了解物质如何与光相互作用(其光学特性)对于多种能源和生物医学技术至关重要，例如靶向药物输送，量子点，燃料燃烧和生物质裂解。但是计算这些特性需要大量的计算，而反问题(设计具有所需光学特性的结构)则更加困难。
现在，伯克利实验室的科学家已经开发出一种机器学习模型，可以用于两个问题-计算已知结构的光学特性，反之，设计具有所需光学特性的结构。他们的研究发表在Cell Reports Physical Science上。
通讯作者肖恩·卢布纳(Sean Lubner)表示：“我们的模型双向准确执行，其解释从质量上恢复了金属和介电材料与光相互作用的物理原理。”
Lubner指出，在自然界中，了解辐射特性(包括光学特性)对于计算诸如黑碳之类的气溶胶对气候变化的影响同样重要。
本研究中提出的机器学习模型是根据光谱发射率数据进行训练的，该数据来自可通过实验制造的各种形状和材料的近16,000个粒子。
“与传统的逆向设计方法相比，我们的机器学习模型将逆向设计过程加快了至少两到三个数量级，”合著者Ravi Prasher说，他也是伯克利实验室能源技术副总监。
伯克利实验室能源技术专区的所有科学家Mahmoud Elzouka，Charles Yang和Adrian Albert也是合著者。