Allgemeines Deep-Learning-Framework für das Emissionsgrad-Engineering

Wellenlängenselektive thermische Emitter (WS-TEs) wurden häufig entwickelt, um gewünschte Ziel-Emissionsspektren zu erreichen, wie in der typischen Emissionsgrad-Technik, für breite Anwendungen wie thermische Tarnung, Strahlungskühlung und Gaserkennung usw.

Frühere Entwürfe erforderten jedoch Vorkenntnisse über Materialien oder Strukturen für verschiedene Anwendungen, und die entworfenen WS-TEs unterscheiden sich in der Regel von Anwendung zu Anwendung hinsichtlich Materialien und Strukturen, sodass es keinen allgemeinen Entwurfsrahmen für die Emissionsgradentwicklung bei verschiedenen Anwendungen gibt. Darüber hinaus versäumen frühere Entwürfe die gleichzeitige Gestaltung von Materialien und Strukturen, da sie entweder Materialien festlegen, um Strukturen zu entwerfen, oder Strukturen festlegen, um geeignete Materialien auszuwählen.

In einem neuen Papier veröffentlicht in Licht: Wissenschaft und Anwendungenein Team von Wissenschaftlern unter der Leitung von Professor Run Hu von der School of Energy and Power Engineering der Huazhong University of Science and Technology, China, und Kollegen haben ein allgemeines Deep-Learning-Framework vorgeschlagen, das auf dem Deep-Q-Learning-Netzwerkalgorithmus (DQN) basiert Effizientes, optimales Design von WS-TEs für verschiedene Anwendungen.

Mithilfe dieses Rahmenwerks entwarfen sie drei mehrschichtige WS-TEs für thermische Tarnung, Strahlungskühlung bzw. Gaserkennung. Die Materialien der WS-TEs werden durch den DQN-Algorithmus autonom aus derselben gemeinsamen Materialbibliothek gemäß den Zielemissionsspektren verschiedener Anwendungen ausgewählt und die Strukturparameter werden gleichzeitig optimiert.

Die drei entwickelten WS-TEs weisen alle eine hervorragende Leistung auf, wurden experimentell hergestellt und gemessen und die tatsächlichen Emissionsspektren stimmen gut mit dem Ziel überein. Somit hat sich gezeigt, dass das vorgeschlagene Framework effizient ist, um ein umgekehrtes Design von WS-TEs innerhalb eines riesigen Optimierungsdesignraums zu erreichen. Noch wichtiger ist, dass es einen allgemeinen Rahmen für das Emissionsgrad-Engineering für verschiedene Anwendungen bietet und den Weg für die effiziente Gestaltung nichtlinearer Optimierungsprobleme über thermische Metamaterialien hinaus ebnet.

Das vorgeschlagene Framework ist ein allgemeiner Entwurfsansatz für die Emissionstechnik, der über die Entwurfsparameter der WS-TMs, einschließlich Material, Struktur, Dimension und Zielfunktion, hoch skalierbar ist. Der Kern des Frameworks ist der DQN-Algorithmus, der verschiedene Designparameter empfangen und eine Entscheidung zur Aktualisierung dieser Parameter ausgeben kann. In der kontinuierlichen iterativen Aktualisierung lernt DQN nach und nach, geeignete Entscheidungen zu treffen, um schließlich das optimale Design zu erreichen.

„Die Vorzüge des Deep-Q-Learning-Algorithmus bestehen darin, dass er (1) einen allgemeinen Entwurfsrahmen für WS-TEs bieten kann, der über eindimensionale mehrschichtige Strukturen hinausgeht; (2) autonom geeignete Materialien aus einer selbst erstellten Materialbibliothek auswählen kann und (3 ) optimieren selbstständig Strukturparameter für die Ziel-Emissionsspektren“, erklären die Forscher.

„In Anbetracht der acht verfügbaren Materialien führt diese Strukturkonfiguration zu 8×7×505 = 1,75×1010 potenziellen Kandidatenstrukturen. Die Forderung nach gleichzeitiger Materialauswahl und Strukturoptimierung, zusammen mit dem schieren Volumen des Optimierungsraums, macht manuelles Design unpraktisch und stellt Probleme dar.“ stellen erhebliche Herausforderungen für herkömmliche Methoden des maschinellen Lernens dar“, fügten sie hinzu.

„Darüber hinaus sind die Eingabeparameter des DQN-Frameworks in Bezug auf Materialien, Strukturen, Abmessungen und Zielfunktionen äußerst flexibel und bieten eine allgemeine Lösung für andere nichtlineare Optimierungsprobleme, die über das Emissionsgrad-Engineering hinausgehen“, sagten die Wissenschaftler.