使用机器学习设计和验证世界一流的多层热发射器

NIMS，东京大学，新泻大学和RIKEN联合设计了一种多层超材料，通过结合机器学习(贝叶斯优化)和热发射特性计算(电磁计算)实现超窄带波长选择性热发射。然后，联合团队通过实验制作了设计的超材料并验证了性能。这些结果可以促进高效能量装置的开发。

热辐射是物体作为电磁波发热的现象，可能适用于各种能量装置，例如波长选择加热器，红外传感器和热光电发生器。高效热发射器需要在实际可用的波长范围内显示具有窄带的发射光谱。许多研究使用可以操纵电磁波的超材料来开发这种有效的热发射器。然而，他们中的大多数人采取了一种表征经验选择的材料结构的方法。，很难从众多候选人中找出最佳结构。

该联合研究小组利用机器学习和热发射特性的计算，开发出一种设计具有最佳热辐射性能的超材料结构的方法。该项目的重点是易于制造的多层超材料结构，由三种不同厚度的18层材料组成。将该方法应用于约80亿个候选结构导致预测由非周期性排列的半导体和介电材料组成的纳米结构将具有优异的热辐射性能，这与传统知识相反。然后研究小组实际制作了超材料结构并测量了其热发射光谱，从而证明了极窄的热发射带。

这项研究证明了机器学习在开发高效热发射超材料方面的有效性。具有理想的热发射光谱的超材料的开发预计将促进整个社会中更有效的能量使用。由于开发的纳米结构设计方法适用于各种材料，它可以作为未来高性能材料设计的有效工具。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！