[論文レビュー] Deep learning for the modeling and inverse design of radiative heat transfer

Juan José García-Esteban, Jorge Bravo‐Abad+1 more|arXiv (Cornell University)|Sep 7, 2021

Thermal Radiation and Cooling Technologies参考文献 102被引用数 43

ひとこと要約

この論文は、独自に生成されたデータセットを用いて、多様なシステム—超光沢的メタマテリアル、被動冷却用フォトニッククリスタルスラブ、および準波長発光体—における放射熱移動のシミュレーションおよび逆設計の高速かつ高精度な補助手段として深層ニューラルネットワークが有効であることを示している。この手法は、中程度のサイズのネットワークでも高い精度を達成でき、従来の数値的手法に比べてはるかに高速な前向きモデル化と逆設計を可能にする。

ABSTRACT

Deep learning is having a tremendous impact in many areas of computer science and engineering. Motivated by this success, deep neural networks are attracting an increasing attention in many other disciplines, including physical sciences. In this work, we show that artificial neural networks can be successfully used in the theoretical modeling and analysis of a variety of radiative heat transfer phenomena and devices. By using a set of custom-designed numerical methods able to efficiently generate the required training datasets, we demonstrate this approach in the context of three very different problems, namely, (i) near-field radiative heat transfer between multilayer systems that form hyperbolic metamaterials, (ii) passive radiate cooling in photonic-crystal slab structures, and (iii) thermal emission of subwavelength objects. Despite their fundamental differences in nature, in all three cases we show that simple neural network architectures trained with datasets of moderate size can be used as fast and accurate surrogates for doing numerical simulations, as well as engines for solving inverse design and optimization in the context of radiative heat transfer. Overall, our work shows that deep learning and artificial neural networks provide a valuable and versatile toolkit for advancing the field of thermal radiation.

研究の動機と目的

• 放射熱移動現象の分析を高速化・強化するための深層学習フレームワークの開発を目的とする。
• 複雑な放射熱移動問題における従来の数値シミュレーションの計算ボトルネックを克服することを目的とする。
• トレーニング済みのニューラルネットワークを用いて、熱放射デバイスの効率的かつ最適化された逆設計を可能とすることを目的とする。
• 深層学習が根本的に異なる放射熱移動問題にわたって汎用的であることを示すこと。
• 独自の数値的手法を用いてトレーニングデータセットを生成するスケーラブルでデータ効率の良いパイプラインを確立すること。

提案手法

• ReLUおよびシグモイド活性化関数を用いた完全結合型フィードフォワードニューラルネットワークを、汎用関数近似器として採用する。
• 数値的にシミュレートされたシステムからの電磁気的および熱的応答の大量で独自に生成されたデータセットを用いてネットワークをトレーニングする。
• 多様な幾何形状および材料に対して放射熱移動応答を計算するため、物理的制約を組み込んだ数値フレームワークを適用する。
• トレーニング済みのネットワークを、前向きシミュレーションおよび逆設計タスクの高速な補助手段として活用する。
• 精度と推論速度のバランスを取るために、ネットワークアーキテクチャおよびハイパーパramータを最適化する。
• 結果の妥当性と一般化性能を確認するため、従来の数値ソルバーとの比較による妥当性検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、多層超光沢的メタマテリアルにおける近接場放射熱移動に対して、従来の数値ソルバーと同等の精度で効率的に置き換え可能か？
• RQ2 ニューラルネットワークを用いて、直達日光下における被動放射冷却を最適化できるか？
• RQ3 同一のニューラルネットワークアーキテクチャが、準波長熱放射を含む、全く異なる放射熱移動問題に一般化可能か？
• RQ4 複雑な熱放射現象のための正確で頑健なニューラルネットワーク補助モデルをトレーニングするのに、どの程度のデータ量が必要か？
• RQ5 トレーニング済みのネットワークは、従来の最適化および逆設計手法に比べて、速度と精度の両面で優れているか？

主な発見

• ニューラルネットワークは、超光沢的メタマテリアルにおける近接場放射熱移動の予測において高い精度を達成し、参照シミュレーションと最小限の誤差で一致した。
• 被動放射冷却の文脈では、フォトニッククリスタルスラブの迅速な最適化が可能となり、高太陽反射率と強い赤外放射率を実現した。これは、アンビエント冷却に不可欠な要因である。
• ネットワークは、任意のサイズおよび形状の準波長オブジェクトからの熱放射、ならびに複雑な近接場効果を効果的にモデル化できた。
• 3つの問題が物理的に多様であるにもかかわらず、中程度のサイズのデータセット（数万件のサンプル）でトレーニングされた単純な完全結合アーキテクチャが、正確な予測および逆設計結果を提供した。
• トレーニング済みのネットワークを用いた推論は、従来の電磁気的ソルバーに比べて桁違いに高速であり、リアルタイムでの最適化および設計探索を可能にした。
• 異なる材料パラメータおよび幾何形状に対しても、強い一般化性能を示した。これは、学習済み表現の高い転送可能性を示している。