Badaniami w tej sprawie zajęli się naukowcy z uniwersytetów w Amsterdamie i Utrechcie, a także przedstawiciele instytutu AMOLF. W toku prowadzonych działań skorzystali z tzw. konwencjonalnych sieci neuronowych związanych z uczeniem maszynowym.
Czytaj też: Nadchodzą jeszcze lepsze komputery kwantowe. To zasługa konkretnego rozwiązania
O swoich dokonaniach autorzy piszą na łamach Physical Review Letters. Jak się okazuje, wykorzystali dwie różne metody oparte na konwencjonalnych sieciach neuronowych, które mogą wyprowadzić i uchwycić reguły kombinatoryczne leżące u podstaw projektowania metamateriałów.
Nasze ostatnie badanie można uznać za kontynuację podejścia do projektowania kombinatorycznego wprowadzonego w poprzedniej pracy, które można zastosować do bardziej skomplikowanych bloków konstrukcyjnych. Mniej więcej w czasie, gdy zacząłem pracować nad tą kwestią, Aleksi Bossart i David Dykstra pracowali nad metamateriałem kombinatorycznym, który jest w stanie pomieścić wiele funkcji, co oznacza materiał, który może się odkształcać na wiele różnych sposobów w zależności od tego, jak się go uruchamia. wyjaśnia Ryan van Mastrigt
Metamateriały posiadają właściwości zależne od ich struktury w skali większej niż cząsteczkowa
Jednym z pierwszych wyzwań stojących na drodze do osiągnięcia wyznaczonego celu było znalezienie sposobu na efektywne reprezentowanie projektów metamateriałów. Ostatecznie naukowcy postanowili skorzystać z pikseli. Chodzi o zakodowanie orientacji każdego bloku w wyraźny wizualny sposób. Kolejny krok wiązał się z faktem, iż istnieje wiele znanych metamateriałów należących do klasy I, ale znacznie mniej należących do klasy C, a to właśnie ona wzbudza największe zainteresowanie.
Dwie proponowane przez badaczy metody doprowadziły do uzyskania bardzo obiecujących wyników. Oba podejścia radziły sobie lepiej niż dotychczas stosowane. Naukowcy podkreślają natomiast, że sieci neuronowe nie tylko interpolują przestrzeń projektową. Potrafią również znaleźć strukturę w tej przestrzeni projektowej. W dalszej przyszłości dotychczasowe dokonania mogłyby pomóc w tworzeniu znacznie bardziej złożonych projektów prowadzących do powstawania metamateriałów o pożądanych właściwościach.
Czytaj też: Ten rewolucyjny materiał jest trudny w produkcji. Najnowsze odkrycie może to zmienić
W naszych kolejnych badaniach zwrócimy uwagę na projektowanie odwrotne. Obecne narzędzie już teraz bardzo pomaga nam w redukcji przestrzeni projektowej w celu znalezienia odpowiednich (klasa C) projektów, ale nie znajduje nam najlepszego projektu dla zadania, które mamy na myśli. Rozważamy teraz wykorzystanie metod uczenia maszynowego, które pomogą nam znaleźć niezwykle rzadkie konstrukcje, które mają pożądane przez nas właściwości, najlepiej nawet wtedy, gdy żadne przykłady takich konstrukcji nie zostaną wcześniej pokazane metodzie uczenia maszynowego. podsumowuje van Mastrigt