像这样的硅超材料，具有延伸到远处的成排圆柱体，可以根据圆柱体的特征操纵光。

帕迪拉（帕拉迪岛）

杜克大学的研究人员已经证明，将已知的物理学纳入机器学习算法可以帮助难以理解的黑匣子获得新的透明度和对材料属性的洞察力。

在同类项目中的首批项目中，研究人员构建了一种现代机器学习算法，以确定一类称为超材料的工程材料的性质，并预测它们如何与电磁场相互作用。

因为它首先必须考虑超材料的已知物理约束，所以该程序基本上被迫展示其工作。该方法不仅允许算法准确预测超材料的性质，而且比以前的方法更有效，同时提供了新的见解。

结果于5月9日当周在线发表在《先进光学材料》杂志上。

“通过将已知的物理学直接整合到机器学习中，该算法可以在更少的训练数据和更短的时间内找到解决方案，”杜克大学电气和计算机工程教授WilliePadilla说。“虽然这项研究主要是证明该方法可以重建已知的解决方案，但它也揭示了以前没有人知道的非金属超材料内部运作的一些见解。

超材料是由许多单独的工程特征组成的合成材料，这些特征通过其结构而不是化学性质共同产生自然界中未发现的特性。在这种情况下，超材料由一个类似于乐高底板的大型硅圆柱体网格组成。

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。

“神经网络试图在数据中发现模式，但有时他们发现的模式不符合物理定律，这使得它创建的模型不可靠，”杜克大学电气和计算机工程助理研究教授乔丹·马洛夫（JordanMalof）说。“通过强迫神经网络遵守物理定律，我们阻止了它找到可能适合数据但实际上并不真实的关系。

研究小组强加给神经网络的物理特性被称为洛伦兹模型——一组方程，描述了材料的内在特性如何与电磁场共振。该模型不必直接预测圆柱体的响应，而是必须学习预测洛伦兹参数，然后用它来计算圆柱体的响应。

然而，加入这个额外的步骤说起来容易做起来难。

“当你让神经网络更具可解释性时，从某种意义上说，这就是我们在这里所做的，微调可能更具挑战性，”在Padilla实验室工作的博士后研究员OmarKhatib说。“我们确实很难优化培训来学习模式。

然而，一旦模型工作，它被证明比该小组为相同任务创建的以前的神经网络更有效。特别是，该小组发现这种方法可以大大减少模型确定超材料属性所需的参数数量。

他们还发现，这种基于物理学的方法能够自行发现。

当电磁波穿过物体时，它不一定在旅程开始时与物体的相互作用方式与在物体结束时完全相同。这种现象被称为空间色散。由于研究人员必须调整空间色散参数才能使模型准确工作，因此他们发现了以前不知道的过程物理学见解。

“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场未知的系统，”帕迪拉说。

“很多人都在使用神经网络来预测材料属性，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。“这项工作还展示了创建不需要太多数据的模型的途径，这在各个方面都很有用。

原文标题：TeachingphysicstoAIallowsittodiscovernewinsightsintomaterialproperties

原文链接：-05-physics-ai-insights-material-properties.html

作者：KenKingery

编译：LCR