Photonische Materialien mit bedarfsgerechten Eigenschaften, entwickelt mit KI-Technologie

Projekt-ID: MAT

Einleitung

In diesem Projekt werden künstliche neuronale Netze als Ersatzmodelle für ein inverses Designproblem verwendet, bei dem es darum geht, nanostrukturierte Materialien mit bedarfsgerechten optischen Eigenschaften zu finden. Um dieses Ziel zu erreichen, müssen große Datenmengen aus 3D-Simulationen der Maxwell-Gleichungen generiert werden, was dies zu einem datenintensiven Rechenproblem macht. Es werden maßgeschneiderte Algorithmen und Codes entwickelt, die sich sowohl mit dem Lernen als auch mit der effizienten Inversion befassen. Das Projekt ergänzt die Forschungsarbeiten des SDL Materials Science zu KI-Methoden, großen durch Simulationen erzeugten Datensätzen und Arbeitsabläufen. Das Projekt wird sich nicht nur auf die Anwendungen auswirken, sondern auch zu einem besseren Verständnis der Datenerzeugung durch Simulationen für das Training neuronaler Netze führen und zeigen, wie eine solche Strategie umgesetzt werden kann.

Die Fähigkeit, photonische Materialien mit vordefinierten Eigenschaften zu entwerfen, um den Lichtfluss zu formen, ist eine intellektuelle Herausforderung und von größter Bedeutung für viele Wirkungsbereiche wie Sensorik, Bildgebung oder aufkommende Quantentechnologien. Der Einsatz künstlicher neuronaler Netze wird den Entwurfsprozess erheblich beschleunigen. Darüber hinaus garantiert die Berücksichtigung von Einschränkungen durch mögliche Fertigungstechnologien, wie wir sie in diesem Projekt anstreben, die Realisierung der entworfenen Strukturen mit vorhandenen Werkzeugen. Mit der Etablierung einer solchen Technologie haben wir direkte Auswirkungen auf einen erheblichen Teil der Zusammenarbeit.

Abbildung: Ein neuronales Netz zum inversen Entwurf sphärischer Kern-Mehrschalen-Streuungen. Ein Klassifikator (orange) schlägt die Anzahl der Schalen vor, die am wahrscheinlichsten notwendig ist, um ein gewünschtes Spektrum zu erzeugen. Ein DNN löst hocheffizient das Vorwärtsproblem (grün), was die Verwendung gradientenbasierter Methoden zur Optimierung der Freiheitsgrade ermöglicht.

Projektbeschreibung

Nanostrukturierte Materialien bieten nie dagewesene Freiheitsgrade zur Steuerung von Licht. Diese Fähigkeit ist von größter Bedeutung, wenn es um Geräte aus intellektueller Neugierde und um Anwendungen mit Auswirkungen auf die Gesellschaft geht. Ein Beispiel für Ersteres aus unserem Forschungsportfolio sind Meta-Oberflächen aus periodisch angeordneten Streustoffen, die als Lichtsegel dienen und für die Breakthrough Starshot Initiative vorgeschlagen wurden. Ziel dieser Initiative ist die Entwicklung von Grammsatelliten, die von erdgebundenen Laserarrays auf einen erheblichen Bruchteil der Lichtgeschwindigkeit beschleunigt werden, um den Raum jenseits unseres Sonnensystems, d. h. Proxima Centauri B, zu erforschen. Ein Beispiel für Letzteres wären photonische Hohlräume aus Meta-Oberflächen, die das Licht verstärken und dabei seine Helizität, d. h. die zirkulare Polarisation, beibehalten. Solche Kavitäten verbessern unsere Fähigkeit, den Zirkulardichroismus von Molekülen zu erkennen. Hohlräume mit einem Verstärkungsfaktor von 100 verkürzen die Messzeit von zehn Stunden auf nur sechs Minuten, was für die (nahezu) Echtzeit-Charakterisierung von Arzneimitteln in Produktionslinien von enormer Bedeutung ist.

