Aprendizado profundo

Scientific Reports volume 13, Número do artigo: 7382 (2023) Citar este artigo

669 acessos

1 Altmétrica

Detalhes das métricas

As microestruturas com propriedades projetadas são críticas para o gerenciamento térmico em aplicações aeroespaciais e espaciais. Devido ao grande número de variáveis ​​de projeto de microestrutura, as abordagens tradicionais para otimização de materiais podem ter processos demorados e casos de uso limitados. Aqui, combinamos uma rede neural óptica substituta com uma rede neural inversa e pós-processamento dinâmico para formar um processo de design inverso de rede neural agregada. Nossa rede substituta emula simulações de domínio de tempo de diferenças finitas (FDTD) desenvolvendo uma relação entre a geometria da microestrutura, o comprimento de onda, as propriedades discretas do material e as propriedades ópticas de saída. O solucionador óptico substituto funciona em conjunto com uma rede neural inversa para prever as propriedades de design de uma microestrutura que corresponderão a um espectro óptico de entrada. Ao contrário das abordagens convencionais que são limitadas pela seleção de materiais, nossa rede pode identificar novas propriedades de materiais que melhor otimizam o espectro de entrada e combinam a saída com um material existente. A saída é avaliada usando restrições críticas de projeto, simuladas em FDTD e usadas para retreinar o substituto — formando um ciclo de autoaprendizagem. A estrutura apresentada é aplicável ao design inverso de várias microestruturas ópticas, e a abordagem derivada de aprendizado profundo permitirá uma otimização complexa e restrita ao usuário para controle de radiação térmica em futuros sistemas aeroespaciais e espaciais.

As superfícies de engenharia no nível microscópico permitem o controle sobre as interações matéria-luz do material e são parte integrante das tecnologias em evolução em áreas como resfriamento passivo subambiente1,2,3,4, aquecimento radiativo5,6 e termofotovoltaico7,8. O projeto de emissores seletivos para sistemas de gerenciamento térmico radiativo depende de dois espectros fotônicos de comprimento de onda (λ): o visível (VIS) ao infravermelho próximo (NIR) e o infravermelho médio (MIR)1,4. Estruturas de resfriamento passivo - materiais que podem resfriar passivamente abaixo da temperatura ambiente - são superfícies projetadas a partir de materiais como polímeros2,3,9, compósitos10,11,12 e grafeno13,14 para maximizar a emissão térmica no MIR e minimizar a radiação solar absorvida (λ = 300–2500 nm) aumentando a radiação solar refletida. Métodos como nanoestruturação15, estruturas onduladas6,16, materiais núcleo-casca17,18 e grades periódicas16,19 podem ser usados ​​para induzir o efeito oposto e aumentar a absorção térmica ao aprimorar o comportamento antirreflexo de uma superfície. Um método que pode ser usado para projetar materiais radiativos de aquecimento e resfriamento é a texturização de superfície em micropirâmide em microescala20. Uma forma de grade de relevo de superfície, a texturização de micropirâmide induz propriedades anti-reflexo devido ao confinamento significativo de luz através da combinação de material e geometria20,21,22. Este método pode melhorar significativamente as propriedades antirreflexo de banda larga em silício23,24,25,26,27, metais5,28,29,30,31,32, dielétricos33 e polímeros34.

Projetar e otimizar estruturas para controlar seletivamente as propriedades ópticas pode ser um desafio significativo e demorado. Além do potencial para muitos graus de liberdade no espaço do desenho geométrico, a seleção de materiais adiciona um nível adicional de complexidade. Resolver a interação entre uma geometria complexa e a seleção de materiais pode exigir um investimento significativo em recursos computacionais e um método numérico dedicado, como um solucionador de domínio do tempo de diferenças finitas (FDTD)35. Um método altamente eficaz que surgiu para neutralizar a necessidade de ferramentas de simulação complexas é o uso de Deep Learning (DL) para prever propriedades ópticas. Um ramo do aprendizado de máquina (ML), os métodos de DL demonstraram ter um alto grau de abstração não linear de conjuntos de dados36 e abordar questões complexas, como carros autônomos37, reconhecimento de fala38 e processamento de linguagem natural39. Deep Learning tem sido usado no campo da fotônica e nanofotônica para prever e modelar problemas como interações plasmônicas36,40, estruturas de grade41,42,43, partículas44,45 e nanoestruturas46. O DL também foi amplamente aplicado no campo da engenharia térmica para estudar tópicos como condutividade térmica47, transferência de calor por ebulição48 e transporte térmico radiativo49,50,51.