发布时间：2024-02-27 17:21:08 栏目：精选百科
作为一种典型的发射率工程，波长选择性热发射器 (WS-TE) 经常被设计来实现所需的目标发射率光谱，适用于热伪装、辐射冷却和气体传感等广泛应用。然而，以前的设计需要事先进行设计对不同应用的材料或结构的了解以及设计的 WS-TE 通常在材料和结构方面因应用而异，因此缺乏跨不同应用的发射率工程的通用设计框架。此外，以前的设计未能解决材料和结构的同时设计，因为它们要么固定材料来设计结构，要么固定结构来选择合适的材料。
华中科技大学能源与动力工程学院胡润教授领导的科学家团队在《光科学与应用》上发表的一篇新论文中，提出了一种基于深度学习的通用框架。深度 Q 学习网络算法 (DQN)，用于跨不同应用的 WS-TE 的高效优化设计。利用该框架，他们设计了三种多层 WS-TE，分别用于热伪装、辐射冷却和气体传感。WS-TE的材料是根据不同应用的目标发射率光谱，通过DQN算法从同一公共材料库中自主选择的，并同时优化结构参数。设计的三款WS-TE均表现出优异的性能，经过实验制造、测量，实际发射率光谱与目标发射率光谱吻合良好。因此，所提出的框架被证明在广阔的优化设计空间内实现 WS-TE 逆向设计是可行且有效的。更重要的是，它为跨不同应用的发射率工程提供了通用框架，并为热超材料之外的非线性优化问题的高效设计铺平了道路。
所提出的框架是发射率工程的通用设计方法，在 WS-TM 的设计参数(包括材料、结构、尺寸和目标功能)上具有高度可扩展性。该框架的核心是DQN算法可以接收各种设计参数并输出更新参数的决策。在不断的迭代更新中，DQN逐渐学会如何做出适当的决策，最终实现最优设计。这些科学家总结了他们提出的框架的优点：
“深度 Q 学习算法的优点包括：1)为 WS-TE 提供超越一维多层结构的通用设计框架;2)从自建材料库中自主选择合适的材料，3)针对目标发射率光谱自主优化结构参数。”
“考虑到 8 种可用材料，这种结构配置导致 8×7×50 5 = 1.75×10 10 种潜在的候选结构。同时进行材料选择和结构优化的需求，以及巨大的优化空间，使得手动设计变得不切实际，并对传统的机器学习方法提出了重大挑战。” 他们补充道。
“此外，DQN 框架的输入参数在材料、结构、尺寸和目标函数方面高度灵活，为发射率工程之外的其他非线性优化问题提供了通用解决方案。” 科学家预测。
免责声明：本文由用户上传，如有侵权请联系删除！
