Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Metaemisores térmicos de banda ultra ancha y selectivos mediante aprendizaje automático

Chengyu Xiao ^1,2, Mengqi Liu ^3,4, Kan Yao ⁵

¹State Key Laboratory of Metal Matrix Composites, School of Materials Science and Engineering, Shanghai Jiao Tong University, Shanghai, P. R. China.
²Future Materials Innovation Center, Zhangjiang Institute for Advanced Study, Shanghai Jiao Tong University, Shanghai, P. R. China.
³Department of Electrical and Computer Engineering, National University of Singapore, Singapore, Singapore.
⁴Institute of Engineering Thermophysics, MOE Key Laboratory for Power Machinery and Engineering, School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai, P. R. China.
⁵Materials Science and Engineering Program and Texas Materials Institute, The University of Texas at Austin, Austin, TX, USA.
⁶Department of Applied Physics and Electronics, Umeå University, Umeå, Sweden.
⁷Materials Science and Engineering Program and Texas Materials Institute, The University of Texas at Austin, Austin, TX, USA. zheng@austin.utexas.edu.
⁸Walker Department of Mechanical Engineering, The University of Texas at Austin, Austin, TX, USA. zheng@austin.utexas.edu.
⁹State Key Laboratory of Metal Matrix Composites, School of Materials Science and Engineering, Shanghai Jiao Tong University, Shanghai, P. R. China. zhangdi@sjtu.edu.cn.
¹⁰Department of Electrical and Computer Engineering, National University of Singapore, Singapore, Singapore. chengwei.qiu@nus.edu.sg.
¹¹Nanotech Energy and Environment Platform, National University of Singapore, Suzhou Research Institute, Suzhou, P. R. China. chengwei.qiu@nus.edu.sg.
¹²State Key Laboratory of Metal Matrix Composites, School of Materials Science and Engineering, Shanghai Jiao Tong University, Shanghai, P. R. China. hanzhou_81@sjtu.edu.cn.
¹³Future Materials Innovation Center, Zhangjiang Institute for Advanced Study, Shanghai Jiao Tong University, Shanghai, P. R. China. hanzhou_81@sjtu.edu.cn.

⁰State Key Laboratory of Metal Matrix Composites, School of Materials Science and Engineering, Shanghai Jiao Tong University, Shanghai, P. R. China.

Nature +

|

3 de julio de 2025

Ver abstracta en PubMed

Resumen

El aprendizaje automático ahora diseña metaemisores térmicos avanzados con propiedades de banda ultra ancha y selectivas. Este nuevo método supera las limitaciones en el diseño de la nanofotónica tradicional para un mejor rendimiento.

Área De La Ciencia

La nanofotónica
Ciencias de los materiales
Aprendizaje automático

Sus Antecedentes

La nanofotónica térmica es crucial para las tecnologías de la energía y la información.
La ingeniería espectral precisa de los emisores térmicos está limitada por métodos de prueba y error.
El aprendizaje automático es prometedor en el diseño de materiales nanofotónicos.

Objetivo Del Estudio

Desarrollar una metodología general de aprendizaje automático para el diseño de emisores nanofotónicos de alto rendimiento.
Para lograr un control de banda ultra ancha y una selectividad de banda precisa en los emisores térmicos.
Para superar las limitaciones de los enfoques de diseño tradicionales, incluidas las geometrías predefinidas y las trampas de optimización local.

Principales Métodos

Un paradigma de aprendizaje automático no convencional para la optimización de múltiples parámetros con datos escasos.
Diseño inverso de la metaestructura y las combinaciones de materiales para la adaptación espectral.
Método de modelado en tres planos para el diseño de meta-emisores tridimensionales, que van más allá de las estructuras 2D.

Principales Resultados

Diseñó una multitud de metaemisores térmicos de banda ultra ancha y selectivos.
Capacidad demostrada de diseño dual: diseño inverso automatizado y diseño de emisor 3D.
Se han presentado siete meta-emitentes de prueba de concepto con un rendimiento óptico y radiativo superior.

Conclusiones

El marco propuesto permite la optimización global a través de una mayor libertad geométrica y dimensionalidad.
Se proporcionó un marco de fabricación generalizable para materiales nanofotónicos 3D.
El enfoque supera los diseños actuales de vanguardia y ofrece una base de datos completa de materiales.