Les percées dans le domaine de la nanophotonique - le comportement de la lumière à l'échelle nanométrique - ont ouvert la voie à l'invention de « métamatériaux, " des matériaux synthétiques qui ont d'énormes applications, de la télédétection à l'échelle nanométrique à la récupération d'énergie et aux diagnostics médicaux. Mais leur impact sur la vie quotidienne a été entravé par un processus de fabrication compliqué avec de grandes marges d'erreur.
Maintenant, une nouvelle étude interdisciplinaire de l'Université de Tel Aviv publiée dans Lumière :science et applications démontre un moyen de rationaliser le processus de conception et de caractérisation de la nanophotonique de base, éléments métamatériaux. L'étude a été dirigée par le Dr Haim Suchowski de la TAU's School of Physics and Astronomy et le professeur Lior Wolf de la TAU Blavatnik School of Computer Science et menée par le chercheur Dr. Michael Mrejen et les étudiants diplômés de la TAU Itzik Malkiel, Achiya Nagler et Uri Arieli.
"Le processus de conception de métamatériaux consiste à sculpter des éléments nanométriques avec une réponse électromagnétique précise, " dit le Dr Mrejen. " Mais en raison de la complexité de la physique impliquée, la conception, les processus de fabrication et de caractérisation de ces éléments nécessitent une quantité énorme d'essais et d'erreurs, limitant considérablement leurs applications."
Deep Learning, clé de la fabrication de précision
"Notre nouvelle approche repose presque entièrement sur le Deep Learning, un réseau informatique inspiré de l'architecture en couches et hiérarchique du cerveau humain, " explique le professeur Wolf. " C'est l'une des formes les plus avancées d'apprentissage automatique, responsable d'avancées technologiques majeures, y compris la reconnaissance vocale, traduction et traitement d'images. Nous avons pensé que ce serait la bonne approche pour concevoir la nanophotonique, éléments métamatériaux."
Les scientifiques ont alimenté un réseau de Deep Learning avec 15, 000 expériences artificielles pour enseigner au réseau la relation complexe entre les formes des nanoéléments et leurs réponses électromagnétiques. « Nous avons démontré qu'un réseau de Deep Learning « formé » peut prédire, en une fraction de seconde, la géométrie d'une nanostructure fabriquée, " dit le Dr Suchowski.
Les chercheurs ont également démontré que leur approche produit avec succès la nouvelle conception de nanoéléments qui peuvent interagir avec des produits chimiques et des protéines spécifiques.
Résultats largement applicables
"Ces résultats sont largement applicables à tant de domaines, y compris la spectroscopie et la thérapie ciblée, c'est à dire., la conception efficace et rapide de nanoparticules capables de cibler des protéines malveillantes, " dit le Dr Suchowski. " Pour la première fois, un nouveau réseau de neurones profonds, entraîné avec des milliers d'expériences synthétiques, était non seulement capable de déterminer les dimensions d'objets nanométriques, mais était également capable de permettre la conception et la caractérisation rapides d'éléments optiques à base de métasurface pour des produits chimiques et biomolécules ciblés.
"Notre solution fonctionne également dans l'autre sens. Une fois la forme fabriquée, il faut généralement un équipement coûteux et du temps pour déterminer la forme précise qui a été réellement fabriquée. Notre solution informatique le fait en une fraction de seconde sur la base d'une simple mesure de transmission."
Les chercheurs, qui ont également déposé un brevet sur leur nouvelle méthode, développent actuellement leurs algorithmes d'apprentissage profond pour inclure la caractérisation chimique des nanoparticules.
