Våglängdsselektiva termiska sändare (WS-TE) har ofta utformats för att uppnå önskade målemissivitetsspektra, som i typisk emissivitetsteknik, för breda tillämpningar som termisk kamouflage, strålningskylning och gasavkänning, etc.
Tidigare konstruktioner krävde dock förkunskaper om material eller strukturer för olika applikationer, och de designade WS-TE:erna varierar vanligtvis från applikation till applikation när det gäller material och strukturer, så det finns ingen generell designram för emissivitetsteknik över olika applikationer. Dessutom misslyckas tidigare konstruktioner med att hantera den samtidiga designen av både material och strukturer, eftersom de antingen fixerar material till designstrukturer eller fixerar strukturer för att välja lämpliga material.
I en ny artikel publicerad i Light:Science &Applications , ett team av forskare, ledda av professor Run Hu från School of Energy and Power Engineering, Huazhong University of Science and Technology, Kina, och kollegor har föreslagit ett allmänt ramverk för djupinlärning baserad på den djupa Q-learning-nätverksalgoritmen (DQN) för effektiv optimal design av WS-TEs över olika applikationer.
Med hjälp av detta ramverk designade de tre flerlagers WS-TE för termiskt kamouflage, strålningskylning och gasavkänning. Materialen i WS-TEs väljs autonomt av DQN-algoritmen från samma gemensamma materialbibliotek enligt målemissionsspektra för olika applikationer, och de strukturella parametrarna optimeras samtidigt.
De tre designade WS-TE:erna uppvisar alla utmärkta prestanda, som är experimentellt tillverkade och uppmätta och de faktiska emissivitetsspektra matchas väl med målet. Som sådan har det föreslagna ramverket visat sig vara effektivt för att uppnå omvänd design av WS-TE:er inom ett stort optimeringsdesignutrymme. Ännu viktigare, det erbjuder ett allmänt ramverk för emissivitetsteknik för olika applikationer och banar väg för effektiv design av icke-linjära optimeringsproblem bortom termiska metamaterial.
Det föreslagna ramverket är en allmän designstrategi för emissionsteknik som är mycket skalbar över designparametrarna för WS-TM, inklusive material, struktur, dimension och målfunktion. Kärnan i ramverket är DQN-algoritmen som kan ta emot olika designparametrar och mata ut ett beslut om att uppdatera dessa parametrar. I den kontinuerliga iterativa uppdateringen lär sig DQN gradvis hur man fattar lämpliga beslut för att äntligen uppnå den optimala designen.
"Fördelarna med den djupa Q-inlärningsalgoritmen är att den kan (1) erbjuda ett allmänt designramverk för WS-TEs bortom endimensionella flerskiktsstrukturer; (2) självständigt välja lämpliga material från ett egenbyggt materialbibliotek och (3) ) autonomt optimera strukturella parametrar för målemissivitetsspektra, säger forskarna.
"Med tanke på de åtta tillgängliga materialen leder denna strukturella konfiguration till 8×7×50 5 =1,75×10 10 potentiella kandidatstrukturer. Kravet på samtidig materialval och strukturoptimering, tillsammans med den stora volymen av optimeringsutrymme, gör manuell design opraktisk och ställer stora utmaningar för konventionella maskininlärningsmetoder", tillade de.
"Dessutom är ingångsparametrarna för DQN-ramverket mycket flexibla i material, strukturer, dimensioner och målfunktioner, och erbjuder en generell lösning på andra icke-linjära optimeringsproblem utöver emissivitetsteknik," sa forskarna.
Mer information: Shilv Yu et al, General Deep learning framework for emissivity engineering, Light:Science &Applications (2023). DOI:10.1038/s41377-023-01341-w
Tillhandahålls av TranSpread
