Emissores térmicos seletivos de comprimento de onda (WS-TEs) têm sido frequentemente projetados para atingir espectros de emissividade alvo desejados, como na engenharia de emissividade típica, para aplicações amplas, como camuflagem térmica, resfriamento radiativo e detecção de gás, etc.



No entanto, os projetos anteriores exigiam conhecimento prévio de materiais ou estruturas para diferentes aplicações, e os WS-TEs projetados geralmente variam de aplicação para aplicação em termos de materiais e estruturas, portanto, não existe uma estrutura geral de projeto para engenharia de emissividade em diferentes aplicações. Além disso, os projetos anteriores não conseguem abordar o projeto simultâneo de materiais e estruturas, uma vez que fixam materiais em estruturas de projeto ou fixam estruturas para selecionar materiais adequados.

Em um novo artigo publicado em Light:Science &Applications , uma equipe de cientistas, liderada pelo professor Run Hu da Escola de Energia e Engenharia de Energia da Universidade Huazhong de Ciência e Tecnologia, China, e colegas de trabalho propuseram uma estrutura geral de aprendizagem profunda baseada no algoritmo de rede Q-learning profundo (DQN) para design ideal e eficiente de WS-TEs em diferentes aplicações.

Empregando esta estrutura, eles projetaram três WS-TEs multicamadas para camuflagem térmica, resfriamento radiativo e detecção de gás, respectivamente. Os materiais dos WS-TEs são selecionados autonomamente pelo algoritmo DQN da mesma biblioteca de materiais comuns de acordo com os espectros de emissividade alvo de diferentes aplicações, e os parâmetros estruturais são otimizados simultaneamente.

Todos os três WS-TEs projetados apresentam excelente desempenho, que são fabricados e medidos experimentalmente e os espectros de emissividade reais combinam bem com o alvo. Como tal, a estrutura proposta demonstra ser eficiente na obtenção de projeto reverso de WS-TEs dentro de um vasto espaço de projeto de otimização. Mais importante, oferece uma estrutura geral para engenharia de emissividade em diferentes aplicações e abre caminho para o projeto eficiente de problemas de otimização não linear além dos metamateriais térmicos.

A estrutura proposta é uma abordagem geral de projeto para engenharia de emissividade que é altamente escalável em todos os parâmetros de projeto dos WS-TMs, incluindo material, estrutura, dimensão e função alvo. O núcleo da estrutura é o algoritmo DQN que pode receber vários parâmetros de projeto e gerar uma decisão para atualizar esses parâmetros. Na atualização iterativa contínua, o DQN aprende gradualmente como tomar decisões apropriadas para finalmente alcançar o design ideal.

"Os méritos do algoritmo Q-learning profundo são que ele pode (1) oferecer uma estrutura de design geral para WS-TEs além de estruturas multicamadas unidimensionais; (2) selecionar autonomamente materiais adequados de uma biblioteca de materiais autoconstruída e (3 ) otimizar de forma autônoma os parâmetros estruturais para os espectros de emissividade alvo", afirmam os pesquisadores.

“Considerando os oito materiais disponíveis, esta configuração estrutural leva a 8×7×50 ⁵ =1,75×10 ¹⁰ estruturas candidatas potenciais. A demanda simultânea de seleção de materiais e otimização de estrutura, juntamente com o grande volume de espaço de otimização, torna o projeto manual impraticável e apresenta desafios significativos aos métodos convencionais de aprendizado de máquina", acrescentaram.

“Além disso, os parâmetros de entrada da estrutura DQN são altamente flexíveis em materiais, estruturas, dimensões e funções alvo, oferecendo uma solução geral para outros problemas de otimização não linear além da engenharia de emissividade”, disseram os cientistas.

Mais informações: Shilv Yu et al, Estrutura geral de aprendizagem profunda para engenharia de emissividade, Light:Science &Applications (2023). DOI:10.1038/s41377-023-01341-w
Fornecido por TranSpread