介电超材料的例证与发光的红外光的。
达勒姆，N.C. - 杜克大学的电气工程师利用机器学习的力量设计，设计吸收和发射太赫兹辐射的特定频率的电介质（非金属）超材料。设计技术改变了2000多年的计算成23小时，清除了设计新的，可持续类型的热能收割机和照明的方式。
该研究于2019年9月16日在线在线公布，在Checional Express中。
超材料是由许多待融化的特征组成的合成材料，它们在一起通过其结构而不是其化学产生了未在自然界中找到的性质。在这种情况下，Terahertz超材料是由一个类似于短，方形乐高的硅缸的两倍硅缸网格建立。
调整四个气缸中的每一个的高度，半径和间隔改变了超材料相互作用的光频率。
当电介质超材料设置的频率响应组成的四个小气缸（蓝色）和四个大汽缸（橙色）组合成一个由三个小缸和一个大圆筒（红色）组成的设置时，所得到的响应看起来没有像直截了当的组合原来的两个。
计算与相同一组汽缸的这些相互作用是可以通过商业软件完成的直接过程。但是求解几何形状产生所需属性的逆问题是一个更困难的主张。
因为每个气缸产生电磁场，所以它们以超出其物理边界延伸，因此它们以不可预测的非线性方式彼此相互作用。
“如果你试图通过组合每个磷气缸的属性来建立所需的响应，你将获得一个不仅仅是他们的零件总和的峰值，”电气电脑工程教授威利帕迪拉说公爵。“这是一个巨大的几何参数空间，你是完全失明的 - 没有指示哪种方式。”
找到正确组合的一种方法是模拟每个可能的几何形状，并选择最佳结果。但即使对于一个简单的介电超材料，四个气缸中的每一个只能具有13个不同的半径和高度，也有815.7万可能的几何形状。即使在研究人员提供的最佳计算机上，它也需要200 000多年来模拟它们。
为了加快这个过程，帕迪拉和他的研究生基督徒Nadell转向机器学习专家乔丹Malof，Duke的电气计算机工程助理研究教授和博士。学生波浩黄。
Malof和Huang创建了一种称为神经网络的机器学习模型，可以有效地执行模拟比原始仿真软件更快的仿真级。该网络需要24个输入 - 每个汽缸的高度，半径和半径到高度比 - 在整个计算中分配随机权重和偏置，并吐出超材料的频率响应频谱的样子。
首先，神经网络必须是“培训”以做出准确的预测。
研究人员选择了他们的机器学习系统的任意频率响应，以找到成像材料以创建（圈子）。由所需的频率响应和商业软件（灰色）模拟的结果良好，得到的解决方案（蓝色）均匀。
“初步预测不会像实际正确答案一样看，”Malof说。“但像人类一样，网络可以通过简单地观察商业模拟器来逐步学会做出正确的预测。每次犯错时，网络调整其权重和偏见，并反复这样做，直到它每次都会产生正确的答案。“
为了最大限度地提高机器学习算法的准确性，研究人员用18,000次杀散了超级材料的几何体训练了它。虽然这可能听起来很大，但它实际上代表了所有可能配置的0.0022％。在训练之后，神经网络可以在仅在一秒钟的一部分中产生高度准确的预测。
然而，即使在手头上取得了成功，它仍然只解决了生产给定几何体的频率响应的前进问题，它们已经可以做到了。为了解决与给定频率响应匹配几何形状的逆问题，研究人员返回蛮力。
由于机器学习算法比用于培训它的建模软件速度速度速度速度速度速度速度，研究人员只是让它解决每一个可能的禁育中的每一个。机器学习算法仅在23小时而不是数千年的时间内完成。
之后，搜索算法可以与神经网络创建的可能性库的任何给定的期望频率响应匹配。
“我们不一定是专家，但谷歌每天都这样做，”Padilla说。“一个简单的搜索树算法可以通过每秒4000万图。”
然后，研究人员测试了他们的新系统，以确保它的工作。Nadell手画了多个频率响应图，并要求算法选择最能产生每个的页面设置。然后他通过商业仿真软件进行了答案，看看它们是否匹配。
他们做到了。
通过以这种方式设计介电超材料的能力，Padilla和Nadell正在努力工程师创造一种新型的蒸镀器件，从热源创造电力。这种装置很像太阳能电池板，除了它们吸收红外光的特定频率而不是可见光。
目前的技术在更宽的频率范围内辐射红外线，而不是通过浪费能量的红外太阳能电池吸收。然而，经过精心设计的超级资金，然而，可以在更窄的带中发出红外光。
“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，它们往往融化，”帕迪拉说。“您需要一种可以承受热量的介电超材料。现在我们有机器学习作品，它看起来确实可以实现。“
###
该研究得到了能源部（DESC0014372）的支持。
参考：“深入学习加速全介电质元面设计”由Christian C. Nadell，Bohao Huang，Jordan M.Malof和Willie J. Padilla，2019年9月16日，Optics Express.doi：
10.1364 / OE.27.027523
