Futuristische künstliche Intelligenz ipopba/iStock
Seit Jahren machen Physiker große Fortschritte und Durchbrüche auf diesem Gebiet, indem sie ihren Verstand als primäres Werkzeug verwenden. Aber was wäre, wenn künstliche Intelligenz könnte bei diesen Entdeckungen helfen?
Letzten Monat haben Forscher der Duke University gezeigt, dass die Einbeziehung bekannter Physik in maschinelle Lernalgorithmen zu neuen Erkenntnissen über Materialeigenschaften führen könnte.laut Pressemitteilung von der Institution. Sie führten ein einzigartiges Projekt durch, bei dem sie einen maschinellen Lernalgorithmus konstruierten, um die Eigenschaften einer Klasse von technischen Materialien abzuleiten, die als Metamaterialien bekannt sind, und um zu bestimmen, wie sie mit elektromagnetischen Feldern interagieren.
Vorhersage von Metamaterialeigenschaften
Die Ergebnisse erwiesen sich als außergewöhnlich. Der neue Algorithmus prognostizierte die Eigenschaften des Metamaterials effizienter als frühere Methoden und lieferte gleichzeitig neue Erkenntnisse.
„Durch die direkte Einbeziehung bekannter Physik in das maschinelle Lernen kann der Algorithmus Lösungen mit weniger Trainingsdaten und in kürzerer Zeit finden“, sagte Willie Padilla, Professor für Elektro- und Computertechnik an der Duke. „Während diese Studie hauptsächlich eine Demonstration wardass der Ansatz bekannte Lösungen rekonstruieren könnte, offenbarte er auch einige Einblicke in das Innenleben von nichtmetallischen Metamaterialien, die vorher niemand kannte.“
In ihrer neuen Arbeit konzentrierten sich die Forscher darauf, Entdeckungen zu machen, die genau und sinnvoll waren.
„Neuronale Netze versuchen, Muster in den Daten zu finden, aber manchmal gehorchen die Muster, die sie finden, nicht den Gesetzen der Physik, was das von ihnen erstellte Modell unzuverlässig macht“, sagte Jordan Malof, Assistenzprofessor für Elektrotechnik und Computertechnik bei Duke„Indem wir das neuronale Netzwerk dazu zwangen, den Gesetzen der Physik zu gehorchen, haben wir es daran gehindert, Beziehungen zu finden, die möglicherweise zu den Daten passen, aber nicht wirklich wahr sind.“
Sie taten dies, indem sie dem neuronalen Netzwerk eine Physik namens Lorentz-Modell auferlegten. Dies ist eine Reihe von Gleichungen, die beschreiben, wie die intrinsischen Eigenschaften eines Materials mit einem elektromagnetischen Feld in Resonanz treten. Dies war jedoch keine leichte Aufgabe.
„Wenn Sie ein neuronales Netzwerk interpretierbarer machen, was wir in gewisser Weise hier getan haben, kann es schwieriger sein, es fein abzustimmen“, sagte Omar Khatib, ein Postdoktorand, der in Padillas Labor arbeitet. „Das hatten wir definitiveine schwierige Zeit, das Training zu optimieren, um die Muster zu lernen.“
Ein deutlich effizienteres Modell
Die Forscher waren angenehm überrascht, als sie feststellten, dass dieses Modell funktionierte effizienter als frühere neuronale Netze, die die Gruppe für die gleichen Aufgaben erstellt hatte, indem die Anzahl der Parameter, die für das Modell zur Bestimmung der Metamaterialeigenschaften erforderlich sind, drastisch reduziert wurde. Das neue Modell könnte sogar ganz alleine Entdeckungen machen.
Nun bereiten sich die Forscher darauf vor, ihren Ansatz auf Neuland anzuwenden.
„Jetzt, da wir gezeigt haben, dass dies möglich ist, wollen wir diesen Ansatz auf Systeme anwenden, bei denen die Physik unbekannt ist“, sagte Padilla.
„Viele Leute nutzen neuronale Netze, um Materialeigenschaften vorhersagen, aber genügend Trainingsdaten aus Simulationen zu bekommen, ist ein riesiger Schmerz“, fügte Malof hinzu. „Diese Arbeit zeigt auch einen Weg zur Erstellung von Modellen, die nicht so viele Daten benötigen, was allgemein nützlich ist.“
Die Studiewird veröffentlicht im Tagebuch Fortgeschrittene optische Materialien.