向人工智慧教授物理讓學生成為大師

杜克大學的研究人員已經證明，將已知的物理學融入機器學習演算法可以幫助難以理解的黑匣子獲得新的透明度和對材料特性的洞察力。

在同類項目的第一個項目中，研究人員構建了一種現代機器學習演算法來確定一類被稱為超材料的工程材料的特性，並預測它們如何與電磁場相互作用。

因為它首先必須考慮超材料已知的物理約束，所以該程序基本上被迫展示它的工作。 該方法不僅使演算法能夠準確預測超材料的特性，而且比以前的方法更有效，同時提供了新的見解。

結果於 5 月 9 日這一周在線發表在《先進光學材料》雜誌上。

杜克大學電氣和計算機工程教授威利帕迪拉說：「通過將已知物理學直接融入機器學習，該演算法可以用更少的訓練數據和更短的時間找到解決方案。」 「雖然這項研究主要是展示該方法可以重現已知解決方案，但它也揭示了一些以前沒人知道的非金屬超材料的內部工作原理。」

超材料是由許多單獨的工程特徵組成的合成材料，它們通過它們的結構而不是它們的化學共同產生自然界中不存在的特性。 在這種情況下，超材料由類似於樂高底板的大型硅圓柱網格組成。

根據圓柱體的尺寸和間距，超材料以各種方式與電磁波相互作用，例如吸收、發射或偏轉特定波長。 在新論文中，研究人員試圖建立一種稱為神經網路的機器學習模型，以發現單個圓柱體的一系列高度和寬度如何影響這些相互作用。 但他們也希望它的答案有意義。

「神經網路試圖在數據中找到模式，但有時他們發現的模式不符合物理定律，這使得它創建的模型不可靠，」杜克大學電氣和計算機工程助理研究教授 Jordan Malof 說。 「通過迫使神經網路遵守物理定律，我們阻止了它找到可能適合數據但實際上並不真實的關係。」

研究小組施加在神經網路上的物理學稱為洛倫茲模型——一組描述材料固有特性如何與電磁場共振的方程。 該模型不是直接跳到預測氣缸的響應，而是必須學會預測洛倫茲參數，然後使用這些參數來計算氣缸的響應。

然而，加入這個額外的步驟說起來容易做起來難。

「當你使神經網路更具可解釋性時，這在某種意義上是我們在這裡所做的，微調可能更具挑戰性，」在 Padilla 實驗室工作的博士後研究員 Omar Khatib 說。 「我們肯定很難優化訓練來學習模式。」

然而，一旦模型開始工作，它被證明比該小組為相同任務創建的先前神經網路更有效。 特別是，該小組發現這種方法可以顯著減少模型確定超材料特性所需的參數數量。

他們還發現，這種基於物理學的方法能夠自行發現。

當電磁波穿過一個物體時，它在其旅程開始時與它的交互方式不一定與它在其結束時完全相同。 這種現象被稱為空間色散。 由於研究人員必須調整空間色散參數以使模型準確工作，他們發現了他們以前不知道的過程物理學的見解。

「現在我們已經證明這是可以做到的，我們希望將這種方法應用於物理未知的系統，」帕迪拉說。

「很多人正在使用神經網路來預測材料特性，但從模擬中獲得足夠的訓練數據是一個巨大的痛苦，」Malof 補充道。 「這項工作還展示了一條創建不需要太多數據的模型的途徑，這在所有方面都很有用。」

這項研究得到了能源部 (DESC0014372) 的支持。

有所作為：贊助機會

故事來源：

材料 由…提供 杜克大學. Ken Kingery 原創。 注意：內容可能會根據樣式和長度進行編輯。