Diese und andere Geräte können mit Hilfe einer parametrischen Darstellung der optischen Eigenschaften des Streuers, aus dem die Meta-Oberflächen bestehen, entworfen werden. Diese Parameter bilden die Grundlage für eine algebraische Beschreibung der Licht-Materie-Wechselwirkung. In dieser Beschreibung werden einfallende und gestreute Felder zu Basisfunktionen erweitert, und die Matrixmultiplikation verbindet beide. Die Verbindungsmatrix wird als T-Matrix bezeichnet, und ihre Größe hängt von der Trunkierungsordnung ab. Die T-Matrix ist eine frequenzabhängige Größe, die alle Informationen darüber enthält, wie ein Objekt ein einfallendes Feld streut.

Für ein bestimmtes Objekt kann die T-Matrix aus der Geometrie und der Materialzusammensetzung eines Objekts durch Lösen der 3D-Vollwellen-Maxwell-Gleichungen berechnet werden. Eine Simulation dauert zwischen einer Millisekunde für eine Kugel bis zu einigen Dutzend Minuten für komplizierte Strukturen auf einem einzigen Thread. Die eigentliche Berechnung kann viele Stunden dauern, wenn die T-Matrix spektral aufgelöst werden muss. Dies ist das eigentliche Problem und steht im Mittelpunkt der Datengenerierung. Die eigentliche Herausforderung besteht jedoch darin, das inverse Problem zu lösen. Dazu muss ein physisch vorhandenes Objekt aus bestimmten Materialien identifiziert werden, das eine vordefinierte T-Matrix aufweist. Dieses inverse Problem ist viel schwieriger zu lösen, aber auch viel lohnender.

Dieses Projekt mit hohem Risiko und hohem Gewinn zielt darauf ab, künstliche neuronale Netze als Ersatzmodell für die Karte zu verwenden, die einem bestimmten Objekt eine T-Matrix zuordnet. Dadurch lässt sich das Vorwärtsproblem beschleunigen, aber vor allem ermöglicht es eine schnelle Suche im Parameterraum, um das inverse Designproblem zu lösen.

Sobald wir die optimale T-Matrix für eine bestimmte Anwendung kennen, besteht unsere zweite Herausforderung darin, ein Objekt zu entwerfen, das die gewünschte T-Matrix bietet. Das Design sollte idealerweise durch vorhandene Materialien und Geometrien eingeschränkt werden, die mit den verfügbaren Fertigungstechnologien zur Realisierung dieser Streuer zugänglich sind. Als Beispiel für eine solche Herstellungstechnologie konzentrieren wir uns auf Materialien, die entweder mit 3D-Laserlithographie oder mit DNA-Origami aus Clustern metallischer Nanopartikel hergestellt werden.

Die HPC-Herausforderung liegt in der Datengenerierung, die durch Simulationen erfolgt. Eine weitere Herausforderung besteht darin, mit zusätzlichen Einschränkungen zu lernen, wie z. B. Einschränkungen hinsichtlich der Objekte, die mit einer bestehenden Technologie hergestellt werden können, oder der Stabilitätseigenschaften der identifizierten Objekte. Dazu müssen sowohl das Lernen (insbesondere die Simulationen, die mit Unsicherheiten versehen werden) als auch die Inversion angepasst werden.

Das Projekt konzentriert sich auf die Entwicklung der Werkzeuge und die Demonstration ihrer Anwendbarkeit. Eine HPC-Umgebung ist aufgrund der schieren Komplexität der behandelten Probleme notwendig. Dies betrifft den Rechenaufwand für die Verknüpfung einer gegebenen Struktur mit ihren optischen Eigenschaften (Maxwell-Solver), die für das Training neuronaler Netze erforderliche Datenmenge und den eigentlichen Trainingsprozess. Aber die Gesamtbeschleunigung der wiederkehrenden Aufgabe, Streuer mit bedarfsgerechten Eigenschaften zu entwerfen, ist den Aufwand wert.