Группа исследователей из Калифорнийского университета в Лос-Анджелесе (UCLA) разработала новую систему для проектирования универсальных дифракционных волноводов, которые могут управлять потоком света сложными и специфическими способами.
Использование искусственного интеллекта для проектирования волноводов
Новая технология использует искусственный интеллект (ИИ), в частности глубокое обучение, для создания серии структурированных поверхностей, которые направляют свет с высокой эффективностью и могут выполнять широкий спектр функций, сложных для традиционных волноводов.
Работа опубликована в журнале Nature Communications.
Оптические волноводы: основы современных технологий
Оптические волноводы — это структуры, направляющие световые волны. Они являются фундаментальными компонентами современных технологий, важными для всего: от глобальных телекоммуникационных сетей до интегрированных фотонных схем и передовых датчиков.
Традиционные волноводы, такие как оптоволоконные кабели, ограничивают свет в материале сердечника, который имеет более высокий показатель преломления, чем окружающая оболочка, направляя свет на большие расстояния с минимальными потерями.
Однако создание волноводов, способных выполнять более сложные задачи, например фильтрацию определённых световых мод, разделение их на разные каналы на основе поляризации и/или спектра или огибание светом острых углов, часто требует сложных конструкций, специализированных материалов и сложных процессов изготовления.
Исследование профессора Айдогана Озкана
Исследование под руководством профессора Айдогана Озкана из отдела электротехники и вычислительной техники UCLA направлено на преодоление этих проблем с помощью мощного подхода к проектированию на основе ИИ. Вместо использования традиционных материалов для ограничения света новая система использует серию тонких прозрачных дифракционных слоёв.
Эти каскадные слои, которые можно представить как интеллектуальные структурированные поверхности, оптимизированы алгоритмом глубокого обучения для совместной обработки и направления светового луча по мере его распространения. ИИ точно настраивает шаблоны на каждой поверхности, чтобы обеспечить прохождение желаемых световых мод с минимальными потерями и высокой чистотой, в то время как нежелательные моды отфильтровываются.
«Наша система дифракционных волноводов переосмысливает то, как мы можем управлять светом. Вместо того чтобы ограничиваться физическими свойствами материалов, мы можем научить последовательность поверхностей направлять свет и выполнять сложные оптические задачи каскадным образом», — объяснил доктор Озкан, автор исследования.
«Это даёт нам новый набор инструментов, подобный оптическому набору Lego, для создания высокоуниверсальных волноводов, предназначенных для выполнения конкретных задач, которые можно каскадировать для широкого спектра применений: от передовых оптических коммуникационных систем до компактных и чувствительных датчиков».
Команда продемонстрировала возможности своей платформы, разработав несколько дифракционных волноводов, выполняющих специализированные функции, включая модовые фильтры, которые выборочно пропускают или блокируют определённые пространственные и спектральные моды света, и модовые волноводные разветвители, которые разделяют и мультиплексируют различные световые моды в отдельные выходные каналы для связи.
Их разработки также включали волноводы для контроля поляризации, специфичной для мод, которые поддерживают желаемое состояние поляризации определённых пространственных мод, фильтруя при этом другие.
Одним из значительных преимуществ этой технологии является её масштабируемость и универсальность. Конструкция, оптимизированная для одной длины волны, может быть физически масштабирована для работы в других частях электромагнитного спектра, таких как видимый или инфракрасный, без необходимости перепроектирования или переобучения. Кроме того, дифракционные волноводы могут функционировать в воздухе или даже при погружении в жидкости или газы, открывая новые возможности в области сенсорики.
Это исследование было проведено междисциплинарной командой из отдела электротехники и вычислительной техники UCLA, отдела биоинженерии и Института Калифорнийских наносистем (CNSI) под руководством профессоров Айдогана Озкана и Моны Джаррахи из UCLA.
Прорыв в машинном обучении для предсказания свойств материалов
Исследователи из Гарвардской школы инженерии и прикладных наук имени Джона А. Полсона (SEAS) разработали систему машинного обучения, которая может с квантовой точностью предсказывать, как материалы реагируют на электрические поля, вплоть до масштаба в миллион атомов. Это значительно ускоряет моделирование по сравнению с квантово-механическими методами, которые могут моделировать только несколько сотен атомов за раз.
Ускорение симуляций с помощью машинного обучения
Работа позволит учёным и инженерам проводить высокоточные крупномасштабные симуляции отклика различных материалов на различные внешние стимулы, что может иметь серьёзные последствия для разработки передовых материалов или энергетических технологий.
Исследование опубликовано в Nature Communications и проведено Стефано Фаллеттой, бывшим докторантом в группе старшего автора Бориса Козинского, профессора Гордона Маккея в области материаловедения и машиностроения в SEAS, и профессора химии и химической биологии.
Преодоление ограничений квантово-механических методов
Более 30 лет основным методом моделирования свойств и поведения атомов и молекул была теория функционала плотности — набор квантово-механических уравнений, основанных на физике и высокоточных, но ресурсоёмких и ограниченных для небольших систем.
В последние годы изучение квантового поведения материалов больших размеров и длительных временных масштабов при сохранении точности теории функционала плотности было поддержано машинным обучением, но моделирование отклика на внешние стимулы оставалось сложной задачей. Это связано с тем, что существующие методы машинного обучения склонны упускать физические симметрии и законы сохранения, связанные как с энергетическими, так и с электрическими свойствами, что приводит к неточностям в прогнозах свойств.
Чтобы решить эти проблемы, авторы разработали метод машинного обучения, который объединяет различные квантовые поведения, такие как энергия и поляризация, в одну обобщённую функцию потенциальной энергии. Используя расчёты теории функционала плотности в качестве обучающих и проверочных данных, модель учитывает влияние внешних полей и обеспечивает корректную физику.
Новая система, названная Allegro-pol, основана на ранее разработанной архитектуре нейронных сетей под названием Allegro, которая выполняла точные симуляции энергии и атомных сил, присутствующих в заданном наборе атомов. Фаллетта стремился расширить возможности Allegro, чтобы фиксировать не только динамику молекул в реальном времени, но и то, что происходит, когда атомы подвергаются внешним возмущениям, таким как приложение внешнего электрического поля.
Понимание этих взаимодействий имеет важное значение для открытия, например, новых сегнетоэлектрических материалов и диэлектрических материалов, которые можно использовать в таких приложениях, как энергонезависимая память, конденсаторы и устройства хранения энергии.
«Если вы используете физические методы, которые решают квантово-механические уравнения, вы можете работать только с несколькими сотнями атомов, — сказал Фаллетта. — В то время как с помощью этих методов машинного обучения вы можете масштабировать до сотен тысяч атомов или даже до миллиона».
Они доказали свой метод, моделируя инфракрасные и электрические свойства диоксида кремния, а также температурно-зависимое сегнетоэлектрическое переключение в титанате бария.
Фаллетта, который сейчас работает в Radical AI над ускорением поиска материалов, сказал, что фундаментальные модели, основанные на описанной в Nature Communications, могут позволить машинному обучению в материаловедении развиваться в направлениях, которые только начинают понимать.
«Область вычислительного поиска материалов движется в сторону лучших теорий, лучших моделей машинного обучения, лучшей инфраструктуры, более крупных кластеров, более быстрых графических процессоров и лучших генеративных моделей — всё это как бы объединяется, — сказал Фаллетта. — Это определённо очень увлекательно».