Fysikkunnig digital “superhjärna” snabbar på teknikutvecklingen

– När vi gav “superhjärnan” kunskap om fysikens lagar blev den genast mycket smartare. Nu tar våra beräkningar en tiondel av den tid som tidigare krävdes, säger Philippe Tassin, professor på institutionen för fysik och astronomi vid Chalmers tekniska högskola.

Den forskargrupp som Philippe Tassin leder designar optiska komponenter inom ett område kallat nanofotonik. På små skalor – mindre än en våglängd – kan ljus styras och manipuleras på ett helt annat sätt än på större skalor. Samtidigt har naturliga optiska material begränsningar för hur ljus kan kontrolleras på en avancerad nivå. För att kringgå dessa undersöker och utformar forskargruppen konstgjorda material, genom datorsimuleringar.

Materialen kan användas i exempelvis kamera- eller glasögonlinser, för att göra dem lättare, tunnare och effektivare. Men gruppens forskning kan även ha bäring på framtidens kvantdatorer. Tillsammans med forskare på institutionen för mikroteknologi och nanovetenskap på Chalmers, där Sveriges första större kvantdator byggs, undersöker de om det går att designa nanostrukturerade material som styr hur ljus rör sig. Tanken är att information som skickas mellan kvantdatorer, eller på längre distans, ska överföras med optiska frekvenser via rörliga fotoniska kristaller, små konstruerade ”ljuskristaller” som har extremt hög förmåga att reflektera ljus.

Simuleringar visar hur materialet ska designas

Forskargruppens arbete görs helt via simuleringar i superdatorer, där maskininlärning och neurala nätverk – ett slags artificiell intelligens inspirerad av den mänskliga hjärnans uppbyggnad – är deras högra hand. Simuleringarna visar och drar slutsatser om materialets egenskaper och är helt avgörande för forskarna när de tar reda på hur det ska designas på bästa sätt.

– Jag kan elektromagnetismens ekvationer och undervisar om dem, men jag kan ändå inte dra alla de slutsatser som det neurala nätverket gör. Fysiken är så komplex att jag inte förstår materialets egenskaper bara genom att titta på det – men det gör däremot datorn, säger Philippe Tassin.

Tidskrävande att mata neurala nätverk med data

Att mata ett neuralt nätverk med data för att utföra simuleringarna är dock mycket tidskrävande. En inmatning kan ta mellan tio minuter och en timme, och det kan krävas upp till 40 000 simuleringar.

– Det tar oss kanske en hel månad att generera tillräckligt med data för att träna det neurala nätverket. Inser man sedan att man behöver lägga till ytterligare saker, tar det ännu en månad, säger Viktor Lilja, doktorand på institutionen för fysik och astronomi vid Chalmers tekniska högskola.

Men nu har forskarna alltså kommit på ett sätt att göra jobbet på en tiondel av den tid de tidigare lagt. Det som tidigare tog trettio dagar att generera, tar nu tre dagar. Det beror på att de gett det neurala nätverket en förförståelse för fysik – redan innan det har tränats.

Lär det neurala nätverket om fysikens lagar

Den bakomliggande tanken är att en optisk komponent måste lyda naturens och elektromagnetismens lagar. Det forskarna har gjort är att lära det neurala nätverket om dessa lagar – en sorts grundutbildning inom fysik. Tidigare har nätverket behövt lära sig om lagarna genom att dra egna slutsatser av den data som genererats. Nu kan denna ”superhjärna” använda sig av sina kunskaper, i stället för att varje gång börja om på nytt.

Idén kom när forskarna försökte göra nätverkets förutsägelser enklare att tolka genom att bygga in ekvationer som vi människor känner igen. När de sedan testade nätverket visade det sig att det automatiskt också hade blivit mycket smartare, och behövde mindre data för att tränas. I en artikel i den vetenskapliga tidskriften Laser & Photonics Reviews beskriver forskarna hur de har gått tillväga.

– När vi väl tränat nätverket en gång kan vi be den undersöka vilken struktur som helst och på en millisekund få veta de optiska egenskaperna. Med de nya nätverken får vi bättre uppskattningar och undviker uppenbara fel, säger Viktor Lilja.

Philippe Tassin anser att tidsbesparingen de kan göra är den allra största behållningen.

– När vi nu kan arbeta så mycket snabbare, kan vi skynda på designutvecklingen av optiska komponenter.