发射率工程的通用深度学习框架

波长选择性热发射器（WS-TE）经常被设计为实现所需的目标发射率光谱，如在典型的发射率工程中，用于广泛的应用，如热伪装、辐射冷却和气体传感等。

然而，以前的设计需要不同应用的材料或结构的先验知识，并且设计的WS-TE通常在材料和结构方面因应用而异，因此没有跨不同应用的发射率工程学的通用设计框架。此外，先前的设计未能解决材料和结构的同时设计，因为它们要么固定材料以设计结构，要么固定结构以选择合适的材料

在《光：科学与应用》杂志上发表的一篇新论文中，由中国华中科技大学能源与电力工程学院胡润教授及其同事领导的一个科学家团队提出了一个基于深度Q学习网络算法（DQN）的通用深度学习框架，用于跨不同应用高效优化设计WS-TE

利用这个框架，他们分别设计了三种多层WS-TE，用于热伪装、辐射冷却和气体传感。根据不同应用的目标发射率谱，利用DQN算法从同一通用材料库中自主选择WS-TE的材料，并同时优化结构参数

三种设计的WS-TE都表现出优异的性能，它们是通过实验制造和测量的，并且实际发射率光谱与目标匹配良好。因此，所提出的框架被证明在巨大的优化设计空间内有效地实现WS-TE的反向设计。更重要的是，它为不同应用的发射率工程提供了一个通用框架，并为热超材料之外的非线性优化问题的有效设计铺平了道路

所提出的框架是发射率工程的通用设计方法，在WS TM的设计参数中具有高度可扩展性，包括材料、结构、尺寸和目标功能。该框架的核心是DQN算法，该算法可以接收各种设计参数并输出更新这些参数的决策。在不断的迭代更新中，DQN逐渐学会如何做出适当的决策，最终实现最优设计

研究人员表示：“深度Q学习算法的优点在于，它可以（1）为一维多层结构之外的WS TE提供一个通用设计框架；（2）从自建材料库中自主选择合适的材料；（3）自主优化目标发射率谱的结构参数。”

“考虑到八种可用材料，这种结构配置导致了8×7×505=1.75×1010个潜在的候选结构。同时进行材料选择和结构优化的需求，加上庞大的优化空间，使得手动设计不切实际，并对传统的机器学习方法提出了重大挑战，”他们补充道

“此外，DQN框架的输入参数在材料、结构、尺寸和目标函数方面具有高度灵活性，为发射率工程以外的其他非线性优化问题提供了通用解决方案，”科学家们说