Metode AI Dapat Mempercepat Pengembangan Nanopartikel Khusus
Teknik kecerdasan buatan baru dapat mempercepat simulasi fisika kompleks dan membantu membuat partikel nano berlapis-lapis, kata para peneliti.
Sumber: MIT.
Sebuah teknik baru yang dikembangkan oleh fisikawan MIT suatu hari nanti dapat memberikan cara untuk merancang nanopartikel berlapis-lapis dengan properti yang diinginkan, berpotensi untuk digunakan dalam tampilan, sistem cloaking, atau perangkat biomedis. Ini juga dapat membantu fisikawan mengatasi berbagai masalah penelitian yang rumit, dengan cara yang dalam beberapa kasus bisa menjadi lipat lebih cepat daripada metode yang ada.
Inovasi ini menggunakan jaringan saraf komputasi, suatu bentuk kecerdasan buatan, untuk "mempelajari" bagaimana struktur nanopartikel memengaruhi perilakunya, dalam hal ini cara ia menyebarkan warna cahaya yang berbeda, berdasarkan ribuan contoh pelatihan. Kemudian, setelah mempelajari hubungannya, program pada dasarnya dapat dijalankan mundur untuk mendesain partikel dengan sekumpulan properti penghamburan cahaya yang diinginkan - sebuah proses yang disebut desain terbalik.
Temuan ini dilaporkan dalam jurnal Science Advances , dalam sebuah makalah oleh senior MIT John Peurifoy, afiliasi penelitian Yichen Shen, mahasiswa pascasarjana Li Jing, profesor fisika Marin Soljačić, dan lima lainnya.
Sementara pendekatan pada akhirnya dapat mengarah pada aplikasi praktis, kata Soljačić, pekerjaan ini terutama merupakan kepentingan ilmiah sebagai cara untuk memprediksi sifat fisik berbagai bahan rekayasa nano tanpa memerlukan proses simulasi intensif komputasi yang biasanya digunakan untuk mengatasi masalah tersebut.
Soljačić mengatakan bahwa tujuannya adalah untuk melihat jaringan saraf, bidang yang telah mengalami banyak kemajuan dan menghasilkan kegembiraan dalam beberapa tahun terakhir, untuk melihat “apakah kita dapat menggunakan beberapa teknik tersebut untuk membantu kita dalam penelitian fisika kita. Jadi pada dasarnya, apakah komputer cukup 'cerdas' sehingga mereka dapat melakukan beberapa tugas yang lebih cerdas dalam membantu kita memahami dan bekerja dengan beberapa sistem fisik? ”
Untuk menguji idenya, mereka menggunakan sistem fisik yang relatif sederhana, Shen menjelaskan. "Untuk memahami teknik mana yang cocok dan untuk memahami batasan serta cara terbaik menggunakannya, kami [menggunakan jaringan saraf] pada satu sistem khusus untuk nanofotonik, sistem nanopartikel konsentris bola." Nanopartikel tersebut berlapis-lapis seperti bawang, tetapi setiap lapisan terbuat dari bahan yang berbeda dan memiliki ketebalan yang berbeda.
Nanopartikel memiliki ukuran yang sebanding dengan panjang gelombang cahaya tampak atau lebih kecil, dan cara cahaya dengan warna berbeda menyebar dari partikel ini bergantung pada detail lapisan ini dan panjang gelombang sinar yang masuk. Menghitung semua efek ini untuk nanopartikel dengan banyak lapisan dapat menjadi tugas komputasi intensif untuk nanopartikel berlapis banyak, dan kompleksitasnya semakin buruk seiring bertambahnya jumlah lapisan.
Para peneliti ingin melihat apakah jaringan saraf dapat memprediksi cara partikel baru menyebarkan warna cahaya - tidak hanya dengan melakukan interpolasi di antara contoh-contoh yang diketahui, tetapi dengan benar-benar mencari tahu beberapa pola dasar yang memungkinkan jaringan saraf untuk melakukan ekstrapolasi.
