Команда исследователей из Калифорнийского университета в Лос-Анджелесе (UCLA) представила новую систему для проектирования универсальных дифракционных волноводов, которые могут управлять потоком света специфическими и сложными способами.
Использование искусственного интеллекта для проектирования
Новая технология использует искусственный интеллект (ИИ), в частности глубокое обучение, для разработки 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 и их роль в современных технологиях
Оптические волноводы, которые направляют световые волны, 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, такие как фильтрация определённых световых режимов, разделение их на разные каналы на основе поляризации и/или спектра или огибание светом резких углов, часто требует сложных конструкций, специализированных материалов и сложных процессов изготовления.
Исследование под руководством профессора Айдогана Озкана
Исследование под руководством профессора Айдогана Озкана из отдела электротехники и вычислительной техники Калифорнийского университета в Лос-Анджелесе 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 умные структурированные поверхности, оптимизированы алгоритмом глубокого обучения для совместного создания и направления светового луча по мере его распространения.
ИИ точно настраивает узоры на каждой поверхности, чтобы обеспечить прохождение желаемых световых режимов с минимальными потерями и высокой чистотой, в то время как нежелательные режимы 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 конкретных задач, которые можно каскадировать для широкого спектра применений: от передовых оптических коммуникационных систем до компактных и чувствительных датчиков».
Исследователи из Гарвардской школы инженерии и прикладных наук имени Джона А. Полсона 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.
Работа позволит учёным и инженерам проводить высокоточные крупномасштабные симуляции отклика различных материалов на многочисленные внешние стимулы, что может иметь серьёзные последствия для проектирования передовых материалов или энергетических технологий.
Исследование опубликовано в Nature Communications и проводилось под руководством Стефано Фаллетты, бывшего постдокторанта в группе старшего автора Бориса Козинского, профессора Гордона Маккея в области материаловедения и машиностроения в SEAS, и профессора химии и химической биологии.
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 с точки зрения вычислений и, следовательно, ограниченных только небольшими системами.
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.
Для решения этих проблем 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 корректность физики.
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 охватить не только динамику молекулярных процессов 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 методы, основанные на физике, 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 масштабироваться до сотен тысяч атомов или даже 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 материаловедения движется к лучшим теориям, лучшим моделям машинного обучения, лучшей инфраструктуре, большим кластерам, более быстрым графическим процессорам и лучшим генеративным моделям — всё это как бы объединяется, — сказал Фаллетта. — Это определённо очень увлекательно».