Un marco general de aprendizaje profundo para la ingeniería de emisiones.

Los emisores térmicos selectivos de longitud de onda (WS-TE) se diseñan frecuentemente para lograr un espectro de radiación objetivo deseado. Como en la ingeniería radiológica general. Para uso amplio, como camuflaje térmico. Enfriamiento por radiación y detección de gases, etc.

Sin embargo, los diseños previos requieren conocimientos previos de materiales o estructuras para diferentes aplicaciones, y los WS-TE diseñados a menudo varían de una aplicación a otra en términos de materiales y estructura. Por lo tanto, no existe un marco de diseño común para diseñar emisiones radiativas en diferentes aplicaciones y, además, los diseños anteriores no han abordado el diseño de materiales y estructuras simultáneamente. Esto se debe a que pueden modificar el material para diseñar la estructura o modificar la estructura para seleccionar el material apropiado.

En un nuevo artículo publicado en Luz: ciencia y aplicacionesUn equipo de científicos dirigido por el profesor Run Hu de la Escuela de Energía e Ingeniería Eléctrica de la Universidad de Ciencia y Tecnología de Huazhong (China) y sus colegas propusieron un marco general de aprendizaje profundo basado en el algoritmo de red profunda Q-learning (DQN) para lograr un rendimiento óptimo. y diseño WS-TE eficiente en diversas aplicaciones.

Al utilizar este marco Diseñaron tres WS-TE multicapa para camuflaje térmico. Enfriamiento por radiación y detección de gas, respectivamente. Los materiales WS-TE se seleccionan automáticamente mediante el algoritmo DQN de la misma biblioteca de materiales general en función de los espectros de radiación objetivo de diferentes aplicaciones. y los parámetros estructurales se optimizan simultáneamente.

Los tres diseños de WS-TE ofrecen un rendimiento excelente. que ha sido inventado y medido a través de la experimentación. Y el espectro de radiación real coincide bien con el objetivo. Como resultado, el marco propuesto demuestra ser eficaz en el diseño de WS-TE inversos dentro de un gran espacio de diseño de optimización. Más importante aún, ofrece un marco general para diseñar emisiones de radiación en diferentes aplicaciones. y allana el camino para el diseño eficiente de problemas de optimización no lineal más allá de los metamateriales térmicos.

El marco propuesto es un enfoque de diseño general para la ingeniería radiológica que es altamente escalable en todos los parámetros de diseño del WS-TM, incluidos el material, la estructura, las dimensiones y la función objetivo. El núcleo del marco es el algoritmo DQN que puede derivar varios parámetros de diseño. y exportar la decisión de actualizar esos parámetros. En continuas actualizaciones iterativas, DQN aprende gradualmente a tomar decisiones adecuadas para lograr un diseño óptimo.

«La ventaja del algoritmo de Q-learning profundo es que puede (1) ofrecer un marco de diseño general para WS-TE más allá de estructuras multicapa unidimensionales; (2) seleccionar materiales apropiados de una biblioteca de materiales personalizada mediante y (3 ) ) optimiza automáticamente los parámetros estructurales para el espectro de radiación objetivo”, dijeron los investigadores.

“Considerando los ocho materiales disponibles, esta configuración estructural da como resultado un tamaño de 8×7×50.⁵= 1,75×10¹⁰ Estructura de candidatos potenciales La necesidad de seleccionar materiales y optimizar la estructura simultáneamente, junto con la cantidad real de espacio optimizado. Esto hace que el diseño manual sea poco práctico. y presenta desafíos importantes para los métodos tradicionales de aprendizaje automático”, agregaron.

“Además, los parámetros de entrada del marco DQN son muy flexibles en términos de material, estructura, tamaño y función objetivo. Ofrece una solución general a otros problemas de optimización no lineal. más allá de la ingeniería radiológica”, afirmó el científico.