查爾默斯科技大學的研究人員開發了一套機器學習系統，該系統在訓練之前便學習了物理法則，使其能夠以傳統方法的十倍速度設計先進的光學材料。這一突破可能會加速光學元件的發展，這些元件在量子計算、相機和眼鏡鏡片等應用中均有重要用途。物理與天文系教授菲利普·塔辛（Philippe Tassin）表示：「當我們將有關物理法則的信息輸入給超級智能後，它立即變得更聰明。我們的計算現在只需以前所需時間的十分之一。」
查爾默斯團隊專注於納米光子學，這是一個專門研究在比光波長更小的尺度上控制和操縱光的領域。在這些尺寸下，光的行為與傳統光學系統中有所不同，使科學家能夠創造出自然界中不存在的人工材料。研究人員利用超級計算機模擬設計光學材料，這些材料可以使相機和眼鏡鏡片更輕、更薄且更有效。他們的研究還可能支持未來的量子技術發展。與微技術和納米科學系的研究人員合作，該系正建造瑞典首個大型量子計算機，團隊正在探索是否可以設計納米結構材料來控制光的傳播。
查爾默斯科技大學的機器學習系統顯著提高光學材料設計效率
這一概念涉及使用機械柔性光子晶體在量子計算機之間或使用光頻在更長距離內傳遞信息。模擬在這一工作中起著核心作用，幫助研究人員確定材料應如何結構化以實現所需的光學特性。
研究在很大程度上依賴機器學習和神經網絡，這些技術分析海量模擬數據以預測材料的行為。塔辛表示：「我對電磁學的方程式瞭如指掌，並教授這些內容，但我仍然無法得出神經網絡所能得出的所有結論。物理是如此複雜，我僅僅通過觀察材料並不能理解其特性，但計算機卻能。」然而，生成足夠的數據以訓練這些神經網絡傳統上是一個緩慢且資源密集的過程。研究人員指出，生成一個數據點可能需要十分鐘到一小時的時間，而完整數據集可能需要多達 40,000 次模擬。
為瞭解決這一問題，研究人員將電磁學的基本法則直接嵌入神經網絡中。模型不是從零開始發現這些原則，而是以對光和電磁場行為的內建理解開始。這一想法在團隊試圖通過納入人類研究人員熟悉的方程式來簡化神經網絡預測的解釋過程中產生。在測試過程中，他們發現這一方法也顯著提高了模型的效率。維克多·利利亞（Viktor Lilja）表示：「一旦我們訓練好了網絡，就可以要求它檢查任何結構，並在毫秒內獲得光學特性。
利用這些新網絡，我們獲得了更準確的估計，避免了明顯的錯誤。」
這一改進將模擬數據生成時間從 30 天縮短至僅三天，使研究人員能夠加速下一代光學元件的開發。