Machine learning reveals complex behaviours in optically trapped particles

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: onr:"swepub:oai:gup.ub.gu.se/303031" > Machine learning re...

1 av 1
Föregående post
Nästa post
Till träfflistan

Lenton, Isaac (författare)

Machine learning reveals complex behaviours in optically trapped particles

Artikel/kapitelEngelska2020

Förlag, utgivningsår, omfång ...

2020-10-08
IOP Publishing,2020

Nummerbeteckningar

LIBRIS-ID:oai:gup.ub.gu.se/303031
https://gup.ub.gu.se/publication/303031URI
https://doi.org/10.1088/2632-2153/abae76DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

Since their invention in the 1980s, optical tweezers have found a wide range of applications, from biophotonics and mechanobiology to microscopy and optomechanics. Simulations of the motion of microscopic particles held by optical tweezers are often required to explore complex phenomena and to interpret experimental data. For the sake of computational efficiency, these simulations usually model the optical tweezers as an harmonic potential. However, more physically-accurate optical-scattering models are required to accurately model more onerous systems; this is especially true for optical traps generated with complex fields. Although accurate, these models tend to be prohibitively slow for problems with more than one or two degrees of freedom (DoF), which has limited their broad adoption. Here, we demonstrate that machine learning permits one to combine the speed of the harmonic model with the accuracy of optical-scattering models. Specifically, we show that a neural network can be trained to rapidly and accurately predict the optical forces acting on a microscopic particle. We demonstrate the utility of this approach on two phenomena that are prohibitively slow to accurately simulate otherwise: the escape dynamics of swelling microparticles in an optical trap, and the rotation rates of particles in a superposition of beams with opposite orbital angular momenta. Thanks to its high speed and accuracy, this method can greatly enhance the range of phenomena that can be efficiently simulated and studied.

Ämnesord och genrebeteckningar

NATURVETENSKAP Fysik hsv//swe
NATURAL SCIENCES Physical Sciences hsv//eng

Biuppslag (personer, institutioner, konferenser, titlar ...)

Volpe, Giovanni,1979Gothenburg University,Göteborgs universitet,Institutionen för fysik (GU),Department of Physics (GU)(Swepub:gu)xvolgi (författare)
Stilgoe, Alexander (författare)
Nieminen, Timo (författare)
Rubenzstein-Dunlop, Halina (författare)
Göteborgs universitetInstitutionen för fysik (GU) (creator_code:org_t)

Sammanhörande titlar

Ingår i:Machine Learning: Science and Technology: IOP Publishing1:42632-2153

Internetlänk

Hitta via bibliotek

Machine Learning: Science and Technology (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Lenton, Isaac; Volpe, Giovanni, ...; Stilgoe, Alexand ...; Nieminen, Timo; Rubenzstein-Dunl ...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Fysik

Artiklar i publikationen: Machine Learning ...

Av lärosätet: Göteborgs universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se