Un mètode basat en IA podria accelerar el desenvolupament de nanopartícules

Una nova tècnica desenvolupada pels físics del MIT podria proporcionar una manera de dissenyar nanopartícules multicapa potencialment per al seu ús en pantalles, sistemes d'encobriment o dispositius biomèdics. També pot ajudar els físics a abordar una varietat de problemes de recerca, de manera que podrien ser, en alguns casos, ordres de magnitud més ràpides que els mètodes existents.

La innovació utilitza xarxes neuronals computacionals, una forma d'intel·ligència artificial, per saber com l'estructura d'una nanopartícula afecta el seu comportament, en aquest cas, en la forma en què es dispersen diferents colors de la llum, basats en milers d'exemples. Després, d'haver après la relació, el programa pot executar-se cap enrere per dissenyar una partícula amb un conjunt desitjat de propietats de dispersió de la llum: un procés anomenat disseny invers.
Tot i que l'enfocament podria conduir finalment a aplicacions pràctiques, el treball és principalment d'interès científic com una forma de predir les propietats físiques d'una varietat de materials no nanoinjerts sense requerir els processos de simulació computacionalment intensius que normalment s'utilitzen per fer front a aquests problemes.
L'objectiu era mirar les xarxes neuronals, un camp que ha experimentat un gran progrés i ha generat entusiasme en els últims anys, per veure si es poden utilitzar algunes d'aquestes tècniques per ajuda a la investigació de la física. Bàsicament, són els ordinadors suficientment intel·ligents perquè puguin fer tasques més intel·ligents per ajudar a entendre i treballar amb alguns sistemes físics.

Per provar la idea, utilitzen un sistema físic relativament senzill. Per entendre quines tècniques són adequades i per comprendre els límits i la forma d'utilitzar-los, s'ha utilitzat la xarxa neuronal en un sistema particular per a nanopotònica, un sistema de nanopartícules esfèriques concèntriques. Les nanopartícules estan en capes com una ceba, però cada capa està formada per un material diferent i té un gruix diferent.
Les nanopartícules tenen mides comparables a les longituds d'ona de la llum visible o més petites, i la forma en què la llum de diferents colors s'escapa d'aquestes partícules depèn de les característiques d'aquestes capes i de la longitud d'ona del feix entrant. El càlcul de tots aquests efectes per a les nanopartícules amb moltes capes pot ser una tasca computacional intensiva i la complexitat empitjora a mesura que creix el nombre de capes.

Els investigadors volien veure si la xarxa neuronal podria predir com una nova partícula dispersaria els colors de la llum, no només mitjançant la interpolació entre exemples coneguts, sinó que, de fet, es va trobar un patró subjacent que permet extrapolar la xarxa neuronal.
Les simulacions són molt exactes, de manera que quan les compara amb experiments, tots es reprodueixen puntualment, però són numèricament bastant intensives, per la qual cosa triga bastant temps. El que es vol veure és, si es pot presentar un conjunt d'exemples d'aquestes partícules, moltes partícules diferents, en una xarxa neuronal, si la xarxa neuronal pot desenvolupar la intuïció, per exemple.
Segurament, la xarxa neuronal podrà predir raonablement el patró exacte d'un gràfic de dispersió de la llum versus la longitud d'ona, no a la perfecció, però sí molt a prop, i en molt menys temps. Les simulacions de xarxes neurals, ara són molt més ràpides que les simulacions exactes. Així que ara es podria utilitzar una xarxa neuronal en lloc d'una simulació real, i li donaria una predicció bastant més precisa.

Un cop entrenada la xarxa, qualsevol simulació futura obtindria el màxim benefici de l'acceleració, de manera que podria ser una eina útil per a situacions que requereixen repetides simulacions. Però l'objectiu real del projecte era conèixer la metodologia, no només aquesta aplicació en concret. Una de les raons principals per les quals interessava aquest sistema en particular va ser comprendre aquestes tècniques, en lloc de simular les nanopartícules.
El següent pas consistia en executar el programa en sentit contrari, utilitzar un conjunt de propietats de dispersió desitjats com a punt de partida i veure si la xarxa neuronal podria determinar la combinació exacta de les capes de nanopartícules necessàries per aconseguir aquesta sortida.

En enginyeria, s'han desenvolupat moltes tècniques diferents per al disseny invers, i és un gran camp de recerca. Molt sovint, per configurar un problema de disseny invers, es necessita molt de temps, de manera que, en molts casos, es necessari ser un expert en el camp i passar a vegades fins i tot mesos configurant-lo per resoldre'l.
Però, amb la xarxa neuronal entrenada per l'equip, no es va fer cap preparació especial per a això. Es va intentar executar cap enrere, i sorprenentment, quan s'estava comparant amb altres mètodes de disseny invers i estàndards, aquest va ser un dels millors.

Font: Massachusetts Institute of Technology