Una ilustración de un metamaterial dieléctrico con luz infrarroja brillando sobre él. Crédito:Willie Padilla, Universidad de Duke
Los ingenieros eléctricos de la Universidad de Duke han aprovechado el poder del aprendizaje automático para diseñar metamateriales dieléctricos (no metálicos) que absorben y emiten frecuencias específicas de radiación de terahercios. La técnica de diseño cambió lo que podrían haber sido más de 2000 años de cálculo en 23 horas, despejando el camino para el diseño de nuevos tipos sostenibles de captadores de energía térmica e iluminación.
El estudio fue publicado en línea el 16 de septiembre en la revista Óptica Express .
Los metamateriales son materiales sintéticos compuestos por muchas características de ingeniería individuales, que juntos producen propiedades que no se encuentran en la naturaleza a través de su estructura en lugar de su química. En este caso, el metamaterial de terahercios se construye a partir de una rejilla de cilindros de silicio de dos por dos que se asemeja a un Lego cuadrado.
Ajustando la altura, El radio y el espaciado de cada uno de los cuatro cilindros cambian las frecuencias de luz con las que interactúa el metamaterial.
El cálculo de estas interacciones para un conjunto idéntico de cilindros es un proceso sencillo que puede realizarse mediante software comercial. Pero resolver el problema inverso de qué geometrías producirán un conjunto deseado de propiedades es una propuesta mucho más difícil.
Debido a que cada cilindro crea un campo electromagnético que se extiende más allá de sus límites físicos, interactúan entre sí de una manera impredecible, forma no lineal.
"Si intenta generar una respuesta deseada combinando las propiedades de cada cilindro individual, obtendrás un bosque de picos que no es simplemente una suma de sus partes, "dijo Willie Padilla, profesor de ingeniería eléctrica e informática en Duke. "Es un enorme espacio de parámetros geométricos y estás completamente ciego, no hay indicación de qué camino tomar".
Cuando las respuestas de frecuencia de las configuraciones de metamateriales dieléctricos que constan de cuatro cilindros pequeños (azul) y cuatro cilindros grandes (naranja) se combinan en una configuración que consta de tres cilindros pequeños y un cilindro grande (rojo), la respuesta resultante no se parece en nada a una combinación sencilla de los dos originales. Crédito:Willie Padilla, Universidad de Duke
Una forma de encontrar la combinación correcta sería simular todas las geometrías posibles y elegir el mejor resultado. Pero incluso para un metamaterial dieléctrico simple donde cada uno de los cuatro cilindros puede tener solo 13 radios y alturas diferentes, hay 815,7 millones de geometrías posibles. Incluso en las mejores computadoras disponibles para los investigadores, se necesitarían más de 2, 000 años para simularlos todos.
Para acelerar el proceso, Padilla y su estudiante graduado Christian Nadell recurrieron al experto en aprendizaje automático Jordan Malof, profesor asistente de investigación de ingeniería eléctrica e informática en Duke, y Ph.D. estudiante Bohao Huang.
Malof y Huang crearon un tipo de modelo de aprendizaje automático llamado red neuronal que puede realizar simulaciones de manera efectiva órdenes de magnitud más rápido que el software de simulación original. La red toma 24 entradas:la altura, radio y relación radio-altura de cada cilindro:asigna pesos y sesgos aleatorios a lo largo de sus cálculos, y escupe una predicción de cómo se verá el espectro de respuesta de frecuencia del metamaterial.
Primero, sin embargo, la red neuronal debe estar "entrenada" para realizar predicciones precisas.
"Las predicciones iniciales no se parecerán en nada a la respuesta correcta real, "dijo Malof." Pero como un humano, la red puede aprender gradualmente a hacer predicciones correctas simplemente observando el simulador comercial. La red ajusta sus pesos y sesgos cada vez que comete un error y lo hace repetidamente hasta que siempre produce la respuesta correcta ".
Para maximizar la precisión del algoritmo de aprendizaje automático, los investigadores lo entrenaron con 18, 000 simulaciones individuales de la geometría del metamaterial. Si bien esto puede parecer una gran cantidad, en realidad, representa solo el 0,0022 por ciento de todas las configuraciones posibles. Después de entrenar, la red neuronal puede producir predicciones muy precisas en solo una fracción de segundo.
Incluso con este éxito en la mano, sin embargo, todavía solo resolvió el problema directo de producir la respuesta de frecuencia de una geometría dada, que ya podían hacer. Para resolver el problema inverso de hacer coincidir una geometría con una respuesta de frecuencia dada, los investigadores volvieron a la fuerza bruta.
Los investigadores eligieron respuestas de frecuencia arbitrarias para su sistema de aprendizaje automático para encontrar metamateriales para crear (círculos). Las soluciones resultantes (azul) encajan bien tanto con las respuestas de frecuencia deseadas como con las simuladas por software comercial (gris). Crédito:Willie Padilla, Universidad de Duke
Dado que el algoritmo de aprendizaje automático es casi un millón de veces más rápido que el software de modelado utilizado para entrenarlo, los investigadores simplemente dejaron que resolviera cada una de las 815,7 millones de posibles permutaciones. El algoritmo de aprendizaje automático lo hizo en solo 23 horas en lugar de miles de años.
Después, un algoritmo de búsqueda podría hacer coincidir cualquier respuesta de frecuencia deseada con la biblioteca de posibilidades creada por la red neuronal.
"No somos necesariamente expertos en eso, pero Google lo hace todos los días, ", dijo Padilla." Un algoritmo de árbol de búsqueda simple puede recorrer 40 millones de gráficos por segundo ".
Luego, los investigadores probaron su nuevo sistema para asegurarse de que funcionaba. La mano de Nadell dibujó varios gráficos de respuesta de frecuencia y le pidió al algoritmo que eligiera la configuración de metamaterial que mejor produciría cada uno. Luego, ejecutó las respuestas producidas a través del software de simulación comercial para ver si coincidían bien.
Lo hicieron.
Con la capacidad de diseñar metamateriales dieléctricos de esta manera, Padilla y Nadell están trabajando para diseñar un nuevo tipo de dispositivo termofotovoltaico, que crea electricidad a partir de fuentes de calor. Estos dispositivos funcionan de manera muy similar a los paneles solares, excepto que absorben frecuencias específicas de luz infrarroja en lugar de luz visible.
Las tecnologías actuales irradian luz infrarroja en un rango de frecuencia mucho más amplio que el que puede absorber la célula solar infrarroja. que desperdicia energía. Un metamaterial cuidadosamente diseñado sintonizado a esa frecuencia específica, sin embargo, puede emitir luz infrarroja en una banda mucho más estrecha.
"Los metamateriales basados en metales son mucho más fáciles de sintonizar con estas frecuencias, pero cuando el metal se calienta a las temperaturas requeridas en este tipo de dispositivos, tienden a derretirse, "dijo Padilla." Necesitas un metamaterial dieléctrico que pueda soportar el calor. Y ahora que tenemos la pieza de aprendizaje automático, parece que esto se puede lograr ".
