Bølgelængde-selektive termiske emittere (WS-TE'er) er ofte blevet designet til at opnå ønskede målemissionsspektre, som i typisk emissivitetsteknik, til brede anvendelser såsom termisk camouflage, strålingskøling og gassensing osv.
Tidligere designs krævede dog forudgående viden om materialer eller strukturer til forskellige applikationer, og de designede WS-TE'er varierer normalt fra applikation til applikation med hensyn til materialer og strukturer, således er der ingen generel designramme for emissivitetsteknik på tværs af forskellige applikationer. Desuden klarer tidligere designs ikke det samtidige design af både materialer og strukturer, da de enten fikserer materialer til designstrukturer eller fikserer strukturer for at vælge passende materialer.
I et nyt papir offentliggjort i Light:Science &Applications , et team af videnskabsmænd, ledet af professor Run Hu fra School of Energy and Power Engineering, Huazhong University of Science and Technology, Kina, og kolleger har foreslået en generel deep learning-ramme baseret på den dybe Q-læringsnetværksalgoritme (DQN) for effektivt optimalt design af WS-TE'er på tværs af forskellige applikationer.
Ved at bruge denne ramme designet de tre flerlags WS-TE'er til henholdsvis termisk camouflage, strålingskøling og gassensing. Materialerne i WS-TE'erne vælges autonomt af DQN-algoritmen fra det samme fælles materialebibliotek i henhold til målemissionsspektrene for forskellige applikationer, og de strukturelle parametre optimeres samtidigt.
De tre designede WS-TE'er har alle fremragende ydeevne, som er eksperimentelt fremstillet og målt, og de faktiske emissivitetsspektre matcher godt med målet. Som sådan er den foreslåede ramme vist at være effektiv til at opnå omvendt design af WS-TE'er inden for et stort optimeringsdesignrum. Endnu vigtigere, det tilbyder en generel ramme for emissivitetsteknik på tværs af forskellige applikationer og baner vejen for det effektive design af ikke-lineære optimeringsproblemer ud over termiske metamaterialer.
Den foreslåede ramme er en generel designtilgang til emissivitetsteknik, der er meget skalerbar på tværs af designparametrene for WS-TM'erne, herunder materiale, struktur, dimension og målfunktion. Kernen i rammen er DQN-algoritmen, der kan modtage forskellige designparametre og udlæse en beslutning om at opdatere disse parametre. I den løbende iterative opdatering lærer DQN gradvist, hvordan man træffer passende beslutninger for endelig at opnå det optimale design.
"Fordelene ved den dybe Q-læringsalgoritme er, at den kan (1) tilbyde en generel designramme for WS-TE'er ud over endimensionelle flerlagsstrukturer; (2) selvstændigt vælge passende materialer fra et selvbygget materialebibliotek og (3) ) autonomt optimere strukturelle parametre for målemissionsspektrene," fastslår forskerne.
"I betragtning af de otte tilgængelige materialer, fører denne strukturelle konfiguration til 8×7×50 5 =1,75×10 10 potentielle kandidatstrukturer. Kravet om samtidig materialevalg og strukturoptimering, sammen med den store mængde optimeringsplads, gør manuel design upraktisk og udgør betydelige udfordringer for konventionelle maskinlæringsmetoder," tilføjede de.
"Derudover er inputparametrene i DQN-rammen meget fleksible i materialer, strukturer, dimensioner og målfunktionerne, hvilket tilbyder en generel løsning på andre ikke-lineære optimeringsproblemer ud over emissivitetsteknik," sagde forskerne.
Flere oplysninger: Shilv Yu et al., Generel deep learning framework for emissivity engineering, Light:Science &Applications (2023). DOI:10.1038/s41377-023-01341-w
Leveret af TranSpread
Sidste artikelNeuralt netværk assisteret høj-spatial opløsning polarimetri med ikke-interleaved chirale metasurfaces
Næste artikelStabil intens superkontinuum lysgenerering fra 1kHz femtosekund laserfilamentering i luft