NIMS, universitetet i Tokyo, Niigata University och RIKEN har tillsammans designat ett flerskiktsmetamaterial som realiserar ultrasmalbandsvåglängdsselektiv termisk emission genom att kombinera beräkningar av maskininlärning (bayesiansk optimering) och termiska emissionsegenskaper (elektromagnetisk beräkning). Det gemensamma teamet tillverkade sedan experimentellt det designade metamaterialet och verifierade prestandan. Dessa resultat kan underlätta utvecklingen av högeffektiva energiapparater.

Värmestrålning, ett fenomen att ett föremål avger värme som elektromagnetiska vågor, är potentiellt tillämpbar på en mängd olika energienheter, såsom våglängdsselektiva värmare, infraröda sensorer och termofotovoltaiska generatorer. Mycket effektiva termiska sändare måste uppvisa emissionsspektrum med smala band i praktiskt taget användbart våglängdsområde. Utvecklingen av sådana effektiva värmesändare har varit målet för många undersökningar som använder metamaterial som kan manipulera elektromagnetiska vågor. Dock, de flesta av dem har använt sig av att karakterisera de materialstrukturer som valts empiriskt, det har varit svårt att identifiera den optimala strukturen från ett stort antal kandidater.

Den gemensamma forskargruppen utvecklade en metod för att designa metamaterialstrukturer med optimal värmestrålningsprestanda med hjälp av en kombination av maskininlärning och beräkning av termiska emissionsegenskaper. Detta projekt fokuserade på lätttillverkade flerskiktiga metamaterialstrukturer sammansatta av tre typer av material i 18 lager av varierande tjocklek. Tillämpning av denna metod på cirka åtta miljarder kandidatstrukturer ledde till förutsägelsen att en nanostruktur bestående av icke-periodiskt arrangerade halvledare och dielektriska material skulle ha överlägsen termisk strålningsprestanda, vilket stred mot den konventionella kunskapen. Sedan tillverkade forskargruppen faktiskt metamaterialstrukturen och mätte dess termiska emissionsspektrum, och visade följaktligen ett extremt smalt termiskt emissionsband. Mätt i termer av Q-faktorn (en parameter som används för att mäta bredden på termiska emissionsspektrala band), den nydesignade nanostrukturen producerade en Q-faktor nära 200, när 100 hade ansetts vara den övre gränsen för konventionella material – ett exceptionellt smalt termiskt emissionsspektralband.

Denna forskning visade effektiviteten av maskininlärning för att utveckla högeffektiva termiska emissionsmetamaterial. Utvecklingen av metamaterial med önskvärda termiska emissionsspektra förväntas underlätta en effektivare energianvändning i hela samhället. Eftersom den utvecklade nanostrukturdesignmetoden är tillämpbar på alla typer av material, det kan fungera som ett effektivt verktyg för design av högpresterande material i framtiden.

Denna studie publicerades i ACS Central Science .