Maschinelles Lernen kombiniert mit Nanooptik als zukunftsweisende Technologie für Charakterisierung und Informationsverarbeitung auf der Nanoskala

• Antragsteller: Dr. Peter Wiecha
• Fachliche Zuordnung: Experimentelle Physik der kondensierten Materie ; Optik, Quantenoptik und Physik der Atome, Moleküle und Plasmen ; Theoretische Physik der kondensierten Materie
• Förderung: Förderung von 2018 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 415025779

Trotz ihrer Fähigkeit komplizierte mathematische Probleme zu lösen, funktionieren klassische computergestützte Techniken erstaunlich schlecht bei vielen Problemstellungen, welche von Menschen ohne Schwierigkeiten gelöst werden.Beispiele für solche Probleme sind Bild- oder Spracherkennung. Im vergangenen Jahrzehnt wurde großer Fortschritt im Bereich künstlicher neuronaler Netze (NN) gemacht (auch "maschinelles Lernen"). Dabei handelt es sich um vom menschlichen Gehirn inspirierte Rechenmodelle, welche gezielt auf Probleme wie die oben genannten trainiert werden und dabei die Fähigkeit entwickeln können diese sehr effizient zu kategorisieren und zu lösen.Die Zielsetzung dieses DFG Forschungsstipendiums ist es, Anwendungen künstlicher neuronaler Netze im Bereich der Nanooptik zu entwickeln.In einem ersten Schritt sollen NN dafür eingesetzt werden, eine ultra-schnelle Vorhersage optischer Eigenschaften photonischer Nanostrukturen und Metamaterialien zu berechnen.In einer vorläufigen Machbarkeitsstudie, die ich im Zuge der Vorbereitungen für diesen Antrages erarbeitetet habe, demonstrierte ich die Fähigkeit künstlicher NN, die optische Streuung komplexer Nanostrukturen beliebiger Geometrie in Echtzeit vorherzusagen.Indem solche neuronalen Netze mit experimentellen Daten trainiert werden, können des weiteren vollständig phänomenologische Modelle der zugrundeliegenden physikalischen Effekte entwickelt werden.In einem zweiten Arbeitspaket werde ich maschinelles Lernen für das Automatische "Design" von nano-optischen Strukturen und photonischen Schaltungen verwenden. Dazu werden inverse Probleme in der Nanooptik mittels geeigneter NN gelöst, wie zum Beispiel die Vorhersage der Geometrie einer Nanostruktur, die eine bestimmte gewünschte optische Eigenschaft erzielt.Neben der Konzeption photonischer Elemente werde ich Anwendungen für Methoden maschinellen Lernens erarbeiten. Diese werden an der Schnittstelle zum Experiment angesiedelt sein, beispielsweise für komplexe, multi-modale Systeme wie Specklemuster basiertes "Compressed Sensing", vollständig optisch konfigurierbare photonische Schaltungen oder optische Informationsspeicher.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: Großbritannien
• Gastgeber: Professor Dr. Otto L. Muskens