Глубокое обучение

Научные отчеты, том 13, Номер статьи: 7382 (2023) Цитировать эту статью

669 Доступов

1 Альтметрика

Подробности о метриках

Микроструктуры с заданными свойствами имеют решающее значение для управления температурным режимом в аэрокосмической и космической технике. Из-за огромного количества переменных проектирования микроструктуры традиционные подходы к оптимизации материалов могут иметь трудоемкие процессы и ограниченные варианты использования. Здесь мы объединяем суррогатную оптическую нейронную сеть с обратной нейронной сетью и динамическую постобработку, чтобы сформировать обратный процесс проектирования агрегированной нейронной сети. Наша суррогатная сеть имитирует моделирование во временной области с конечной разностью (FDTD), развивая взаимосвязь между геометрией микроструктуры, длиной волны, свойствами дискретного материала и выходными оптическими свойствами. Суррогатный оптический решатель работает в тандеме с обратной нейронной сетью для прогнозирования свойств конструкции микроструктуры, которые будут соответствовать входному оптическому спектру. В отличие от традиционных подходов, которые ограничены выбором материала, наша сеть может определять новые свойства материала, которые лучше всего оптимизируют входной спектр и сопоставляют выходные данные с существующим материалом. Выходные данные оцениваются с использованием критических конструктивных ограничений, моделируются в FDTD и используются для повторного обучения суррогата, образуя цикл самообучения. Представленная структура применима к обратному проектированию различных оптических микроструктур, а подход, основанный на глубоком обучении, позволит проводить сложную и ограниченную пользователем оптимизацию контроля теплового излучения в будущих аэрокосмических и космических системах.

Инженерные поверхности на микроскопическом уровне позволяют контролировать взаимодействие вещества и света в материале и являются неотъемлемой частью развивающихся технологий в таких областях, как пассивное охлаждение под окружающей средой1,2,3,4, радиационный нагрев5,6 и термофотовольтаика7,8. Конструкция селективных излучателей для систем радиационного терморегулирования зависит от двух фотонных спектров длин волн (λ): от видимого (VIS) до ближнего инфракрасного (NIR) и среднего инфракрасного (MIR)1,4. Структуры пассивного охлаждения — материалы, которые могут пассивно охлаждаться ниже температуры окружающей среды — представляют собой поверхности, созданные из таких материалов, как полимеры2,3,9, композиты10,11,12 и графен13,14, чтобы максимизировать тепловое излучение в MIR и минимизировать поглощенное солнечное излучение (λ = 300–2500 нм) за счет увеличения отраженного солнечного излучения. Такие методы, как наноструктурирование15, гофрированные структуры6,16, материалы ядро-оболочка17,18 и периодические решетки16,19, могут использоваться для создания противоположного эффекта и увеличения теплопоглощения за счет улучшения антиотражающих свойств поверхности. Метод, который можно использовать для разработки материалов как для радиационного нагрева, так и для охлаждения, — это микромасштабное текстурирование поверхности «микропирамиды»20. Форма рельефной решетки, текстура микропирамиды обеспечивает антибликовые свойства благодаря значительному ограничению света за счет сочетания материала и геометрии20,21,22. Этот метод может значительно улучшить широкополосные антиотражающие свойства кремния23,24,25,26,27, металлов5,28,29,30,31,32, диэлектриков33 и полимеров34.

Проектирование и оптимизация структур для выборочного управления оптическими свойствами может оказаться серьезной и трудоемкой задачей. Помимо возможности многих степеней свободы в пространстве геометрического дизайна, выбор материала добавляет дополнительный уровень сложности. Решение проблемы взаимодействия между сложной геометрией и выбором материала может потребовать как значительных инвестиций в вычислительные ресурсы, так и специального численного метода, такого как решатель с конечной разностью во временной области (FDTD)35. Высокоэффективный метод, появившийся для устранения необходимости в сложных инструментах моделирования, — это использование глубокого обучения (DL) для прогнозирования оптических свойств. Методы ДО, являющиеся частью машинного обучения (МО), показали высокую степень нелинейной абстракции от наборов данных36 и позволяют решать сложные проблемы, такие как беспилотные автомобили37, распознавание речи38 и обработка естественного языка39. Глубокое обучение использовалось в области фотоники и нанофотоники для прогнозирования и моделирования таких проблем, как плазмонные взаимодействия36,40, решетчатые структуры41,42,43, частицы44,45 и наноструктуры46. DL также широко применяется в области теплотехники для изучения таких тем, как теплопроводность47, теплопередача при кипении48 и радиационная теплопередача49,50,51.