Les émetteurs thermiques sélectifs en longueur d'onde (WS-TE) ont souvent été conçus pour atteindre les spectres d'émissivité cibles souhaités, comme dans l'ingénierie d'émissivité typique, pour de larges applications telles que le camouflage thermique, le refroidissement radiatif et la détection de gaz, etc.
Cependant, les conceptions précédentes nécessitaient une connaissance préalable des matériaux ou des structures pour différentes applications, et les WS-TE conçus varient généralement d'une application à l'autre en termes de matériaux et de structures. Il n'existe donc pas de cadre de conception général pour l'ingénierie de l'émissivité dans différentes applications. De plus, les conceptions précédentes ne parviennent pas à aborder la conception simultanée des matériaux et des structures, car soit elles fixent les matériaux pour concevoir les structures, soit elles fixent les structures pour sélectionner les matériaux appropriés.
Dans un nouvel article publié dans Light :Science &Applications , une équipe de scientifiques dirigée par le professeur Run Hu de l'École d'ingénierie énergétique et électrique de l'Université des sciences et technologies de Huazhong, en Chine, et ses collègues ont proposé un cadre général d'apprentissage profond basé sur l'algorithme de réseau d'apprentissage profond (DQN) pour conception optimale et efficace des WS-TE dans différentes applications.
En utilisant ce cadre, ils ont conçu trois WS-TE multicouches pour le camouflage thermique, le refroidissement radiatif et la détection de gaz, respectivement. Les matériaux des WS-TE sont sélectionnés de manière autonome par l'algorithme DQN à partir de la même bibliothèque de matériaux commune en fonction des spectres d'émissivité cibles de différentes applications, et les paramètres structurels sont optimisés simultanément.
Les trois WS-TE conçus présentent tous d'excellentes performances, qui sont fabriquées et mesurées expérimentalement et les spectres d'émissivité réels correspondent bien à la cible. En tant que tel, le cadre proposé s’avère efficace pour réaliser une conception inversée de WS-TE dans un vaste espace de conception d’optimisation. Plus important encore, il offre un cadre général pour l'ingénierie de l'émissivité dans différentes applications et ouvre la voie à la conception efficace de problèmes d'optimisation non linéaires au-delà des métamatériaux thermiques.
Le cadre proposé est une approche de conception générale pour l'ingénierie de l'émissivité qui est hautement évolutive pour tous les paramètres de conception des WS-TM, notamment le matériau, la structure, la dimension et la fonction cible. Le cœur du cadre est l'algorithme DQN qui peut recevoir divers paramètres de conception et produire une décision de mise à jour de ces paramètres. Dans la mise à jour itérative continue, DQN apprend progressivement à prendre les décisions appropriées pour finalement atteindre la conception optimale.
"Les mérites de l'algorithme Q-learning profond sont qu'il peut (1) offrir un cadre de conception général pour les WS-TE au-delà des structures multicouches unidimensionnelles ; (2) sélectionner de manière autonome des matériaux appropriés à partir d'une bibliothèque de matériaux auto-construite et (3 ) optimisent de manière autonome les paramètres structurels pour les spectres d'émissivité cibles", déclarent les chercheurs.
"Considérant les huit matériaux disponibles, cette configuration structurelle conduit à 8×7×50 5 =1,75×10 10 structures candidates potentielles. L'exigence simultanée de sélection des matériaux et d'optimisation de la structure, ainsi que le volume considérable de l'espace d'optimisation, rendent la conception manuelle peu pratique et présentent des défis importants pour les méthodes conventionnelles d'apprentissage automatique", ont-ils ajouté.
"De plus, les paramètres d'entrée du cadre DQN sont très flexibles en termes de matériaux, de structures, de dimensions et de fonctions cibles, offrant une solution générale à d'autres problèmes d'optimisation non linéaire au-delà de l'ingénierie de l'émissivité", ont déclaré les scientifiques.
Plus d'informations : Shilv Yu et al, Cadre général d'apprentissage profond pour l'ingénierie de l'émissivité, Light :Science &Applications (2023). DOI :10.1038/s41377-023-01341-w
Fourni par TranSpread
