国际视野 2024-04-18 22:22

General deep learning f<em></em>ramework for emissivity engineering

波长选择性热发射器(WS-TEs)经常被设计为达到期望的目标发射率光谱,作为典型的发射率工程,广泛应用于热伪装、辐射冷却和气体传感等领域。

然而,以前的设计需要事先了解不同应用的材料或结构,并且所设计的ws - te通常因材料和结构而异,因此没有针对不同应用的发射率工程的通用设计框架。而且,以前的设计没有解决材料和结构的同时设计,不是固定材料来设计结构,就是固定结构来选择合适的材料。

在《光:科学与应用》杂志上发表的一篇新论文中,华中科技大学能源与动力工程学院胡然教授及其同事提出了一种基于深度q -学习网络算法(DQN)的通用深度学习框架,用于跨不同应用的WS-TEs高效优化设计。

采用该框架,他们设计了三种多层ws - te,分别用于热伪装、辐射冷却和气体传感。根据不同用途的目标发射率光谱,采用DQN算法从同一通用材料库中自主选择WS-TEs的材料,并对其结构参数进行优化。

三种设计的WS-TEs均表现出优异的性能,经实验制作和测量,实际发射光谱与目标吻合良好。因此,所提出的框架被证明在巨大的优化设计空间内实现ws - te的反向设计是有效的。更重要的是,它为不同应用的发射率工程提供了一个通用框架,并为热超材料以外的非线性优化问题的有效设计铺平了道路。

所建议的框架是用于发射性工程的通用设计方法,它在ws - tm的设计参数(包括材料、结构、尺寸和目标函数)之间具有高度可伸缩性。该框架的核心是DQN算法,该算法可以接收各种设计参数并输出更新这些参数的决策。在不断的迭代更新中,DQN逐渐学会如何做出合适的决策,最终达到最优设计。

“深度q -学习算法的优点在于它可以(1)为超越一维多层结构的ws - te提供一个通用的设计框架;(2)从自建的材料库中自主选择合适的材料;(3)自主优化目标发射率光谱的结构参数。”

“考虑到八种可用的材料,这种结构配置导致8×7×505= 1.75×1010潜在的候选结构。同时对材料选择和结构优化的需求,以及优化空间的巨大容量,使得人工设计变得不切实际,并对传统的机器学习方法提出了重大挑战。”

“此外,DQN框架的输入参数在材料、结构、尺寸和目标函数方面具有高度的灵活性,为辐射率工程以外的其他非线性优化问题提供了一般解决方案,”科学家们说。