人工智能可以下围棋，能够精确进行人脸识别，实现机器翻译……最近几年人工智能应用的突破几乎都离不开人工神经网络——一种模仿生物神经网络结构的计算模型，利用大量的人工神经元连结进行计算。

近期，人工神经网络转战物理研究领域，来自麻省理工学院的物理学家们尝试利用人工神经网络解决物理学问题，他们发现这一新技术让原来需要几个月时间才能完成的工作，变得异常简单高效，一个不具备专业背景的人，只需花费几分钟即可完成。

近期，研究人员在Science Advance上发表文章，讲述了他们如何利用人工神经网络对纳米颗粒进行仿真模拟和逆设计。

撰文 | 李晓慧

纳米颗粒一般是指一种人工制造的、大小不超过100纳米的微型颗粒，它是纳米光学器件的一种，在生物医学设备、隐形系统等领域有着广泛的应用前景，比如研究人员正在研究如何利用纳米粒子向肿瘤精准递送药物，如何用纳米颗粒破坏细菌群，治疗慢性细菌感染等等。

它是一个拥有多层结构的球体，放大来看跟洋葱的结构有点像，它每一层所用的材料以及厚度各不相同，导致其表现出不同的性质。

设计一个纳米颗粒的结构确实是专业性极强的工作，其中涉及复杂的物理公式和大量的计算，从前期准备到完成设计，一个专业人士可能需要几个月的时间。

但是现在，情况发生了一些变化。美国麻省理工学院的物理学家们设计了一个人工智能的工具，利用人工神经网络技术，能够让没有专业知识背景的人也可以完成纳米颗粒的结构设计，效率也提升了好几个数量级。原先几小时才能完成的工作，现在只需要几秒钟即可完成。

“我们看到了人工神经网络近年来取得的进步，我们一直在考虑如何利用这一技术来解决我们这个研究领域的问题。”麻省理工学院物理学教授Marin Soljacic说。他们首先在自己熟悉的研究领域着手，纳米颗粒是第一个研究对象，因为在纳米光学器件中，它的结构相对简单，“我们需要先尝试一下这项技术。”

“我们还有一个初衷是希望建立一个工具，让普通人也能使用，来设计纳米颗粒，未来我们也会拓展到其它的纳米光学器件。”麻省理工学院联合研究员、光学人工智能公司Lightelligence创始人兼CEO沈亦晨说。如此一来，原本只有物理学家才能完成的工作，可能普通人在人工智能的帮助下也可以完成，这将扩大参与纳米光学器件设计的人群，推动创新。

沈亦晨

人工智能预测物理现象

传统上来说，在纳米尺度设计光学器件的时候，需要进行全模拟的仿真，计算光与器件之间会产生怎样的相互作用，但是这种仿真在具有非常大的计算量，通常做一次简单的仿真就需要花费几小时的时间。

“而当我们用人工智能的方法，利用深度学习的算法，训练出来一个神经网络，这个神经网络本身就可以用更快的速度来进行仿真了。”沈亦晨说。

沈亦晨所在的实验组具有纳米光学的背景，拥有大量的数据，可以“告诉”神经网络不同的纳米颗粒对应的光学效果是怎样的，当数据量足够多的时候，这个神经网络就学会了光和器件之间相互作用的关系。“以后，如果我们要再产生新的器件的时候，就不需要从头到尾做一次仿真了。”沈亦晨说。“直接用之前已经训练出来的神经网络，它就可以以较高的精度预测出，这种器件与光会有怎样的相互作用。”

也就是说，从纳米光学的角度看，神经网络已经学习了整个现象，并且可以直接让人工智能来预测物理现象的结果，这套技术比传统的计算出物理现象更加高效。“效率的提升是数量级的，原来需要几个小时的仿真模拟，现在只需要几秒钟就可以完成。系统越复杂，效率提升的倍数越高。”沈亦晨说。

同时，沈亦晨认为，同样的方式，也可以拓展到其它不同的领域，除了纳米光学，很多跟物理相关的领域，都可以用相同的办法来尝试，这要比计算物理现象要更高效。

该神经网络有四层架构，根据纳米颗粒结构层数的多少，神经网络的每一层的神经元数量从100至250不等，利用神经网络进行纳米颗粒的模拟错误率很低。

复杂的逆设计 普通人也能做

“当我们利用人工智能进行了纳米颗粒仿真模拟之后，我们就说，好吧，反向运行一下。”Marin Soljacic说。Marin所说的反向运行是设计纳米颗粒结构的过程，被称作逆设计。

“我们想看看，告诉这个神经网络我们需要的特性之后，这个神经网络是否能给出需要的纳米颗粒结构。”Marin Soljacic说。

在工程领域，逆设计已经可以用很多技术来实现，这是一个巨大的研究领域。但是做一个逆设计往往要花费大量的时间，在很多情况下，你必须是这个领域的专家，并且花上几个月的时间才能解决这个问题。

“但是当我们有了这个神经网络之后，我们并没有为它做特殊的准备工作，只是尝试了反向运行，然后惊人的事情就发生了。”Marin Soljacic说。“当我们与其它标准的逆设计方法进行对比的时候，发现这是最好的结果之一，而且它比传统的逆设计方法要快很多。”

研究人员对一个具有8层结构的纳米颗粒进行了逆设计的研究，发现神经网络给出的结果非常准确。

在整个研究过程中，研究人员针对2层到10层的纳米颗粒训练了不同的神经网络，当纳米颗粒层数增加的时候，神经网络的体积也会增加。虽然训练神经网络会耗费大量的时间，但是，一旦被训练好，就会获得巨大的价值。研究结果显示，即使是针对复杂的逆设计问题，这一人工智能工具也非常易于使用和实施。

“理工科的很多内容，包括光学，对于大部分人来说是比较艰深难懂的，比如说让一个人设计纳米光学器件，普通人是做不了的。”沈亦晨说。“但是我们要开发的工具，希望能让普通人也可以使用，让一般受过教育的普通人就可以进行创新。”

在人工智能和物理学领域都具有丰富研究经验的沈亦晨希望，未来开发一套人工智能工具，人们不需要了解研究对象内部发生的物理现象是什么，也不需要知道内部的数学公式，只需要给人工智能网络一些关于现象的数据，这个网络就可以实现自我学习和优化，帮助没有专业背景的人涉足科技创新。

原始论文：

http://advances.sciencemag.org/content/4/6/eaar4206

Nanophotonic particle simulation and inverse design using artificial neural networks, Science Advance. 4,eaar4206(2018)