Forschungsteam der Chalmers-Universität entwickelt physikbasiertes neuronales Netzwerk für die Nanophotonik Wissenschaftler der Chalmers-Universität in Schweden haben ein neuronales Netzwerk entwickelt, das fundamentale physikalische Gesetzmäßigkeiten direkt in seine Architektur integriert. Unter der Leitung von Professor Philippe Tassin und dem Promovenden Viktor Lilja zeigt die Studie, dass dieser Ansatz die Simulation und Entwicklung photonischer Bauteile um den Faktor zehn beschleunigt. Die Ergebnisse erschienen kürzlich in der Fachzeitschrift Laser & Photonics Reviews. Traditionelle KI-Modelle für die Materialwissenschaft lernen ihre Vorhersagen rein datenbasiert, was erheblichen Rechenaufwand und lange Trainingszeiten erfordert. Ein einzelner Simulationsschritt kann bis zu einer Stunde dauern, und für ein vollständiges Modell sind oft bis zu 40.000 Durchläufe nötig. Der manuelle Datenerfassungsprozess zog sich zuvor über Monate hin. Durch die explizite Einbindung der Maxwell-Gleichungen und elektromagnetischer Grundgesetze in das Netzwerk entfällt die Notwendigkeit, diese Zusammenhänge erneut aus den Daten abzuleiten. Das System nutzt stattdessen ein vortrainiertes physikalisches Grundverständnis, wodurch der Trainingsaufwand von bisher rund dreißig Tagen auf drei Tage sinkt. Das beschleunigte Designverfahren ist speziell für die Nanophotonik relevant, in der Licht auf Skalen unterhalb seiner Wellenlänge manipuliert wird. Künstlich strukturierte photonische Kristalle ermöglichen hierbei optische Eigenschaften, die mit natürlichen Materialien nicht erreichbar sind. Die optimierten Materialien finden Anwendung in ultraleichten und hochauflösenden Linsensystemen für Kameras und Brillen. Darüber hinaus eröffnet die Technologie neue Wege für die Quanteninformationsübertragung. In Zusammenarbeit mit der Abteilung für Mikrotechnik und Nanowissenschaften der Chalmers-Universität wird erforscht, wie photonische Kristalle zur Steuerung von Lichtsignalen in Quantencomputern und über große Distanzen genutzt werden können. Professor Tassin betonte, dass die menschliche Analyse elektromagnetischer Gleichungen zwar grundlegend sei, die komplexe Materialprognose jedoch deutlich effizienter maschinell getroffen werde. Das neue Modell liefert innerhalb von Millisekunden präzise optische Eigenschaften für beliebige Nanostrukturen und reduziert Fehlinterpretationen erheblich. Der gewonnene Zeitgewinn ermöglicht nun einen deutlich agileren Entwicklungszyklus für fortschrittliche optische Komponenten. Die Chalmers-Universität sieht in der physikgeführten KI einen Meilenstein für die computergestützte Materialforschung, der die Grenze zwischen datengetriebener Artificial Intelligence und theoretischer Physik effizient überbrückt.