利用人工神经网络对纳米颗粒进行仿真模拟和逆设计

研究人员对一个具有8层结构的纳米颗粒进行了逆设计的研究，发现神经网络给出的结果非常准确。

纳米颗粒一般是指一种人工制造的、大小不超过100纳米的微型颗粒，它是纳米光学器件的一种，在生物医学设备、隐形系统等领域有着广泛的应用前景，比如研究人员正在研究如何利用纳米粒子向肿瘤精准递送药物，如何用纳米颗粒破坏细菌群，治疗慢性细菌感染等等。

它是一个拥有多层结构的球体，放大来看跟洋葱的结构有点像，它每一层所用的材料以及厚度各不相同，导致其表现出不同的性质。

设计一个纳米颗粒的结构确实是专业性极强的工作，其中涉及复杂的物理公式和大量的计算，从前期准备到完成设计，一个专业人士可能需要几个月的时间。

但是现在，情况发生了一些变化。美国麻省理工学院的物理学家们设计了一个人工智能的工具，利用人工神经网络技术，能够让没有专业知识背景的人也可以完成纳米颗粒的结构设计，效率也提升了好几个数量级。原先几小时才能完成的工作，现在只需要几秒钟即可完成。

“我们看到了人工神经网络近年来取得的进步，我们一直在考虑如何利用这一技术来解决我们这个研究领域的问题。”麻省理工学院物理学教授Marin Soljacic说。他们首先在自己熟悉的研究领域着手，纳米颗粒是第一个研究对象，因为在纳米光学器件中，它的结构相对简单，“我们需要先尝试一下这项技术。”

“我们还有一个初衷是希望建立一个工具，让普通人也能使用，来设计纳米颗粒，未来我们也会拓展到其它的纳米光学器件。”麻省理工学院联合研究员、光学人工智能公司Lightelligence创始人兼CEO沈亦晨说。如此一来，原本只有物理学家才能完成的工作，可能普通人在人工智能的帮助下也可以完成，这将扩大参与纳米光学器件设计的人群，推动创新。

人工智能预测物理现象

传统上来说，在纳米尺度设计光学器件的时候，需要进行全模拟的仿真，计算光与器件之间会产生怎样的相互作用，但是这种仿真在具有非常大的计算量，通常做一次简单的仿真就需要花费几小时的时间。

“而当我们用人工智能的方法，利用深度学习的算法，训练出来一个神经网络，这个神经网络本身就可以用更快的速度来进行仿真了。”沈亦晨说。

沈亦晨所在的实验组具有纳米光学的背景，拥有大量的数据，可以“告诉”神经网络不同的纳米颗粒对应的光学效果是怎样的，当数据量足够多的时候，这个神经网络就学会了光和器件之间相互作用的关系。“以后，如果我们要再产生新的器件的时候，就不需要从头到尾做一次仿真了。”沈亦晨说。“直接用之前已经训练出来的神经网络，它就可以以较高的精度预测出，这种器件与光会有怎样的相互作用。”

也就是说，从纳米光学的角度看，神经网络已经学习了整个现象，并且可以直接让人工智能来预测物理现象的结果，这套技术比传统的计算出物理现象更加高效。“效率的提升是数量级的，原来需要几个小时的仿真模拟，现在只需要几秒钟就可以完成。系统越复杂，效率提升的倍数越高。”沈亦晨说。

同时，沈亦晨认为，同样的方式，也可以拓展到其它不同的领域，除了纳米光学，很多跟物理相关的领域，都可以用相同的办法来尝试，这要比计算物理现象要更高效。

该神经网络有四层架构，根据纳米颗粒结构层数的多少，神经网络的每一层的神经元数量从100至250不等，利用神经网络进行纳米颗粒的模拟错误率很低。

复杂的逆设计 普通人也能做

“当我们利用人工智能进行了纳米颗粒仿真模拟之后，我们就说，好吧，反向运行一下。”Marin Soljacic说。Marin所说的反向运行是设计纳米颗粒结构的过程，被称作逆设计。

“我们想看看，告诉这个神经网络我们需要的特性之后，这个神经网络是否能给出需要的纳米颗粒结构。”Marin Soljacic说。

在工程领域，逆设计已经可以用很多技术来实现，这是一个巨大的研究领域。但是做一个逆设计往往要花费大量的时间，在很多情况下，你必须是这个领域的专家，并且花上几个月的时间才能解决这个问题。

“但是当我们有了这个神经网络之后，我们并没有为它做特殊的准备工作，只是尝试了反向运行，然后惊人的事情就发生了。”Marin Soljacic说。“当我们与其它标准的逆设计方法进行对比的时候，发现这是最好的结果之一，而且它比传统的逆设计方法要快很多。”

 

转载自环球科学

撰文

李晓慧

原始论文：

http://advances.sciencemag.org/content/4/6/eaar4206

Nanophotonic particle simulation and inverse design using artificial neural networks, Science Advance. 4,eaar4206(2018)