杜克大学（DukeUniversity）的研究人员已经证明，将已知的物理知识融入机器学习算法，可以帮助难以捉摸的黑匣子获得更高水平的透明度和对材料特性的洞察。在第一批此类项目中，研究人员构建了一种现代机器学习算法，以确定一类被称为超材料的工程材料的特性，并预测它们如何与电磁场相互作用。这种硅超材料具有一排排延伸到远处的圆柱体，可以根据圆柱体的特征操纵光线。研究表明，将已知的物理知识融入到机器学习算法中，可以为如何设计这些算法提供新的见解。图片来源：OmarKhatib因为它首先必须考虑超材料已知的物理限制，所以该程序基本上被迫展示它的工作。该方法不仅使算法能够准确预测超材料的特性，而且比以前的方法更有效，同时提供了新的见解。这一研究成果发表在年5月9日的《高级光学材料》期刊上。通过本文阅读原文处了解此项研究成果。杜克大学电气与计算机工程教授WilliePadilla表示：“通过将已知物理直接融入机器学习，该算法可以用更少的训练数据和时间找到解决方案。”。“虽然这项研究主要是证明该方法可以重现已知的解决方案，但它也揭示了一些以前没有人知道的非金属超材料内部工作原理的见解。”超材料是由许多单独的工程特性组成的合成材料，这些特性共同产生自然界中无法通过结构而非化学发现的特性。在这种情况下，超材料由一个类似乐高基板的硅圆柱体大网格组成。根据圆柱体的大小和间距，超材料以各种方式与电磁波相互作用，例如吸收、发射或偏转特定波长。在这篇新论文中，研究人员试图构建一种称为神经网络的机器学习模型，以发现单个圆柱体的高度和宽度范围如何影响这些相互作用。但他们也希望它的答案有意义。杜克大学电气与计算机工程助理研究教授JordanMalof说：“神经网络试图在数据中找到模式，但有时发现的模式不符合物理定律，这使得它创建的模型不可靠。”。“通过迫使神经网络遵守物理定律，我们阻止它找到可能符合数据但实际上不真实的关系。”研究小组对神经网络施加的物理称为洛伦兹（Lorentz）模型，这是一组描述材料固有特性如何与电磁场共振的方程。该模型不是直接跳到预测圆柱体的响应，而是必须学会预测洛伦兹参数，然后用于计算圆柱体的响应。然而，加入这一额外步骤说起来容易做起来难。Padilla实验室的博士后研究员OmarKhatib说：“在某种意义上，我们在这里所做的就是让神经网络更具解释性，那么对其进行微调可能会更具挑战性。”。“我们在优化培训以学习模式方面确实遇到了困难。”然而，一旦该模型开始工作，它就被证明比之前该小组为相同任务创建的神经网络更有效。特别是，该小组发现，这种方法可以显著减少模型确定超材料特性所需的参数数量。他们还发现，这种基于物理的方法能够自行发现。当电磁波在物体中传播时，它在传播开始时与物体的相互作用不一定与传播结束时的相互作用方式相同。这种现象称为空间色散。由于研究人员必须调整空间色散参数以使模型准确工作，因此他们发现了对这一过程的物理认识，这是他们之前所不知道的。“现在我们已经证明这是可以做到的，我们希望将这种方法应用于物理未知的系统，”Padilla说。“很多人都在使用神经网络来预测材料特性，但从模拟中获得足够的训练数据是一个巨大的痛苦，”Malof补充道。“这项工作还展示了一条创建不需要太多数据的模型的途径，这在所有方面都很有用。”

多孔材料与人工结构物理特性表征与验证技术领先者

●建模与表征多孔材料世界丨比翱物理特性研究平台与工程实验室（版）●比翱观察丨前沿：中国香港物理学家发现特殊横向声波●普信?声学研究院

柔性超材料机翼的混合机器学习与有限元设计●比翱观察丨人工智能加速拓扑优化超材料的设计●声学测试舱突破瓶颈，为超构材料声学性能表征与验证铺平道路●比翱观察丨南京大学Nature子刊发表“破纪录的最大景深光场相机”●比翱观察丨东南、北大研究团队：智能超表面可以彻底改变我们的生活●比翱观察丨超材料应用回顾：光学和声学●比翱观察丨传说中的“隐形斗篷”正在成为现实●超材料和光子学：挑战物理定律以实现更好的数据传输以及隐形斗篷免责声明：部分资料来源网络，转载目的在于传递信息及分享，并不意味赞同其观点或其真实性，也不构成其他建议。仅提供交流平台，不为其版权负责。如涉及侵权，请联系我们及时删除。ProAcoustics

转载请注明:http://www.aideyishus.com/lkzp/512.html