ИИ-лаборанты за 5 часов улучшили управление светом светодиодов в четыре раза

Физики из Национальных лабораторий Сандия сообщили, что три алгоритма искусственного интеллекта, работавшие как «самоуправляемая лаборатория», всего за пять часов вчетверо улучшили их лучшие результаты по управлению излучением светодиодов (LED). Работа опубликована в журнале Nature Communications.

В 2023 году эта же команда объявила об открытии метода управления направленностью света светодиодов, что в перспективе могло бы заменить более дорогие и энергоёмкие лазеры во многих устройствах. Исследователи ожидали, что отработка технологии займёт годы.

Ускорить процесс помогло сотрудничество специалиста по оптике Прасада Айера и эксперта по машинному обучению Саакета Десаи. Они модернизировали лабораторию, создав систему из трёх ИИ. Первый алгоритм упростил сложные экспериментальные данные. Второй, «агент активного обучения», на основе этих данных проектировал и автоматически проводил эксперименты на оптическом оборудовании, анализируя результаты и предлагая новые опыты.

«Мы — один из ведущих примеров того, как самоуправляемая лаборатория может быть создана для помощи и расширения человеческих знаний», — заявил Прасад Айер.

Чтобы решить проблему «чёрного ящика» ИИ и сделать выводы системы понятными для учёных, исследователи добавили третье звено — алгоритм, ищущий уравнения, объясняющие выявленные закономерности. После 300 автоматических экспериментов, занявших около пяти часов, система не только улучшила результаты, но и предложила принципиально новый, не рассматривавшийся ранее подход к взаимодействию света и материалов на наноуровне.

В среднем эффективность управления спонтанным излучением светодиода повысилась в 2,2 раза в диапазоне углов 74 градуса, а на отдельных направлениях — в четыре раза.

Десаи отметил, что успех платформы обнадёживает, но для её работы требуется значительная вычислительная мощность (в данном случае использовалась рабочая станция Lambda Labs с тремя видеокартами NVIDIA RTX A6000), что может быть недоступно для каждой лаборатории. В дальнейшем команда планирует применять этот подход для других задач в материаловедении.