Новые возможности управления фотонными кристаллами показали красноярские ученые.

Красноярские ученые продемонстрировали эффективные возможности управления спектром фотонного кристалла, который может работать как универсальный оптический фильтр. Его ключевая особенность — способность обратимо менять свои свойства. При заполнении пор жидкостями он превращается из широкополосного фильтра в узкополосный, а после испарения жидкости возвращается в исходное состояние. Цикл можно повторять неоднократно. Разработка открывает новые перспективы в создании перестраиваемых оптических устройств и высокочувствительных сенсоров. Результаты исследования опубликованы в журнале Письма в Журнал экспериментальной и теоретической физики.

Фотонные кристаллы — это искусственные материалы с особыми свойствами, которые позволяют избирательно управлять светом: пропускать или отражать волны определенной длины. Это открывает широкие возможности для их применения в лазерах, микроскопах и системах связи. Однако подавляющее большинство фотонных кристаллов, используемых сегодня в коммерческих устройствах, настроены на один фиксированный диапазон света, который не может быть изменен для решения новых задач.

Ученые Красноярского научного центра СО РАН изготовили одномерный фотонный кристалл на основе пористого оксида алюминия, который может легко менять свои области отражения. Его уникальность в особой пористой внутренней структуре. Изготовленный образец состоит из множества чередующихся слоев с разной пористостью, которые по-разному преломляют свет. Такая архитектура позволила добиться рекордного расширения области отражения кристалла с типичных 50 нанометров до 170 нанометров. Благодаря этому кристалл работает как широкополосный оптический фильтр, эффективно блокирующий широкий диапазон световых волн.

Поры в материале похожи на цилиндры, что позволяет легко их заполнить. Оптические свойства кристалла меняются в зависимости от того, что внутри, например, вода, спирт или ацетон. Жидкость меняет показатель преломления материала. В результате запрещенная зона не просто смещается, но и расщепляется на несколько узких полос. Это превращает кристалл в узкополосный фильтр, способных избирательно блокировать несколько узких диапазонов длин волн.

Заполняя поры разными жидкостями, ученые научились менять оптические свойства кристалла. Более того, их можно тонко настраивать, меняя угол падения света, что вызывает дополнительный сдвиг запрещенной зоны. Эта способность к перестройке открывает широкие перспективы для создания оптических сенсоров и адаптивных фильтров.

«Комбинация этих двух методов — заполнения пор и изменения угла падения света — позволяет использовать один и тот же образец и как широкополосный, и как узкополосный фильтр. Это открывает дорогу к практическому применению разработки. Такой кристалл также можно использовать в качестве высокочувствительного сенсора: по величине спектрального сдвига можно с высокой точностью определять, какая именно жидкость попала в поры», — отмечает один из авторов исследования Максим Пятнов, кандидат физико-математических наук, старший научный сотрудник Института физики им. Л.В. Киренского СО РАН.

Важным преимуществом технологии является многоразовость. При испарении жидкости из пор кристалл возвращается в исходное состояние без потери качества. Эксперименты подтвердили, что даже после пяти циклов наполнения и высушивания материал полностью сохраняет свою эффективность. Это делает его перспективной основой для многоразовых фильтров.

Подобные разработки могут стать основой для планируемого в регионе научно-производственного кампуса, который объединит научные институты, университеты и промышленные предприятия и обеспечит быстрый переход от лабораторных исследований к реальному производству. Материал подготовлен при поддержке Минобрнауки России в рамках Десятилетия науки и технологий.

Информация и фото предоставлены Федеральным исследовательским центром «Красноярский научный центр Сибирского отделения Российской академии наук».

https://scienti...noarskie-ucenye

Память искусственного интеллекта удалось увеличить в сотни тысяч раз

Новая ИИ-архитектура, созданная в МФТИ, решает важную проблему машинного обучения — катастрофическое забывание и позволяет сохранять информацию в сотни тысяч раз дольше. Это поможет создать автономные ИИ-системы, способные постоянно учиться и адаптироваться к изменяющимся условиям: промышленные роботы, беспилотники и дроны. Результаты исследования опубликованы в The European Physical Journal Special Topics.

«Возможно, мы нашли ответ на одну из главных загадок мозга: как он умудряется учиться новому, не стирая при этом старые „файлы“. Всё дело в постоянной перестройке нейронных связей — ревайринге. Именно он превращает хрупкую кратковременную память в прочные долговременные воспоминания», — рассказывает Сергей Лобов, ведущий научный сотрудник лаборатории нейробиоморфных технологий МФТИ.

Нейронная сеть чем-то похожа на карту. Когда она учится, в ней возникают следы памяти, подобные дорожкам, протоптанным в лесу. Однако, если прохожие начнут спонтанно ходить вокруг тропы, она быстро размоется и станет незаметной. То же происходит и внутри нейронных сетей: поглощая информацию, они постоянно переписывают свои параметры и забывают старые. Происходит «катастрофическое забывание» — память становится нестабильной, ведь в реальном мире условия меняются постоянно.

Решение проблемы пришло из нейробиологии. Ученые МФТИ предложили модель памяти на основе спайковой нейронной сети — нового типа ИИ, который работает по принципам реального мозга. В нее добавили механизм перестройки связей — ревайринг. Он работает в тандеме с основным механизмом обучения мозга — временной пластичностью, зависящей от спайков (STDP). STDP усиливает или ослабляет связь между двумя нейронами в зависимости от того, кто сработал раньше.

«Как это работает? Сначала сеть учится под внешним воздействием, связь между нейронами усиливается и формируется кратковременная память. А дальше начинается самое интересное. После обучения внешний сигнал выключается, и сеть остается наедине со своей спонтанной активностью. В этот момент включается ревайринг. Система самостоятельно перестраивает свою анатомическую структуру, буквально „впечатывая“ этот паттерн в карту связей. Этот процесс мы назвали самоорганизованной консолидацией памяти. Благодаря ему кратковременная память превращается в долговременную — устойчивое структурное изменение в архитектуре сети», — рассказал Сергей Лобов, ведущий научный сотрудник лаборатории нейробиоморфных технологий МФТИ.

Эксперименты показали: надежность памяти увеличилась в сотни тысяч раз.

Чтобы оценить качество модельной памяти, ученые моделировали обучение и анализировали, сколько всплесков активности переживет сеть, прежде чем забыть информацию. Если обычная сеть забывала информацию после 1000 всплесков, сеть с перестройкой связей выдерживала до 170 миллионов.

Ученые обнаружили, что в процессе обучения под действием стимулов в сети возникают «хабовые» нейроны. Одиночный импульс такого нейрона способен запускать синхронные всплески активности сотен других нейронов по всей сети. Эксперименты показали, что в стандартных сетях после обучения количество таких хабов быстро сокращается, в то время как в сетях с перестройкой связей остается высоким и даже растет. Вероятно, именно они являются энграммными клетками, создающими стабильный «каркас» для долговременного хранения информации в нейронной сети.

Сейчас новая ИИ-архитектура существует в виде компьютерной модели. Следующий шаг — физические нейроморфные процессоры, реализующие этот принцип. Они позволят создать автономные ИИ-системы, которые смогут постоянно учиться и адаптироваться в изменяющемся мире: роботы-исследователи, беспилотные автомобили и др.

Информация предоставлена пресс-службой МФТИ

Источник фото: ru.123rf.com

Разместила Наталья Сафронова