détails de ces couches et de la longueur d'onde du faisceau entrant. Le calcul de tous ces effets pour les nanoparticules à plusieurs couches peut être une tâche de calcul intensive pour les nanoparticules à plusieurs couches, et la complexité empire à mesure que le nombre de couches augmente.

Les chercheurs voulaient voir si le réseau de neurones serait capable de prédire la façon dont une nouvelle particule disperserait les couleurs de la lumière, et pas seulement en interpolant entre des exemples connus, mais en trouvant réellement un modèle sous-jacent qui permet au réseau de neurones d'extrapoler.

"Les simulations sont très exactes, donc quand vous les comparez avec des expériences, ils se reproduisent tous point par point, " dit Peurifoy, qui sera doctorant au MIT l'année prochaine. "Mais ils sont numériquement assez intensifs, donc ça prend pas mal de temps. Ce que nous voulons voir ici, c'est si nous montrons un tas d'exemples de ces particules, beaucoup de particules différentes, à un réseau de neurones, si le réseau de neurones peut développer une « intuition » pour cela. »

Assez sur, le réseau de neurones était capable de prédire raisonnablement bien le modèle exact d'un graphique de diffusion de la lumière en fonction de la longueur d'onde - pas parfaitement, mais très proche, et en beaucoup moins de temps. Les simulations de réseaux de neurones "sont désormais beaucoup plus rapides que les simulations exactes, " dit Jing. " Alors maintenant, vous pouvez utiliser un réseau de neurones au lieu d'une vraie simulation, et cela vous donnerait une prédiction assez précise. Mais il est venu avec un prix, et le prix était que nous devions d'abord former le réseau de neurones, et pour ce faire, nous avons dû produire un grand nombre d'exemples."

Une fois le réseau formé, bien que, toute simulation future bénéficierait pleinement de l'accélération, il pourrait donc être un outil utile pour les situations nécessitant des simulations répétées. Mais le véritable objectif du projet était d'apprendre la méthodologie, pas seulement cette application particulière. "L'une des principales raisons pour lesquelles nous nous sommes intéressés à ce système particulier était pour nous de comprendre ces techniques, plutôt que de simplement simuler des nanoparticules, " dit Soljacic.

L'étape suivante consistait essentiellement à exécuter le programme à l'envers, d'utiliser un ensemble de propriétés de diffusion souhaitées comme point de départ et de voir si le réseau neuronal pourrait ensuite déterminer la combinaison exacte de couches de nanoparticules nécessaires pour obtenir cette sortie.

"En ingénierie, de nombreuses techniques différentes ont été développées pour la conception inverse, et c'est un vaste domaine de recherche, " dit Soljacic. " Mais très souvent pour mettre en place un problème de conception inverse donné, ça prend du temps, donc dans de nombreux cas, vous devez être un expert dans le domaine et ensuite passer parfois même des mois à le configurer afin de le résoudre. »

Mais avec le réseau neuronal formé de l'équipe, "nous n'avons fait aucune préparation spéciale pour cela. Nous avons dit, 'd'accord, essayons de le faire reculer. Et assez étonnamment, lorsque nous le comparons à d'autres méthodes de conception inverse plus standard, c'est l'un des meilleurs, " dit-il. " Il le fera en fait beaucoup plus rapidement qu'une conception inverse traditionnelle. "

Le co-auteur Shen dit que « la motivation initiale que nous avions pour le faire était de mettre en place une boîte à outils générale que toute personne généralement bien éduquée qui n'est pas un expert en photonique peut utiliser. ... C'était notre motivation initiale, et cela fonctionne clairement assez bien pour ce cas particulier."

L'accélération de certains types de simulations de conception inverse peut être assez importante. Peurifoy dit "Il est difficile d'avoir des comparaisons exactes de pommes à pommes, mais vous pouvez effectivement dire que vous avez des gains de l'ordre de centaines de fois. Le gain est donc très très substantiel, dans certains cas, il va de quelques jours à quelques minutes."