机器学习模型发现能量收集的超材料设计

电气工程师杜克大学利用机器学习(ML)的力量来设计介电(非金属)超材料，这种材料可以吸收和发射特定频率的太赫兹辐射。这种设计技术将2000多年的计算时间缩短为23小时，为设计新型、可持续的热能采集器和照明扫清了道路。

这项研究于9月16日在线发表在《光学快报》上。

超材料是由许多单独的工程特征组成的合成材料，这些特征通过其结构而不是化学作用共同产生自然界中没有的特性。在这种情况下，太赫兹超材料是由一个2乘2的硅圆柱体网格构成的，类似于一个短的方形乐高。

调整四个圆柱体的高度、半径和间距会改变超材料与之相互作用的光的频率。

计算一组相同圆柱体的这些相互作用是一个简单的过程，可以通过商业软件来完成。但要找出哪个几何图形能产生一组理想性质的逆问题是一个困难得多的命题。

因为每个圆柱体都会产生一个超出其物理边界的电磁场，它们以一种不可预测的非线性方式相互作用。

杜克大学电子与计算机工程教授威利·帕迪拉(Willie Padilla)说:“如果你试图通过结合每个单独圆柱体的特性来构建期望的响应，你将得到一堆峰值，而不仅仅是它们各部分的总和。”“这是一个巨大的几何参数空间，你完全看不到——没有指示该走哪条路。”

找到正确组合的一种方法是模拟所有可能的几何形状并选择最佳结果。但即使是一个简单的电介质超材料，四个圆柱体中的每一个只能有13种不同的半径和高度，也有8.157亿种可能的几何形状。即使在研究人员可用的最好的计算机上，也需要2000多年的时间来模拟所有这些。

为了加快这一过程，帕迪拉和他的研究生克里斯蒂安·纳德尔(Christian Nadell)求助于机器学习专家、杜克大学电子与计算机工程助理研究教授乔丹·马洛夫(Jordan Malof)和博士生黄博豪(Bohao Huang)。

Malof和Huang创建了一个名为神经网络的ML模型，旨在有效地执行比原始仿真软件快几个数量级的仿真。该网络接受24个输入——每个圆柱体的高度、半径和半径与高度之比——在整个计算过程中随机分配权重和偏差，并预测出这种超材料的频率响应谱。

然而，首先，神经网络必须经过“训练”才能做出准确的预测。

“最初的预测与实际的正确答案完全不同，”马洛夫说。但就像人类一样，该网络可以通过简单地观察商业模拟器，逐渐学会做出正确的预测。每次犯错时，神经网络都会调整权重和偏差，并不断重复，直到每次都能得出正确的答案。”

为了最大限度地提高机器学习算法的准确性，研究人员用18000个对超材料几何形状的单独模拟来训练它。虽然这听起来像是一个很大的数字，但它实际上只代表了所有可能配置的0.0022%。经过训练，神经网络可以在不到一秒的时间内产生高度准确的预测。

然而，即使有了这个成功，它仍然只是解决了产生给定几何形状的频率响应的正向问题，而他们已经可以做到了。为了解决将几何形状与给定频率响应匹配的反问题，研究人员回到了蛮力。

由于机器学习算法比用于训练它的建模软件快近100万倍，研究人员只需让它解决8.157亿种可能排列中的每一种。机器学习算法只用了23个小时，而不是几千年。

之后，搜索算法可以将任何给定的期望频率响应与神经网络创建的可能性库相匹配。

帕迪拉说:“我们不一定是这方面的专家，但b谷歌每天都这样做。”“一个简单的搜索树算法每秒可以浏览4000万张图。”

然后，研究人员测试了他们的新系统，以确保它有效。纳德尔手绘了几张频率响应图，并要求算法选择最能产生每种频率响应的超材料设置。然后，他通过商业模拟软件对得到的答案进行比对，看它们是否匹配得很好。

他们所做的。

有了以这种方式设计电介质超材料的能力，帕迪拉和纳德尔正致力于设计一种新型的热光伏设备，这种设备可以利用热源发电。这种装置的工作原理与太阳能电池板非常相似，除了它们吸收特定频率的红外光而不是可见光。

目前的技术所辐射的红外光频率范围比红外线太阳能电池所能吸收的要宽得多，这就浪费了能源。然而，一种经过精心设计、调到特定频率的超材料可以在更窄的频带内发射红外光。

“基于金属的超材料更容易调谐到这些频率，但是当金属加热到这些类型的设备所需的温度时，它们往往会熔化，”帕迪拉说。“你需要一种能承受高温的介电超材料。现在我们有了机器学习部分，看起来这确实是可以实现的。”

杜克大学

www.duke.edu

- Chris Vavra编辑，制作编辑，控制工程， CFE传媒，cvavra@cfemedia.com。查看更多控制工程信息管理故事。

您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。