열복사 제어를 위한 미세구조 재료의 딥러닝 기반 분석

Scientific Reports 12권, 기사 번호: 9785(2022) 이 기사 인용

2469 액세스

5 인용

1 알트메트릭

측정항목 세부정보

광학 특성을 선택적으로 제어할 수 있는 미세 구조 재료는 항공우주 및 우주 응용 분야의 열 관리 시스템 개발에 매우 ​​중요합니다. 그러나 열 복사와 관련된 재료, 파장 및 온도 조건이 다양한 미세 구조에 사용할 수 있는 방대한 설계 공간으로 인해 미세 구조 설계 최적화는 매우 시간 집약적인 프로세스가 되며 특정하고 제한된 조건에 대한 결과를 얻게 됩니다. 여기에서는 FDTD(유한차분 시간 영역 시뮬레이션)의 출력을 에뮬레이션하기 위한 심층 신경망을 개발합니다. 우리가 보여주는 네트워크는 열 복사 제어를 위한 미세 구조 설계 최적화에 대한 기계 학습 기반 접근 방식의 기초입니다. 우리의 신경망은 재료의 복잡한 굴절률에서 파생된 개별 입력을 사용하여 재료를 구별하므로 모델이 마이크로텍스처의 기하학적 구조, 파장 및 재료 간의 관계를 구축할 수 있습니다. 따라서 재료 선택은 네트워크를 제한하지 않으며 훈련 과정에 포함되지 않은 재료의 미세 구조에 대한 광학 특성을 정확하게 추정할 수 있습니다. 우리의 대용 심층 신경망은 1분 이내에 기하학, 파장, 온도 및 재료의 1,000,000개 이상의 서로 다른 조합을 종합적으로 시뮬레이션할 수 있으며, 이는 일반적인 FDTD 시뮬레이션에 비해 8배 이상의 속도 증가를 나타냅니다. 이러한 속도를 통해 우리는 광범위한 열-광학 최적화를 신속하게 수행하여 고급 수동 냉각 또는 가열 시스템을 설계할 수 있습니다. 딥 러닝 기반 접근 방식을 사용하면 기존 시뮬레이션으로는 불가능했던 복잡한 열 및 광학 연구가 가능하며 당사의 네트워크 설계를 사용하여 다른 미세 구조에 대한 광학 시뮬레이션을 효과적으로 대체할 수 있습니다.

재료가 빛과 상호 작용하는 방식을 엔지니어링하는 능력은 열복사를 통해 표면 온도를 관리하도록 설계된 재료 개발의 핵심입니다. 열복사를 선택적으로 방출하거나 흡수할 수 있는 재료는 주변 온도1,2 이하에서 수동적으로 냉각되거나 복사열3,4로 설계될 수 있습니다. 복사 가열 및 냉각은 각각 가시광선(VIS)에서 근적외선(NIR) 및 중적외선(MIR)까지의 두 가지 스펙트럼 영역에 따라 달라집니다1. 태양에 노출된 표면의 열 흡수는 λ = 300-2500 nm의 태양/NIR 스펙트럼으로 정의되는 반면, 열 방출은 신체 온도에 따라 달라집니다5. 열 흡수를 극대화하기 위해 나노 돔6, 주름진 표면4, 코어-쉘 구조7 및 격자8과 같은 다양한 토폴로지가 활용되었습니다. 마찬가지로 태양 흡수가 제한되어 상당한 열 방출이 있고 주변 온도9 이하로 냉각될 수 있는 표면인 "수동 냉각 구조"는 폴리머2,10,11,12 또는 주름진 그래핀13,14과 같은 재료로 설계할 수 있습니다. 복사 가열 및 냉각에 대한 많은 솔루션과 달리 미세 피라미드형("마이크로 피라미드") 표면 텍스처링 표면을 사용하여 복사 냉각 또는 가열 재료를 엔지니어링할 수 있습니다. 표면의 주기적인 마이크로프라미드 텍스처링은 기하학에 의한 상당한 광 제한의 결과로 반사 방지 특성을 유도하고 실리콘 흡수를 향상시키는 것으로 입증되었습니다18,19,20,21,22,23,24,25,26, 니켈3,27, 텅스텐28 뿐만 아니라 유전체29 및 폴리머12에도 사용됩니다.

마이크로피라미드와 같은 빛을 제어하기 위한 텍스처의 설계 및 최적화는 사용 가능한 설계 공간 전반에 걸친 시뮬레이션이 종종 전용 수치 시뮬레이션 소프트웨어가 필요한 계산적으로 까다로운 프로세스이기 때문에 어려울 수 있습니다. 이 문제를 더욱 복잡하게 만드는 것은 사용 가능한 재료의 광범위한 배열은 주어진 응용 요구 사항 및 제약 조건에 대해 이러한 요구 사항을 충족하는 데 가장 적합한 다른 재료가 있을 수 있음을 의미합니다. 나노포토닉스 분야에서 등장한 강력한 접근 방식은 딥 러닝(DL)과 심층 신경망(DNN)을 사용하여 설계 공간을 채우고 시뮬레이션에 많은 시간을 투자해야 하는 필요성을 피하는 것입니다. 인간 두뇌의 생물학과 구조에서 영감을 받은 DL 방법론은 데이터 세트에서 높은 수준의 비선형 추상화가 가능합니다31. DL 및 기계 학습(ML)은 자율 주행 차량용 머신 비전32 자동 음성 인식33 및 우주선 시스템 최적화34,35,36,37에 이르는 복잡한 문제를 해결하기 위해 광범위한 환경에서 사용되었습니다. 광학 분야에서 DL은 최근 플라즈몬 거동31,38,39,40,41,42, 격자 구조43,44, 세라믹 메타표면45,46, 키랄 재료47,48, 입자 및 나노 구조49,50,51를 예측하고 모델링하는 데 사용되었습니다. , 역설계를 수행합니다31,41,50,51,52,53,54. 딥러닝은 또한 열 전도도 예측55,56 및 열 경계 저항57, 수송 현상 연구58, 집적 회로 최적화59, 비등 열 전달 모델링60, 열 광학 특성 예측44,61,62과 같은 응용 분야를 위한 열 전달 분야에서 광범위하게 사용되었습니다. , 열 복사 문제 해결63,64,65,66.