Künstliche Intelligenz beschleunigt das Design von Nanostrukturen

Ein künstliches neuronales Netzwerk hilft, die Bandstruktur und die topologischen Eigenschaften eines Metamaterials im Nanometer-Maßstab vorherzusagen.

Vorhersage einer Bandstruktur mithilfe eines neuronalen Netzwerkes

Quelle: MPL

Die Herstellung beliebig strukturierter Muster - bis hinunter zum Nanomaßstab - erlaubt, sehr genau zu kontrollieren, wie sich Licht und anderere Wellen in so entstehenden Metamaterialen ausbreiten. Die meisten Informationen über das Verhalten einer Welle in einer regelmäßigen Struktur, etwa welche Lichtfarbe sich ausbreiten kann und mit welcher Geschwindigkeit, lassen sich mithilfe eines mathematischen Objekts beschreiben, der sogenannten Bandstruktur. Das Optimieren der Herstellungsmuster, um die gewünschten Eigenschaften zu erzeugen, ist eine Herausforderung. Denn dafür müssen eine unendlich große Menge an möglichen Mustern untersucht und die Bandstrukturen entsprechend häufig bewertet werden. 

In der Veröffentlichung “Rapid Exploration of Topological Band Structures Using Deep Learning”, die vor kurzem im Fachmagazin Physical Review X erschienen ist, haben Vittorio Peano, Florian Sapper und Florian Marquardt aus der Theorie-Abteilung des Max-Planck-Instituts für die Physik des Lichts in Erlangen eine neue Methode vorgestellt, die eine spezielle Form des mehrschichtigen Maschinenlernens nutzt, das Deep Learning. Sie erlaubt, aus zufällig erzeugten Mustern die Bandstruktur abzuleiten. Die Methode schlägt einen nützlichen Umweg ein: Statt die Bandstruktur direkt vorherzusagen, lernt ein neuronales Netzwerk hilfsweise die Parameter eines kleineren effektiven Modells zu bestimmen. Das beschreibt nicht nur die Bandstruktur, sondern auch die topologischen Eigenschaften des Metamaterials. Im nächsten Schritt lassen sich die Eigenschaften mit einem einfachen Rechenverfahren ermitteln, das auf diesem Modell beruht.

Da die in der Theorie-Abteilung entwickelte Deep-Learning-Methode die Optimierung der Bandstruktur beschleunigt, stellt sie ein vielversprechendes Werkzeug dar, künftige Nanostrukturen zu gestalten.

 

Original-Publikation:
Vittorio Peano, Florian Sapper und Florian Marquardt
Phys. Rev. X 11, 021052 – (2021). www.link.aps.org/doi/10.1103/PhysRevX.11.021052

 

Kontakt:
Vittorio Peano
vittorio.peano@mpl.mpg.de

Back

Kontakt

Edda Fischer

Leitung Kommunikation und Marketing
Telefon: 09131 7133 805
MPLpresse@mpl.mpg.de

 

Max-Planck-Zentren und -Schulen