基于生成神经网络的自适应热控薄膜设计

自适应温度调控器件以其智能开关特性而逐渐成为研究焦点,但是一方面其特殊的光谱要求使得器件设计过程复杂且周期冗长,另一方面器件热控性能亟待提高以满足更加严苛的应用场景。针对以上问题,提出一种深度生成神经网络模型来执行上述复杂的优化任务,该网络模型的更新不依赖于数据集,而是将生成神经网络与传输矩阵方法(TMM)相结合,通过TMM返回的梯度信息指导产生符合预期的多层膜结构,并自动优化膜层厚度和材料种类。作为网络优化能力的验证和演示,本课题组使用该方法设计了一种基于二氧化钒的自适应热控器件,实现了高温太阳吸收比低于0.2、高温发射率高于0.9、发射率差值大于0.8的优异性能。与传统的优化算法相比,生成神经网络以高自由度和更快的速度寻找最优解,与普通神经网络相比,全局优化网络考虑整体的优化目标,通过全局搜索寻找全局最优解,设计结果也证明了该方法在复杂设计任务中的实用性。

钙钛矿太阳电池高效光电耦合仿真与机器学习研究(特邀)

十几年来,钙钛矿太阳能电池(PSCs)由于其在功率转换效率和制造成本方面的显著优势而备受关注。然而,其复杂的物理机制和众多限制因素给实验设计、工艺制造和综合优化策略带来挑战。以光电多物理场耦合模型为核心,开展一系列多物理场仿真计算,研究光电耦合模型的底层物理和边界条件,获得PSCs包括光学性能和电学性能的大量数据。根据这些数据,建立微观物理量和宏观光电响应的神经网络及机器学习模型,成功预测PSCs的光学和电学性能,其误差在3%以内,且速度较快。结合遗传算法,该模型根据给定的响应曲线反向优化结构参数,进而获得更高效率的PSCs。该研究有效解决了PSCs因光电耦合机制复杂、物性参数众多、仿真速度较慢而难以优化设计等难题,为光伏器件快速智能化设计提供了一种可行路径。

基于二氧化钒热致相变的自适应温度调控

现有的辐射降温器件不具有自适应性,即只能降温不能升温。为了实现升温和降温的双重功能,并且能够随环境温度改变而自动切换,本文聚焦于一种基于二氧化钒的自适应温度调控器,系统地讨论其光热调控原理、技术瓶颈和实现途径。利用传输矩阵和遗传算法相结合的方法,设计和优化由谐振腔和滤波器集成的多层结构,获得太阳吸收比为0.1、高温发射率为0.76和发射率差值为0.7的优异光热调控性能。在此基础上,根据实际环境预测该优化结构的实时温度响应,从理论验证其自适应温度调控功能。该研究为基于二氧化钒的自适应温度调控提供一种可供选择的解决方案,为智能热控的技术发展提供了相应技术储备。