Una nueva técnica desarrollada por físicos del MIT podría algún día proporcionar una forma de diseñar nanopartículas de múltiples capas con las propiedades deseadas, potencialmente para uso en pantallas, sistemas de camuflaje, o dispositivos biomédicos. También puede ayudar a los físicos a abordar una variedad de problemas de investigación espinosos, de formas que, en algunos casos, podrían ser órdenes de magnitud más rápidas que los métodos existentes.

La innovación utiliza redes neuronales computacionales, una forma de inteligencia artificial, para "aprender" cómo la estructura de una nanopartícula afecta su comportamiento, en este caso, la forma en que dispersa diferentes colores de luz, basado en miles de ejemplos de formación. Luego, habiendo aprendido la relación, el programa se puede ejecutar esencialmente hacia atrás para diseñar una partícula con un conjunto deseado de propiedades de dispersión de luz, un proceso llamado diseño inverso.

Los hallazgos se publican en la revista. Avances de la ciencia , en un artículo de John Peurifoy, senior del MIT, filial de investigación Yichen Shen, estudiante de posgrado Li Jing, profesor de física Marin Soljacic, y otros cinco.

Si bien el enfoque podría conducir en última instancia a aplicaciones prácticas, Soljacic dice:el trabajo es principalmente de interés científico como una forma de predecir las propiedades físicas de una variedad de materiales de nanoingeniería sin requerir los procesos de simulación computacionalmente intensivos que se usan típicamente para abordar tales problemas.

Soljacic dice que el objetivo era mirar las redes neuronales, un campo que ha experimentado un gran progreso y ha generado entusiasmo en los últimos años, para ver "si podemos utilizar algunas de esas técnicas para ayudarnos en nuestra investigación en física. Básicamente, ¿Son las computadoras lo suficientemente 'inteligentes' como para que puedan realizar algunas tareas más inteligentes para ayudarnos a comprender y trabajar con algunos sistemas físicos? "

Para probar la idea, utilizaron un sistema físico relativamente simple, Shen explica. "Para comprender qué técnicas son adecuadas y comprender los límites y la mejor manera de utilizarlas, [usamos la red neuronal] en un sistema particular para nanofotónica, un sistema de nanopartículas esféricas concéntricas ". Las nanopartículas están en capas como una cebolla, pero cada capa está hecha de un material diferente y tiene un grosor diferente.

Las nanopartículas tienen tamaños comparables a las longitudes de onda de la luz visible o menores, y la forma en que la luz de diferentes colores se dispersa fuera de estas partículas depende de los detalles de estas capas y de la longitud de onda del haz entrante. Calcular todos estos efectos para nanopartículas con muchas capas puede ser una tarea computacional intensiva para nanopartículas de muchas capas, y la complejidad empeora a medida que aumenta el número de capas.

Los investigadores querían ver si la red neuronal podría predecir la forma en que una nueva partícula dispersaría los colores de la luz, no solo interpolando entre ejemplos conocidos, pero descubriendo algún patrón subyacente que permita extrapolar la red neuronal.

"Las simulaciones son muy exactas, así que cuando los comparas con los experimentos, todos se reproducen punto por punto, "dice Peurifoy, que será un estudiante de doctorado del MIT el próximo año. "Pero numéricamente son bastante intensivos, por lo que lleva bastante tiempo. Lo que queremos ver aquí es si mostramos varios ejemplos de estas partículas, muchas, muchas partículas diferentes, a una red neuronal, si la red neuronal puede desarrollar 'intuición' para ella ".

Bastante seguro, la red neuronal fue capaz de predecir razonablemente bien el patrón exacto de un gráfico de dispersión de luz en función de la longitud de onda, no perfectamente, pero muy cerca, y en mucho menos tiempo. Las simulaciones de redes neuronales "ahora son mucho más rápidas que las simulaciones exactas, ", Dice Jing." Así que ahora podrías usar una red neuronal en lugar de una simulación real, y le daría una predicción bastante precisa. Pero vino con un precio y el precio fue que primero teníamos que entrenar la red neuronal, y para ello tuvimos que producir una gran cantidad de ejemplos ".

Una vez que la red esté capacitada, aunque, cualquier simulación futura se beneficiaría al máximo de la aceleración, por lo que podría ser una herramienta útil para situaciones que requieran simulaciones repetidas. Pero el objetivo real del proyecto era conocer la metodología, no solo esta aplicación en particular. "Una de las principales razones por las que estábamos interesados ​​en este sistema en particular fue que entendiéramos estas técnicas, en lugar de solo simular nanopartículas, "Dice Soljacic.

El siguiente paso fue esencialmente ejecutar el programa al revés, para usar un conjunto de propiedades de dispersión deseadas como punto de partida y ver si la red neuronal podría entonces encontrar la combinación exacta de capas de nanopartículas necesarias para lograr ese resultado.

"En Ingeniería, Se han desarrollado muchas técnicas diferentes para el diseño inverso, y es un campo de investigación enorme, ", Dice Soljacic." Pero muy a menudo para establecer un problema de diseño inverso dado, toma bastante tiempo, así que en muchos casos tienes que ser un experto en el campo y luego pasar a veces incluso meses configurándolo para resolverlo ".

Pero con la red neuronal entrenada del equipo, "No hicimos ninguna preparación especial para esto. Dijimos, 'OK, intentemos ejecutarlo al revés. Y sorprendentemente cuando lo comparamos con algunos otros métodos de diseño inverso más estándar, este es uno de los mejores, ", dice." De hecho, lo hará mucho más rápido que un diseño inverso tradicional ".

El coautor Shen dice que "la motivación inicial que teníamos para hacer esto fue establecer una caja de herramientas general que cualquier persona generalmente bien educada que no sea experta en fotónica pueda usar ... Esa fue nuestra motivación original, y claramente funciona bastante bien para este caso en particular ".

La aceleración en ciertos tipos de simulaciones de diseño inverso puede ser bastante significativa. Peurifoy dice "Es difícil tener comparaciones exactas de manzanas con manzanas, pero puede decir efectivamente que tiene ganancias del orden de cientos de veces. Por tanto, la ganancia es muy, muy sustancial; en algunos casos, pasa de días a minutos ".