Metaemisores térmicos de banda ultra ancha y selectivos mediante aprendizaje automático

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.