自然界中看到的許多複雜模式都是在對稱性被破壞時出現的。當系統從高度對稱的狀態轉變為更加有序的狀態時。也可能出現小但穩定的異常。這些特性稱為拓撲缺陷。它們的尺寸相差很大。從宇宙的結構到常見的材料。這是因為它們的出現與順序無關。因此，它們為科學家提供了一種了解複雜系統如何組織自身的強大方法。
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，同時仍指向大致相同的方向。這種組合使得液晶易於控制和觀察。它使研究人員能夠跟踪缺陷如何隨著時間的推移出現、變化和重組。傳統上，科學家們使用朗道-德熱內斯理論來描述這些結構，該理論是一種數學框架，可以解釋分子順序如何在有缺陷的核心內崩潰。方向不再有明確的定義。
人工智能介入加速缺陷預測
由韓國忠南國立大學的 Jun-Hee Na 教授領導的研究人員。引入了一種使用深度學習預測穩定缺陷模式的更快方法。他們的工作用基於人工智能的計算取代了緩慢而昂貴的數值模擬，可以更快地產生結果。
該方法發表在《Small》雜誌上，可以在幾毫秒內生成預測。而不是典型模擬所需的時間。
“我們的方法通過快速可靠的預測來補充緩慢的模擬。這有助於系統地探索有缺陷的治理系統，”那教授說。
在深度學習模型中
該團隊使用 3D U-Net 架構構建該系統，這是一種常用於科學和醫學圖像分析的捲積神經網絡。這種設計使模型能夠識別大範圍的對準和與故障相關的局部細節。該框架不使用逐步模擬，而是直接將邊界條件與最終平衡狀態聯繫起來。邊界信息被發送到網絡。它預測整個分子排列場。這包括缺陷的形狀和位置。
為了訓練這個模型，研究人員使用了涵蓋各種對準情況的傳統模擬數據。該網絡可以準確預測所有以前從未遇到過的新配置。這些預測與模擬和實驗室實驗的結果非常吻合。
複雜的缺陷管理和集成
該模型不依賴清晰的物理方程，而是直接從數據中學習材料行為。這為處理特別複雜的情況提供了靈活性。這包括高階拓撲缺陷。其中缺陷可以合併、分離或重新排列。實驗證實AI正確捕捉到了這些行為。事實證明，它可以在各種條件下可靠地工作。
更快獲得先進材料的途徑
這是因為這種方法可以讓科學家快速探索許多設計的可能性。它還為設計具有精心控制的缺陷結構的材料創造了新的機會。這些功能對於先進光學器件和超材料尤其有價值。
“人工智能驅動的設計將顯著縮短材料開發過程。它可以加速各種應用的智能材料的創建。從全息顯示和 VR 或 AR 到自適應光學系統，以及對環境做出響應的智能窗戶，”那教授說。
