基于AI的方法可以加速专用纳米粒子的开发

麻省理工学院物理学家开发的一项新技术有朝一日可以提供一种定制设计具有所需特性的多层纳米粒子的方法，可用于显示器，隐形系统或生物医学设备。它也可以帮助物理学家解决各种棘手的研究问题，在某些情况下可能比现有方法快几个数量级。

该创新使用计算神经网络，一种人工智能，“学习”纳米粒子的结构如何影响其行为，在这种情况下，基于成千上万的训练样例，它散布不同颜色的光。然后，在学习了这种关系之后，该程序基本上可以向后运行以设计具有所需光散射特性的粒子 - 一个称为逆设计的过程。

研究结果发表在“ 科学进展 ”杂志上，麻省理工学院高级研究员John Peurifoy，研究会员沉一辰，研究生李静，物理学教授Marin Soljacic和另外五篇。

Soljacic说，虽然这种方法最终可能导致实际应用，但这项工作主要是科学上的兴趣，作为一种预测各种纳米工程材料的物理特性的方法，而不需要通常用于解决这些问题的计算密集型模拟过程。

Soljacic说，目标是研究神经网络，这个领域近年来已经取得了很多进展并产生了兴奋，看到“我们是否可以使用其中的一些技术来帮助我们进行物理研究。所以基本上，计算机是否“足够智能”，以便他们可以做一些更聪明的任务来帮助我们理解和使用某些物理系统?“

Shen解释说，为了测试这个想法，他们使用了一个相对简单的物理系统。“为了理解哪些技术适合并理解限制以及如何最好地使用它们，我们[在一个特定的系统上使用神经网络]纳米光子学，一个球形同心纳米粒子系统。” 纳米颗粒像洋葱一样分层，但每层由不同的材料制成并具有不同的厚度。

纳米颗粒具有与可见光波长相当或更小的尺寸，并且不同颜色的光从这些颗粒散射的方式取决于这些层的细节和入射光束的波长。计算多层纳米粒子的所有这些效应对于多层纳米粒子来说可能是一项密集的计算任务，随着层数的增加，复杂性变得更加严重。

研究人员希望看看神经网络是否能够预测新粒子散射光的颜色的方式 - 不仅仅是通过在已知例子之间进行插值，而是通过实际计算出一些允许神经网络推断的基础模式。

“模拟是非常精确的，所以当你将它们与实验进行比较时，它们都会逐点相互重现，”Peurifoy说，他明年将成为麻省理工学院的博士生。“但它们在数值上非常密集，因此需要相当长的时间。我们想要看到的是，如果我们向神经网络展示这些粒子，许多不同粒子的一堆例子，神经网络是否可以发展'直觉'为它。“

果然，神经网络能够合理地预测光散射与波长图的确切模式 - 不完美，但非常接近，并且在更短的时间内完成。Jing说，神经网络模拟“现在比精确模拟快得多”。“所以现在你可以使用神经网络而不是真正的模拟，它会给你一个相当准确的预测。但它带来了价格，而且价格是我们必须首先训练神经网络，并且为了要做到这一点，我们必须制作大量的例子。“

但是，一旦网络被训练，任何未来的模拟都将获得加速的全部好处，因此对于需要重复模拟的情况，它可能是一个有用的工具。但该项目的真正目标是了解方法，而不仅仅是这个特定的应用程序。“我们对这个特定系统感兴趣的主要原因之一是让我们了解这些技术，而不仅仅是模拟纳米粒子，”Soljacic说。

下一步是基本上反向运行程序，使用一组所需的散射属性作为起点，看看神经网络是否可以计算出实现该输出所需的纳米粒子层的精确组合。

“在工程领域，已经开发了许多不同的技术用于逆向设计，这是一个巨大的研究领域，”Soljacic说。“但是经常为了设置一个给定的逆设计问题，需要花费相当长的时间，所以在很多情况下你必须成为该领域的专家，然后有时甚至花几个月来设置它以解决它。”

但是在团队训练有素的神经网络的情况下，“我们没有为此做任何特别的准备。我们说，'好吧，我们试着让它向后运行。' 令人惊讶的是，当我们将它与其他更标准的逆向设计方法进行比较时，这是最好的方法之一，“他说。“它实际上比传统的逆向设计更快。”

共同作者沉说：“我们必须做的最初动机是建立一个通用的工具箱，任何一个不是光子学专家的普通受过良好教育的人都可以使用....这是我们最初的动机，它对于这个特殊情况，显然效果很好。“

某些逆设计模拟的加速可能非常显着。Peurifoy说：“很难进行苹果对苹果的精确比较，但你可以有效地说你的收益大约有数百倍。所以收益非常可观 - 在某些情况下它会从几天到几天分钟。”