Design og validering af førsteklasses flerlags termisk emitter ved hjælp af maskinlæring

NIMS, universitetet i Tokyo, Niigata University og RIKEN har i fællesskab designet et flerlags metamateriale, der realiserer ultratrengbåndsbølgelængdeselektiv termisk emission ved at kombinere maskinindlæring (Bayesiansk optimering) og termiske emissionsegenskaber (elektromagnetisk beregning). Det fælles team fremstillede derefter eksperimentelt det designede metamateriale og verificerede ydelsen. Disse resultater kan lette udviklingen af ​​meget effektive energienheder.

Termisk stråling, et fænomen, at et objekt udsender varme som elektromagnetiske bølger, er potentielt anvendelig på en række forskellige energienheder, såsom bølgelængdeselektive varmeapparater, infrarøde sensorer og termofotovoltaiske generatorer. Meget effektive termiske emittere skal udvise emissionsspektrum med smalle bånd i praktisk anvendelige bølgelængdeområder. Udviklingen af ​​sådanne effektive termiske emittere har været målrettet af mange undersøgelser ved hjælp af metamaterialer, der kan manipulere elektromagnetiske bølger. Imidlertid, de fleste af dem har taget en tilgang til at karakterisere de materielle strukturer, der er valgt empirisk, det har været svært at identificere den optimale struktur fra et stort antal kandidater.

Den fælles forskningsgruppe udviklede en metode til at designe metamaterialestrukturer med optimal termisk strålingsydelse ved hjælp af en kombination af maskinlæring og beregning af termiske emissionsegenskaber. Dette projekt fokuserede på let at fremstille flerlags metamaterialestrukturer sammensat af tre typer materialer i 18 lag med varierende tykkelse. Anvendelse af denne metode til omkring otte milliarder kandidatstrukturer førte til forudsigelsen af, at en nanostruktur sammensat af ikke-periodisk arrangerede halvleder- og dielektriske materialer ville have overlegen termisk strålingsydelse, hvilket var i modstrid med den konventionelle viden. Derefter fremstillede forskergruppen faktisk metamaterialestrukturen og målte dens termiske emissionsspektrum, og viste derfor et ekstremt smalt termisk emissionsbånd. Målt i form af Q-faktoren (en parameter, der bruges til at måle bredden af ​​termiske emissionsspektrale bånd), den nydesignede nanostruktur producerede en Q-faktor tæt på 200, da 100 var blevet betragtet som den øvre grænse for konventionelle materialer - et usædvanligt smalt termisk emissionsspektralbånd.

Denne forskning demonstrerede effektiviteten af ​​maskinlæring ved udvikling af højeffektive metamaterialer med termisk emission. Udviklingen af ​​metamaterialer med ønskelige termiske emissionsspektre forventes at lette mere effektiv energiforbrug i hele samfundet. Fordi den udviklede nanostrukturdesignmetode kan anvendes til alle slags materialer, det kan tjene som et effektivt værktøj til design af højtydende materialer i fremtiden.

Denne undersøgelse blev offentliggjort i ACS Central Science .