Los avances en el campo de la nanofotónica, es decir, cómo se comporta la luz a escala nanométrica, ha allanado el camino para la invención de los “metamateriales”, materiales hechos por el hombre que tienen enormes aplicaciones como la detección remota a nanoescala o la recolección de energía. Pero su impacto en nuestra vida diaria se ha visto frenado por un proceso de fabricación complejo con grandes márgenes de error. Ahora, gracias al deep learning y a las redes neuronales se puede simplificar y mejorar todo el proceso logrando predecir, en fracciones de segundo, la geometría de una nanoestructura fabricada.
El nuevo estudio, llevado a cabo por la Universidad de Tel Aviv (TAU) y publicado en la revista científica LIGHT: Science and Applications, demuestra de una manera racional el proceso de diseño y caracterización de elementos nanofotónicos básicos: metamateriales. El estudio fue dirigido por el Dr. Haim Suchowski de la Escuela de Física y Astronomía de TAU y el Profesor Lior Wolf de la Escuela de Ciencias de la Computación Blavatnik de TAU, y fue realizado por el científico investigador Dr. Michael Mrejen y los estudiantes de posgrado Itzik Malkiel, Achiya Nagler y Uri Arieli.
“El proceso de diseño de metamateriales consiste en ‘tallar’ elementos a nanoescala con una respuesta electromagnética precisa. Pero debido a la complejidad de la física involucrada, los procesos de diseño, fabricación y caracterización de estos elementos requieren una cantidad de ensayos de prueba y error, lo que limita drásticamente sus aplicaciones” declaró el Dr Mrejen.
La nanofotónica y sus dificultades de diseño y fabricación
La nanofotónica, el campo que combina la fotónica y la nanotecnología, ha revolucionado en los últimos años el campo de la óptica al permitir la manipulación de las interacciones de luz-materia con estructuras de longitud de onda secundaria. Sin embargo, a pesar de los muchos avances en este campo, el diseño, la fabricación y la caracterización han seguido siendo un proceso iterativo en el que el diseñador adivina una estructura y resuelve las ecuaciones de Maxwell.
En contraste, el problema inverso, es decir, la obtención de una geometría para una respuesta electromagnética deseada, sigue siendo una tarea muy complicada y que lleva mucho tiempo dentro de unos límites supuestos muy específicos. Es por ello que el desarrollo de nuevos métodos, basados en la inteligencia artificial y el deep learning puede ser la solución para llevar la nanofotónica a aplicaciones de la vida diaria.
Deep Learning para una fabricación precisa
El Deep Learning o aprendizaje profundo se trata de una tecnología de aprendizaje y clasificación basada en redes neuronales artificiales que se componen de un número de niveles jerárquicos. Es un subcampo del Machine Learning, o aprendizaje automático, y algún ejemplo de su utilización en nuestra vida diaría lo podemos ver en los asistentes de voz, el procesamiento de imágenes, o el reconocimiento facial para aplicaciones de seguridad biométrica.
Los investigadores de la Universidad de Tel Aviv apostaron por esta tecnología para realizar su estudio:
“Nuestro nuevo enfoque depende casi completamente del Deep Learning, una red de computadoras inspiradas en la arquitectura jerárquica y en capas del cerebro humano”, explica el Prof. Wolf. “ Es una de las formas más avanzadas de aprendizaje automática, responsable de los principales avances en tecnología, incluido el reconocimiento de voz, la traducción y el procesamiento de imágenes. Pensamos que será el enfoque adecuado para diseñar elementos metamateriales y nanofotónicos”.
Los científicos alimentaron una red de neuronal de Deep Learning con 15.000 experimentos artificiales para enseñar a la red la compleja relación entre las formas de los nanoelementos y sus respuestas electromagnéticas. “Demostramos que una red de Deep Learning ‘entrenada’ puede predecir, en una fracción de segundo, la geometría de una nanoestructura fabricada”, detalla el Dr. Suchowski.
Los investigadores también demostraron que esta nueva aproximación produce con éxito novedosos diseños de nanoelementos que pueden interactuar con sustancias químicas y proteínas específicas.
Uso en múltiples aplicaciones
“Estos resultados pueden ser aplicados de forma amplia en multitud de campos, incluso la espectroscopia y la terapia dirigida, es decir, el diseño eficiente y rápido de nanopartículas capaces de atacar proteínas maliciosas. Por primera vez, una novedosa red neuronal profunda, entrenada con miles de experimentos sintéticos, no solo fue capaz de determinar las dimensiones de los objetos de tamaño nanométricos, sino que también fue capaz de permitir el diseño y caracterización rápida de elementos ópticos para productos químicos específicos y biomoléculas”, dice el Dr. Suchowski.
«Nuestra solución también funciona al revés. Una vez que se fabrica una forma, por lo general se necesita de tiempo y la utilización de un equipo costoso para determinar la forma precisa que realmente se ha fabricado. Nuestra solución basada en la computación lo hace en una fracción de segundo basada en una simple medida de transmisión».
Los investigadores, que han patentado el nuevo método, actualmente están expandiendo sus algoritmos de Deep Learning para incluir la caracterización química de las nanopartículas.