Una red neuronal permite diseñar cómo se propaga la luz a escala nanométrica
Investigadores del Grupo de Nano-Óptica Cuántica de la Universidad de Oviedo y del CINN-CSIC, en colaboración con el INMA (CSIC-Universidad de Zaragoza) y el DIPC, han desarrollado una herramienta de inteligencia artificial que permite diseñar estructuras de materiales ultrafinos para controlar cómo se propaga la luz a escala nanométrica.
El estudio demuestra experimentalmente que tres capas ultrafinas del material α-MoO₃ pueden dirigir la luz a escala nanométrica en varias direcciones
El trabajo, publicado en ‘Nature Materials’, permitirá avanzar en el desarrollo de componentes nanofotónicos, sensores y sistemas de gestión térmica
Los polaritones superficiales son ondas híbridas de luz y materia confinadas cerca de una superficie. Se propagan a lo largo de ella con longitudes de onda mucho menores que las de la luz en el espacio libre, por lo que constituyen una forma de nanoluz. En el α-MoO3, un material inorgánico formado por molibdeno y oxígeno, esta nanoluz surge del acoplamiento de la luz convencional con las vibraciones de los átomos y recibe el nombre de fonón-polaritón. Controlar su dirección podría facilitar el desarrollo de componentes nanofotónicos, sensores y sistemas de gestión térmica. Investigadores de la Universidad de Oviedo y del Centro de Investigación en Nanomateriales y Nanotecnología (CINN), en colaboración con el Instituto de Nanociencia y Materiales de Aragón (INMA) y el Donostia International Physics Center (DIPC), presentan en Nature Materials una herramienta que permite diseñar bajo demanda la propagación de nanoluz.
La estrategia aprovecha la posibilidad de exfoliar materiales que producen nanoluz, como el α-MoO3, en láminas muy delgadas y apilarlas con una orientación relativa controlada, como si fueran cartas de una baraja colocadas unas sobre otras y giradas entre sí. En estas estructuras, la dirección de propagación de la nanoluz depende del número y el material de las capas, de sus espesores y ángulos de giro, y de la frecuencia de la luz incidente. Este enfoque basado en el apilamiento sustenta el nuevo campo de la twistóptica, una área de la óptica de materiales 2D que estudia cómo las propiedades ópticas cambian al girar una capa de material respecto de otra. Sin embargo, el número de combinaciones crece rápidamente al añadir capas, lo que dificulta anticipar la propagación resultante mediante la intuición física. La inteligencia artificial permite abordar este espacio de diseño con múltiples variables. Uno de los aspectos más llamativos de esta capacidad es que invierte el procedimiento habitual: en lugar de partir de una estructura y calcular después cómo se propagará la luz, la red parte de la propagación deseada y propone varias configuraciones candidatas. Para ello, el equipo creó una red multirrama con la que pudo diseñar tricapas a partir de una bicapa de partida, así como patrones de propagación novedosos en regiones espectrales no exploradas hasta ahora y con distintos materiales. Para comprobar experimentalmente una de las predicciones de la red, utilizó microscopía óptica de campo cercano, una técnica que el equipo ha contribuido a consolidar durante la última década.
“Antes había que explorar muchas posibilidades tanto en la teoría como en el experimento. Ahora partimos de la propagación deseada y obtenemos varias estructuras candidatas en poco tiempo”, explica Lucía F. Álvarez-Tomillo, investigadora predoctoral de la Universidad de Oviedo y primera autora del estudio.
Mediante cálculos y simulaciones, la red propuso estructuras de α-MoO3 con bicanalización y tricanalización de la nanoluz, es decir, capaces de dirigirla en dos y tres direcciones, un comportamiento no observado hasta ahora. También predijo la canalización en bicapas de distintos materiales, con frecuencias de operación que abarcan desde el visible hasta los terahercios. “La automatización permite generar varias soluciones y explorar estructuras muy novedosas en tiempo récord”, señala José Álvarez-Cuervo, investigador predoctoral de la Universidad de Oviedo y coautor del artículo.
“Es importante destacar que la red neuronal no sustituye el modelo físico desarrollado previamente, sino que aprende de soluciones calculadas con él. Así identifica varias propuestas, que después se contrastan mediante simulaciones y, en casos seleccionados, mediante experimentos”, explica Luis Martín-Moreno, profesor de investigación del Instituto de Nanociencia y Materiales de Aragón (INMA, CSIC-Universidad de Zaragoza).
El trabajo se enmarca en el proyecto ERC Consolidator “TWISTOPTICS”, financiado por el Consejo Europeo de Investigación. “El siguiente paso es aplicar esta capacidad de diseño a dispositivos que permitan controlar el transporte de calor, transmitir información con luz a escala nanométrica o mejorar la respuesta de los sensores”, señala Pablo Alonso-González, investigador principal del proyecto y colíder del Grupo de Nano-Óptica Cuántica de la Universidad de Oviedo junto con Javier Martín-Sánchez.