“Simulasinya sangat tepat, jadi ketika Anda membandingkannya dengan eksperimen, mereka semua mereproduksi satu sama lain poin demi poin,” kata Peurifoy, yang akan menjadi mahasiswa doktoral MIT tahun depan. “Tapi secara numerik cukup intensif, jadi butuh waktu lama. Apa yang ingin kami lihat di sini adalah, jika kami menunjukkan sekumpulan contoh partikel ini, banyak partikel berbeda, ke jaringan saraf, apakah jaringan saraf dapat mengembangkan 'intuisi' untuknya. ”
Benar saja, jaringan saraf mampu memprediksi dengan cukup baik pola yang tepat dari grafik hamburan cahaya versus panjang gelombang - tidak sempurna, tetapi sangat dekat, dan dalam waktu yang jauh lebih singkat. Simulasi jaringan saraf "sekarang jauh lebih cepat daripada simulasi yang sebenarnya," kata Jing. “Jadi sekarang Anda dapat menggunakan jaringan neural alih-alih simulasi nyata, dan itu akan memberi Anda prediksi yang cukup akurat. Namun ada harga yang harus dibayar, dan harganya adalah kami harus terlebih dahulu melatih jaringan saraf, dan untuk melakukannya kami harus menghasilkan banyak contoh. ”
Setelah jaringan dilatih, simulasi apa pun di masa mendatang akan mendapatkan manfaat penuh dari speedup, jadi ini bisa menjadi alat yang berguna untuk situasi yang memerlukan simulasi berulang. Tetapi tujuan sebenarnya dari proyek ini adalah mempelajari metodologi, bukan hanya aplikasi khusus ini. “Salah satu alasan utama mengapa kami tertarik pada sistem khusus ini adalah agar kami memahami teknik ini, bukan hanya untuk mensimulasikan nanopartikel,” kata Soljačić.
Langkah selanjutnya adalah menjalankan program secara terbalik, menggunakan sekumpulan properti hamburan yang diinginkan sebagai titik awal dan melihat apakah jaringan saraf kemudian dapat menentukan kombinasi yang tepat dari lapisan partikel nano yang diperlukan untuk mencapai keluaran tersebut.
“Dalam bidang teknik, banyak teknik berbeda telah dikembangkan untuk desain terbalik, dan ini adalah bidang penelitian yang sangat besar,” kata Soljačić. “Namun sangat sering untuk menyiapkan masalah desain terbalik tertentu, dibutuhkan waktu yang cukup lama, jadi dalam banyak kasus Anda harus menjadi ahli di bidang tersebut dan kemudian menghabiskan waktu berbulan-bulan untuk menyiapkannya untuk menyelesaikannya.”
Tetapi dengan jaringan saraf terlatih tim, “kami tidak melakukan persiapan khusus untuk ini. Kami berkata, 'oke, ayo coba putar mundur.' Dan yang cukup menakjubkan, ketika kami membandingkannya dengan beberapa metode desain terbalik yang lebih standar, ini adalah salah satu yang terbaik, ”katanya. “Ini sebenarnya akan melakukannya jauh lebih cepat daripada desain terbalik tradisional.”
Rekan penulis Shen berkata, “motivasi awal yang harus kami lakukan ini adalah menyiapkan kotak peralatan umum yang dapat digunakan oleh setiap orang yang berpendidikan tinggi yang bukan ahli dalam fotonik. … Itu adalah motivasi awal kami, dan itu jelas bekerja dengan cukup baik untuk kasus khusus ini. ”
Percepatan dalam beberapa jenis simulasi desain terbalik bisa sangat signifikan. Peurifoy berkata, “Sulit untuk memiliki perbandingan apel-ke-apel yang tepat, tetapi Anda dapat secara efektif mengatakan bahwa Anda memperoleh keuntungan dalam urutan ratusan kali. Jadi, perolehannya sangat besar - dalam beberapa kasus, perolehannya dari hari ke hari menjadi menit. "
Komentar
Posting Komentar