Los emisores térmicos selectivos de longitud de onda (WS-TE) se han diseñado con frecuencia para lograr espectros de emisividad objetivo deseados, como en la ingeniería de emisividad típica, para aplicaciones amplias como camuflaje térmico, enfriamiento radiativo y detección de gases, etc.
Sin embargo, los diseños anteriores requerían conocimientos previos de materiales o estructuras para diferentes aplicaciones, y los WS-TE diseñados generalmente varían de una aplicación a otra en términos de materiales y estructuras, por lo que no existe un marco de diseño general para la ingeniería de emisividad en diferentes aplicaciones. Además, los diseños anteriores no abordan el diseño simultáneo de materiales y estructuras, ya que fijan materiales para diseñar estructuras o fijan estructuras para seleccionar materiales adecuados.
En un nuevo artículo publicado en Light:Science &Applications , un equipo de científicos, dirigido por el profesor Run Hu de la Escuela de Energía e Ingeniería Eléctrica de la Universidad de Ciencia y Tecnología de Huazhong, China, y sus compañeros de trabajo han propuesto un marco general de aprendizaje profundo basado en el algoritmo de red de aprendizaje profundo Q (DQN) para diseño óptimo eficiente de WS-TE en diferentes aplicaciones.
Empleando este marco, diseñaron tres WS-TE multicapa para camuflaje térmico, enfriamiento radiativo y detección de gases, respectivamente. Los materiales de los WS-TE se seleccionan de forma autónoma mediante el algoritmo DQN de la misma biblioteca de materiales común de acuerdo con los espectros de emisividad objetivo de diferentes aplicaciones, y los parámetros estructurales se optimizan simultáneamente.
Los tres WS-TE diseñados presentan un rendimiento excelente, se fabrican y miden experimentalmente y los espectros de emisividad reales coinciden bien con el objetivo. Como tal, se demuestra que el marco propuesto es eficiente para lograr el diseño inverso de WS-TE dentro de un vasto espacio de diseño de optimización. Más importante aún, ofrece un marco general para la ingeniería de emisividad en diferentes aplicaciones y allana el camino para el diseño eficiente de problemas de optimización no lineal más allá de los metamateriales térmicos.
El marco propuesto es un enfoque de diseño general para la ingeniería de emisividad que es altamente escalable en todos los parámetros de diseño de los WS-TM, incluidos el material, la estructura, la dimensión y la función objetivo. El núcleo del marco es el algoritmo DQN que puede recibir varios parámetros de diseño y generar una decisión para actualizar esos parámetros. En la actualización iterativa continua, DQN aprende gradualmente cómo tomar decisiones apropiadas para finalmente lograr el diseño óptimo.
"Los méritos del algoritmo de Q-learning profundo son que puede (1) ofrecer un marco de diseño general para WS-TE más allá de estructuras multicapa unidimensionales; (2) seleccionar de forma autónoma materiales adecuados de una biblioteca de materiales construida por uno mismo y (3 ) optimizan de forma autónoma los parámetros estructurales para los espectros de emisividad objetivo", afirman los investigadores.
"Considerando los ocho materiales disponibles, esta configuración estructural da como resultado 8×7×50 5 =1,75×10 10 estructuras candidatas potenciales. La demanda de selección simultánea de materiales y optimización de la estructura, junto con el gran volumen de espacio de optimización, hace que el diseño manual sea poco práctico y presenta desafíos importantes para los métodos convencionales de aprendizaje automático", agregaron.
"Además, los parámetros de entrada del marco DQN son muy flexibles en materiales, estructuras, dimensiones y funciones objetivo, lo que ofrece una solución general a otros problemas de optimización no lineal más allá de la ingeniería de emisividad", afirmaron los científicos.
Más información: Shilv Yu et al, Marco general de aprendizaje profundo para ingeniería de emisividad, Luz:ciencia y aplicaciones (2023). DOI:10.1038/s41377-023-01341-w
Proporcionado por TranSpread
