Prévia do material em texto
1/3 Materiais compostos iluminados com machine learning Os pesquisadores adotam uma abordagem diferente para o aprendizado de máquina para descobrir a física da óptica em materiais compostos. Materiais compostos com dois ou mais componentes diferentes podem ser usados em muitas áreas da ciência e tecnologia modernas. Uma das aplicações mais importantes que eles têm é na óptica, onde esses materiais estão permitindo a futura miniaturização de lentes, lasers e detectores – as tecnologias básicas que subgivam, lactente e sensoriamento. Para encontrar uma estrutura composta óptica apropriada para um determinado problema, os cientistas devem saber como a luz se propaga no material, mas resolver as equações da óptica em um meio multicamada é difícil tanto analiticamente quanto numericamente. Em um estudo recente publicado na Advanced Photonics Research, os pesquisadores desenvolveram uma técnica baseada em aprendizado de máquina que pode lidar com problemas desse tipo de forma muito eficiente, calculando as trajetórias dos raios de luz em um determinado material composto. Como ensinar as máquinas O aprendizado de máquina é um método de análise de dados que permite que o software aprenda com os dados de entrada e identifique padrões. Nos últimos anos, tornou-se uma parte de nossas vidas diárias – o aprendizado de máquina alimenta o reconhecimento de imagens, tradução automática, direção autônoma e até mesmo prever o desempenho da bateria e a descoberta de medicamentos, e assim por diante. Na maioria dessas aplicações, um algoritmo é treinado em enormes quantidades de “dados rotulados” – milhões de imagens com pessoas, carros, bicicletas ou livros inteiros marcados com suas traduções. https://www.advancedsciencenews.com/accelerating-neural-networks-through-hardware-optimization/ https://www.advancedsciencenews.com/predicting-rechargeable-battery-performance-with-machine-learning/ https://www.advancedsciencenews.com/predicting-rechargeable-battery-performance-with-machine-learning/ https://www.advancedsciencenews.com/a-new-deep-learning-architecture-for-drug-discovery/ https://www.advancedsciencenews.com/a-new-deep-learning-architecture-for-drug-discovery/ 2/3 “O aprendizado de máquina também pode ser usado no domínio científico”, disse Viktor Podolskiy, da Universidade de Massachusetts Lowell, um dos autores do estudo. “Aqui, geralmente é chamado para prever a solução para alguma equação ou o resultado do experimento. Normalmente, para ser usado de forma eficiente, o aprendizado de máquina precisa ser treinado na biblioteca de soluções conhecidas ou nos resultados de experimentos anteriores. Dados suficientes de dados anteriores, o aprendizado de máquina parece se sair bem. No entanto, nesse cenário convencional, chamado de aprendizado de máquina “caixa preta”, os pesquisadores ignoram o conhecimento científico que a humanidade acumulou ao longo dos séculos e usam apenas pares de entrada/resultados para treinar o computador. De certa forma, a compreensão dos físicos de como derivar as equações governantes e como resolvê-las apenas é desperdiçada. Devido a isso, em situações em que as soluções de força bruta são difíceis, não há dados suficientes para treinar o aprendizado de máquina para começar. Brilhando uma luz sobre materiais compostos O problema da propagação de luz em materiais multicamadas, onde as camadas têm propriedades ópticas diferentes, é precisamente desse tipo de cálculo difícil. Para resolvê-lo, os autores do estudo surgiram com a ideia de aprendizado de máquina informado pela física, que complementa os habituais algoritmos de “caixa preta” com as equações conhecidas da dinâmica do campo eletromagnético, governando a propagação da luz. “Nossa motivação foi utilizar alguns dos conhecimentos científicos ‘extras’ no processo de treinamento, em certo sentido combinando os benefícios da ciência e do aprendizado de máquina”, explicou Podolskiy. O problema do modelo que os físicos estavam resolvendo foi a propagação de luz em um compósito óptico de dez camadas. Eles treinaram tanto a “caixa preta” quanto os algoritmos de aprendizado de máquina informados pela física usando um conjunto de dados que consiste em trajetórias de luz em centenas de compósitos com diferentes propriedades ópticas. Descobriu-se que a técnica que eles desenvolveram era muito mais eficiente e precisava de um conjunto de dados aproximadamente 20 vezes menor para atingir a mesma precisão de previsão que o aprendizado de máquina convencional. Uma vantagem sobre um solucionador numérico foi ainda mais impressionante; algoritmos de aprendizado de máquina treinados descobriram as configurações dos raios de luz centenas de vezes mais rápido. “Nossos resultados sugerem que a incorporação do conhecimento científico no processo de treinamento nos permite treinar modelos mais rapidamente, em uma quantidade muito menor de dados de treinamento, e produzir modelos que possam funcionar corretamente em um conjunto muito mais amplo de parâmetros de entrada”, acrescentou Podolskiy. Um futuro brilhante Os pesquisadores prevêem que a abordagem demonstrada em seu trabalho pode ser aplicada a outros problemas na óptica. Eles também esperam que seu método possa ser melhorado e se tornar ainda 3/3 mais poderoso. “Estamos atualmente trabalhando para estender nossas abordagens para uma classe mais ampla de problemas, com o objetivo de desenvolver uma estrutura ‘híbrida’ que aceleraria a análise da interação leve de compósitos”, concluiu Podolskiy. A abordagem empregaria inicialmente solucionadores baseados em ciência demorados para alguns pontos de dados e, em seguida, usaria esses dados iniciais como um conjunto de treinamento para modelos de aprendizado de máquina muito mais rápidos informados pela física. Esperamos que a estrutura resultante nos permita executar os cálculos que costumavam levar semanas em questão de dias ou até horas. Referência: Viktor A. Podolskiy et al., “Aprendizado de máquina informado por física para modos ópticos em compósitos”, Pesquisa Fotônica Avançada (2022), DOI: 10.1002/adpr.202200073 ASN WeeklyTradução Inscreva-se para receber nossa newsletter semanal e receba as últimas notícias científicas diretamente na sua caixa de entrada. ASN WeeklyTradução Inscreva-se no nosso boletim informativo semanal e receba as últimas notícias científicas. https://onlinelibrary.wiley.com/doi/10.1002/adpr.202200073