自然界中看到的許多複雜圖案都是對稱性被破壞時產生的。當系統從高度對稱轉變為更加有序的狀態時，可能會出現小但穩定的不規則性。這些被稱為拓撲缺陷的特徵出現在從宇宙結構到普通材料的非常不同的尺度上。因為它們出現在秩序出現的地方，所以它們為科學家提供了一種強有力的方法來理解複雜系統是如何組織的。
向列液晶為研究這些缺陷提供了特別有用的環境。在這種類型的材料中，分子可以自由旋轉，同時指向大致相同的方向。這種組合使得液晶易於控制和觀察，使研究人員能夠觀察缺陷如何隨著時間的推移而出現、變化和重新排列。傳統上，科學家使用朗道-德熱內斯理論來描述這些結構，這是一種數學框架，解釋了缺陷核內分子秩序如何崩潰，其中方向不再有明確的定義。
人工智能採取措施加速錯誤預測
由韓國忠南國立大學的 Jun-Hee Na 教授領導的研究人員現在推出了一種利用深度學習來預測穩定故障模式的更快方法。他們的工作用基於人工智能的方法取代了緩慢且計算成本高昂的數值模擬，可以更快地提供結果。
該方法發表在《Small》雜誌上，可以在幾毫秒內生成預測，而不是傳統模擬所需的幾個小時。
“我們的方法通過快速可靠的預測補充了緩慢的模擬，促進了對錯誤豐富的系統的系統探索，”納教授說。
深度學習模型內部
該團隊使用 3D U-Net 架構構建了他們的系統，這是一種常用於科學和醫學圖像分析的捲積神經網絡。這種設計允許模型檢測與大規模對準和故障相關的精細局部細節。該框架沒有執行逐步模擬，而是直接將邊界條件與最終平衡狀態聯繫起來。邊界信息被輸入網絡，然後預測完整的分子排列，包括缺陷的形狀和位置。
為了訓練模型，研究人員使用了傳統模擬中的數據，其中包括許多對齊場景。訓練後，網絡能夠準確預測以前從未遇到過的全新配置。這些預測與模擬和實驗室實驗的結果一致。
處理複雜的錯誤和合併
該模型不依賴明確的物理方程，而是直接從數據中學習材料行為。這使其能夠靈活地處理特別複雜的情況，包括高階拓撲缺陷，其中缺陷可以合併、拆分或重新排列。實驗證實，AI 正確捕捉了這些行為，表明它在各種條件下都能可靠地執行。
更快獲得先進材料的途徑
由於該方法使科學家能夠快速探索許多設計方案，因此它也為設計具有精心控制的缺陷結構的材料開闢了新的機會。這些功能對於先進的光學和超材料設備特別有價值。
Na 教授表示：“通過大幅縮短材料開發流程，人工智能驅動的設計可以加速應用智能材料的創建，包括全息和 VR 或 AR 顯示器、自適應光學系統以及響應環境的智能窗戶。”
