KI-Superhirn lernt Physik und fertigt optische Systeme in 30 Tagen

Unsere Berechnungen benötigen nun nur noch ein Zehntel der zuvor erforderlichen Zeit", sagte Philippe Tassin, Professor am Institut für Physik und Astronomie. Entwerfen fortschrittlicher optischer Materialien Das Team der Chalmers arbeitet im Bereich der Nanophotonik, einem Feld, das sich mit der Kontrolle und Manipulation als seine Wellenlänge befasst.

Bei diesen Abmessungen verhält sich Licht anders als in herkömmlichen optischen Systemen, was es Wissenschaftlern ermöglicht, künstliche Materialien mit Eigenschaften zu schaffen, die in der Natur nicht vorkommen. Mithilfe optische Materialien, die zur Herstellung äsern genutzt werden könnten, die leichter, dünner und leistungsfähiger sind.

Ihre Arbeit könnte zudem zukünftige Entwicklungen in der Quantentechnologie unterstützen. Gemeinsam mit Forschern am Institut für Mikrotechnik und Nanowissenschaften, an dem Schwedens erster größerer Quantencomputer errichtet wird, untersucht das Team, ob nanostrukturierte Materialien so gestaltet werden können, dass sie die Lichtausbreitung kontrollieren.

Was die Studie zeigt

Das Konzept nutzt mechanisch anpassbare photonische Kristalle zur Informationsübertragung zwischen Quantencomputern oder über größere Entfernungen mittels optischer Frequenzen. Simulationen spielen dabei eine zentrale Rolle, indem sie Forschern helfen, die Materialstruktur zu bestimmen, um die gewünschten optischen Eigenschaften zu erreichen.

Lösung des Flaschenhalses Die Forschung stützt sich stark auf maschinelles Lernen und neuronale Netze, die riesige Mengen an Simulationsdaten analysieren, um das Verhalten. „Ich kenne die Gleichungen der Elektrodynamik auswendig und unterrichte sie, doch ich kann immer noch nicht alle Schlussfolgerungen ziehen, die das neuronale Netz zieht.

Die Physik ist so komplex, dass ich die Eigenschaften eines Materials nicht allein durch Betrachtung verstehe – der Computer hingegen schon", so Tassin. Die Generierung ausreichender Daten zum Training dieser neuronalen Netze war jedoch traditionell ein langsamer und ressourcenintensiver Prozess.

Was die Studie zeigt

Laut den Forschern kann die Erzeugung eines einzelnen Datenpunkts zwischen zehn Minuten und einer Stunde dauern, während ein vollständiger Datensatz bis zu 40.000 Simulationen erfordern kann.

Gewinnung genauer Ergebnisse Um dieses Problem zu lösen, haben die Forscher die fundamentalen Gesetze der Elektromagnetismus direkt in das neuronale Netzwerk integriert. Anstatt das System zwingen, diese Prinzipien entdecken, verfügt das Modell über ein eingebautes Verständnis dafür, wie Licht und elektromagnetische Felder verhalten.

Die Idee entstand, als das Team versuchte, die Vorhersagen des neuronalen Netzwerks durch die Integration ändlicher zu machen, die menschlichen Forschern vertraut sind.

Technik und Auswirkungen

Während der Tests stellten sie fest, dass dieser Ansatz das Modell zudem erheblich effizienter macht. „Sobald wir das Netzwerk trainiert hatten, konnten wir es bitten, jede beliebige Struktur zu untersuchen und die optischen Eigenschaften innerhalb." „Mit diesen neuen Netzwerken erhalten wir genauere Schätzungen und vermeiden offensichtliche Fehler", sagte Viktor Lilja.

Die Verbesserung verkürzte die Zeit für die Generierung 30 auf nur noch drei Tage, was Forschern ermöglichte, die Entwicklung optischer Komponenten der nächsten Generation zu beschleunigen.