杜克大学的电气工程师已经利用机器学习的力量来设计可吸收和发射特定频率的太赫兹辐射的电介质(非金属)超材料。该设计技术将本来可以超过2000年的计算时间更改为23小时，从而为新型，可持续类型的热能收集器和照明设计扫清了道路。

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，它们共同产生通过其结构而不是化学性质在自然界中找不到的特性。在这种情况下，太赫兹超材料是由两两分的硅圆柱体网格构成的，类似于短而方形的乐高积木。

调整四个圆柱体中每个圆柱体的高度，半径和间距会更改超材料与之交互作用的光的频率。

为一组相同的气缸计算这些相互作用是一个简单的过程，可以通过商业软件完成。但是，要解决哪些几何将产生所需的一组特性的反问题则要困难得多。

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

“如果您试图通过结合每个圆柱体的特性来建立理想的响应，那么您将得到一个峰林，而不仅仅是峰部分的总和，”电气和计算机工程学教授Willie Padilla说道。公爵。“这是一个巨大的几何参数空间，您完全是盲目的，没有迹象表明该走哪条路。”

当将由四个小圆柱(蓝色)和四个大圆柱(橙色)组成的介电超材料设置的频率响应组合到由三个小圆柱和一个大圆柱(红色)组成的设置中时，得到的响应看起来像是简单的组合原来的两个。

找到正确组合的一种方法是模拟每种可能的几何形状并选择最佳结果。但是，即使对于一个简单的介电超材料，四个圆柱体中的每个圆柱体只能具有13个不同的半径和高度，也可能存在8.157亿个几何形状。即使在研究人员可以使用的最好的计算机上，也要花2000多年的时间才能对它们全部进行仿真。

为了加快这一过程，Padilla和他的研究生Christian Nadell求助于机器学习专家约克·马洛夫(Jordan Malof)，他是杜克大学电气和计算机工程的助理研究教授和博士学位。黄伯豪学生。

Malof和Huang创建了一种称为神经网络的机器学习模型，该模型可以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(每个圆柱的高度，半径和半径高度比)，在整个计算过程中分配随机的权重和偏差，并预测超材料的频率响应谱将是什么样。

然而，首先，必须对神经网络进行“训练”以做出准确的预测。

马洛夫说：“最初的预测看起来不会像实际的正确答案。”“但是像人一样，网络可以通过简单地观察商业模拟器来逐渐学会做出正确的预测。网络会在每次犯错时调整权重和偏差，并反复进行直到每次产生正确答案为止。”

为了最大程度地提高机器学习算法的准确性，研究人员通过对超材料的几何结构进行了18,000次单独模拟来对其进行训练。尽管这听起来像是一个很大的数字，但实际上仅代表所有可能配置的0.0022%。训练后，神经网络可以在短短的一秒钟内产生高度准确的预测。

即使取得了成功，它仍然只能解决产生给定几何形状的频率响应的前向问题，而他们已经可以做到。为了解决将几何形状匹配到给定频率响应的反问题，研究人员恢复了蛮力。

研究人员为他们的机器学习系统选择了任意频率响应，以找到要创建的超材料(圆圈)。生成的解决方案(蓝色)与所需的频率响应以及商业软件(灰色)模拟的频率响应都非常吻合。因为机器学习算法比用于训练它的建模软件快近一百万倍，所以研究人员只是让它解决了8.157亿个可能排列中的每一个。机器学习算法仅用23小时就完成了，而不是数千年。

之后，搜索算法可以将任何给定的所需频率响应与神经网络创建的可能性库进行匹配。

Padilla说：“我们不一定是专家，但Google每天都会这样做。”“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，以确保它可以正常工作。Nadell的手绘制了几个频率响应图，并要求算法选择最能产生每个频率的超材料设置。然后，他运行通过商业仿真软件产生的答案，看它们是否匹配得当。

他们做到了。

凭借以这种方式设计介电超材料的能力，Padilla和Nadell致力于设计一种新型的热光电设备，该设备可以通过热源产生电能。这种设备的工作原理与太阳能电池板非常相似，只是它们吸收特定频率的红外光而不是可见光。

当前的技术所辐射的红外光的频率范围比红外太阳能电池吸收的频率范围要大得多，这浪费了能量。但是，精心设计的超材料已调谐到该特定频率，可以在更窄的波段内发射红外光。

Padilla说：“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类设备所需的温度时，它们往往会熔化。”“您需要一种能够承受热量的介电超材料。现在我们有了机器学习资料，看起来这确实是可以实现的。”