Uma nova abordagem de Machine Learning pode ajudar os pesquisadores a resolver problemas como descobrir os melhores tamanhos de cilindros para capturar energia eletromagnética. Crédito: Escola de Enfermagem da Universidade Duke
Os engenheiros elétricos da Duke University desenvolveram um novo método para resolver problemas de projeto difíceis com muitas soluções potenciais em um grande espaço de projeto usando Machine Learning. Apelidado de “método neural-adjunto”, a abordagem revela com sucesso um design otimizado para um dispositivo de comunicação eletromagnética e também pode ser usada para muitos outros desafios de design, desde imagens biomédicas até holografia.
A pesquisa apareceu online em 24 de fevereiro na revista Optics Express, intitulada “Método neural-adjoint para o projeto inverso de metassuperfícies totalmente dielétricas.”
O dilema que está sendo tratado pelo novo método de Machine Learning é resolver problemas inversos, o que significa que os pesquisadores sabem o resultado que desejam, mas não têm certeza da melhor maneira de alcançá-lo. Dentro desse tipo de desafio está uma classe chamada problemas inversos mal colocados, o que significa que há um número infinito de soluções sem orientação sobre qual pode ser a melhor.
“Se forem dados dois números para somar, você pode obter uma solução direta e simples”, explicou Willie Padilla, professor de engenharia elétrica e de computação da Duke. “Mas se eu disser para me dar dois números reais que somam três, há um conjunto infinito de números que poderia ser a resposta sem compreensão se a resposta correta for escolhida. Inverter esta tarefa simples mostra o quão desafiador problema inverso apresentado pode ser. ”
Na nova pesquisa, a tarefa específica que Padilla está procurando resolver é encontrar o melhor design para um metamaterial dielétrico (sem metal) que produza uma resposta eletromagnética específica. Metamateriais são materiais sintéticos compostos de muitos recursos de engenharia individuais, que juntos produzem propriedades não encontradas na natureza. Eles conseguem isso por meio de sua estrutura, e não de sua química. No experimento de metamaterial dielétrico de Padilla, ele usa uma grande folha construída a partir de grades individuais de dois por dois de cilindros de silício semelhantes a Legos quadrados curtos.
Calcular como os efeitos eletromagnéticos de um conjunto idêntico de cilindros interagem entre si é um processo simples que pode ser feito por software comercial. Mas resolver o mal-posto problema inverso de qual geometria produzirá melhor um conjunto desejado de propriedades é uma proposição muito mais difícil. Como cada cilindro cria um campo eletromagnético que se estende além de seus limites físicos, eles interagem uns com os outros de maneira imprevisível e não linear.
“Se você tentar construir uma resposta desejada combinando os efeitos eletromagnéticos produzidos por cada cilindro individual, você obterá um mapa complicado de muitos picos altos e baixos que não é simplesmente uma soma de suas partes”, disse o professor Padilla. “É um enorme espaço de parâmetros geométricos e você está completamente cego – não há indicação de qual caminho seguir.”
A nova abordagem de Machine Learning de Padilla para navegar neste complexo espaço de design começa com o treinamento de uma rede neural profunda com 60.000 simulações de diferentes designs e as propriedades eletromagnéticas que eles produzem. Mesmo levando em consideração 14 parâmetros geométricos, o algoritmo de Machine Learning aprendeu a função que conecta a geometria complexa com o resultado eletromagnético.
Nesse ponto, a rede neural profunda pode fornecer aos pesquisadores uma resposta para a questão inversa de encontrar uma geometria que pode produzir a resposta desejada. Mas, com 1,04 trilhão de soluções potenciais, a rede neural levaria mais de três anos para encontrar uma resposta.
?Que eu saiba, este é o maior problema fotônico do espaço geométrico em que alguém já trabalhou?, disse Padilla. “Se você tentasse resolvê-lo com um algoritmo de computador normal, levaria 600 milhões de anos. A rede neural profunda amostrou apenas 0,00000575% do espaço do projeto, mas aprendeu a função de qualquer maneira.”
Embora seja um feito impressionante, é a segunda etapa desse processo que é verdadeiramente nova. Embora os pesquisadores não saibam exatamente como é a função que a rede neural profunda criou, eles podem usá-la para trabalhar em direção a uma resposta ideal.
O novo método neural-adjunto funciona começando com 16.000 pontos aleatórios e calculando a qualidade de cada solução. Em seguida, permite que cada um avance em direção a uma solução melhor – um processo denominado gradiente descendente. Ao repetir esse processo várias vezes, o algoritmo abre caminho para soluções otimizadas localmente. Crucialmente, os pesquisadores também definiram limites mínimos e máximos com base em seu conhecimento do espaço em que o Machine Learning é preciso, o que impediu que o algoritmo ficasse muito louco com suas soluções.
Após 300 iterações, o programa analisa as 16.000 soluções ideais localmente encontradas e escolhe a melhor opção. Também indica se pode haver um limite definido em um parâmetro que pode permitir uma solução melhor se ele for expandido.
?Ao fazer essa pesquisa, vimos todas as nossas melhores soluções presas à altura máxima que estabelecemos para os cilindros?, disse Padilla. “Estávamos nos limitando, mas não sabíamos. Portanto, aumentamos a altura, fizemos ainda mais simulações e, de fato, encontramos uma solução melhor.”
Aplicado a metamateriais, Padilla diz que este método pode ajudar a desenvolver antenas de comunicação planas para as laterais de edifícios que podem se reconfigurar rapidamente para alcançar melhor os usuários próximos. Mas ele diz que também pode ser usado em uma ampla gama de aplicações que coletam informações de ondas eletromagnéticas. Por exemplo, interpretar raios X ou ondas magnéticas em dispositivos de imagens médicas ou desenvolver hologramas gerados por computador.
Publicado em 30/07/2021 00h17
Artigo original:
Estudo original: