Apprendimento approfondito

Rapporti scientifici volume 13, numero articolo: 7382 (2023) Citare questo articolo

669 accessi

1 Altmetrico

Dettagli sulle metriche

Le microstrutture con proprietà ingegnerizzate sono fondamentali per la gestione termica nelle applicazioni aerospaziali e spaziali. A causa dell’enorme numero di variabili di progettazione della microstruttura, gli approcci tradizionali all’ottimizzazione dei materiali possono comportare processi dispendiosi in termini di tempo e casi d’uso limitati. Qui, combiniamo una rete neurale ottica surrogata con una rete neurale inversa e una post-elaborazione dinamica per formare un processo di progettazione inversa della rete neurale aggregata. La nostra rete surrogata emula simulazioni nel dominio del tempo a differenze finite (FDTD) sviluppando una relazione tra la geometria della microstruttura, la lunghezza d'onda, le proprietà discrete del materiale e le proprietà ottiche di output. Il risolutore ottico surrogato funziona in tandem con una rete neurale inversa per prevedere le proprietà di progettazione di una microstruttura che corrisponderanno a uno spettro ottico di input. A differenza degli approcci convenzionali che sono vincolati dalla selezione dei materiali, la nostra rete è in grado di identificare nuove proprietà dei materiali che ottimizzano al meglio lo spettro di input e abbinano l’output a un materiale esistente. L'output viene valutato utilizzando vincoli di progettazione critici, simulati in FDTD e utilizzato per riqualificare il surrogato, formando un ciclo di autoapprendimento. Il quadro presentato è applicabile alla progettazione inversa di varie microstrutture ottiche e l'approccio derivato dal deep learning consentirà un'ottimizzazione complessa e vincolata dall'utente per il controllo della radiazione termica nei futuri sistemi aerospaziali e spaziali.

Le superfici ingegneristiche a livello microscopico consentono il controllo sulle interazioni materia-luce del materiale e sono parte integrante delle tecnologie in evoluzione in aree quali il raffreddamento passivo subambientale1,2,3,4, il riscaldamento radiativo5,6 e la termofotovoltaica7,8. La progettazione di emettitori selettivi per sistemi di gestione termica radiativa dipende da due spettri di lunghezze d'onda fotoniche (λ): il visibile (VIS) al vicino infrarosso (NIR) e il medio infrarosso (MIR)1,4. Le strutture di raffreddamento passivo, ovvero materiali che possono raffreddarsi passivamente al di sotto della temperatura ambiente, sono superfici progettate con materiali quali polimeri2,3,9, compositi10,11,12 e grafene13,14 per massimizzare l'emissione termica nel MIR e ridurre al minimo la radiazione solare assorbita (λ = 300–2500 nm) aumentando la radiazione solare riflessa. Metodi come la nanostrutturazione15, le strutture ondulate6,16, i materiali core-shell17,18 e i reticoli periodici16,19 possono essere utilizzati per indurre l'effetto opposto e aumentare l'assorbimento termico migliorando il comportamento antiriflesso di una superficie. Un metodo che può essere utilizzato per progettare materiali sia per il riscaldamento che per il raffreddamento radiativo è la testurizzazione superficiale "micropiramide" su microscala20. Una forma di reticolo in rilievo superficiale, la struttura a micropiramide induce proprietà antiriflesso grazie al significativo confinamento della luce attraverso la combinazione di materiale e geometria20,21,22. Questo metodo può migliorare significativamente le proprietà antiriflesso a banda larga nel silicio23,24,25,26,27, nei metalli5,28,29,30,31,32, nei dielettrici33 e nei polimeri34.

Progettare e ottimizzare strutture per controllare selettivamente le proprietà ottiche può rappresentare una sfida significativa e dispendiosa in termini di tempo. Oltre al potenziale di molti gradi di libertà nello spazio di progettazione geometrica, la selezione dei materiali aggiunge un ulteriore livello di complessità. Risolvere l’interazione tra una geometria complessa e la selezione dei materiali può richiedere sia un investimento significativo in risorse computazionali sia un metodo numerico dedicato come un solutore nel dominio del tempo a differenze finite (FDTD)35. Un metodo altamente efficace emerso per contrastare la necessità di strumenti di simulazione complessi è l'uso del Deep Learning (DL) per prevedere le proprietà ottiche. Una branca dell'apprendimento automatico (ML), i metodi DL hanno dimostrato di avere un alto grado di astrazione non lineare dai set di dati36 e di affrontare questioni complesse come le auto a guida autonoma37, il riconoscimento vocale38 e l'elaborazione del linguaggio naturale39. Il Deep Learning è stato utilizzato nel campo della fotonica e della nanofotonica per prevedere e modellare problemi come le interazioni plasmoniche36,40, le strutture reticolari41,42,43, le particelle44,45 e le nanostrutture46. La DL è stata ampiamente applicata anche nel campo dell'ingegneria termica per studiare argomenti quali la conduttività termica47, il trasferimento del calore bollente48 e il trasporto termico radiativo49,50,51.