[논문 리뷰] Deep learning for the modeling and inverse design of radiative heat transfer

Juan José García-Esteban, Jorge Bravo‐Abad외 1명|arXiv (Cornell University)|2021. 09. 07.

Thermal Radiation and Cooling Technologies참고 문헌 102인용 수 43

한 줄 요약

이 논문은 고유의 데이터셋을 활용하여 다양한 시스템—초등방형 광학재료, 능동 냉각을 위한 광학 격자 슬립, 그리고 마이크로스케일 발열체—에서 복사열전달을 시뮬레이션하고 역설계하는 데 있어 딥 뉴럴 네트워크가 빠르고 정확한 대체 수단이 될 수 있음을 보여준다. 이 방법은 중간 크기의 네트워크를 사용하여도 높은 정확도를 달성하며, 전통적인 수치적 방법에 비해 훨씬 빠른 정방향 모델링과 역설계를 가능하게 한다.

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.

연구 동기 및 목표

• 복사열전달 현상의 분석을 가속화하고 향상시키기 위한 딥 러닝 프레임워크를 개발하기 위해.
• 복잡한 복사열전달 문제에서 전통적인 수치적 시뮬레이션의 계산적 한계를 해결하기 위해.
• 훈련된 신경망을 사용하여 열복사 장치의 효율적인 역설계 및 최적화를 가능하게 하기 위해.
• 딥 러닝의 유연성을 근본적으로 다른 복사열전달 문제들에 걸쳐 보여주기 위해.
• 훈련 데이터셋을 생성하기 위한 고유의 수치적 방법을 사용하여 확장 가능하고 데이터 효율적인 파ip라인을 구축하기 위해.

제안 방법

• 유일한 함수 근사기로 사용되는 ReLU 및 시그모이드 활성화 함수를 갖는 완전 연결 피드포워드 신경망을 사용하기 위해.
• 수치적으로 시뮬레이션된 시스템으로부터의 전자기적 및 열적 반응에 대한 대규모 고유 데이터셋을 기반으로 네트워크를 훈련하기 위해.
• 다양한 기하학적 형태와 재료에 대해 복사열전달 반응을 계산하기 위해 물리 기반 수치 프레임워크를 적용하기 위해.
• 훈련된 네트워크를 정방향 시뮬레이션 및 역설계 작업의 빠른 대체 수단으로 활용하기 위해.
• 정확도와 추론 속도의 균형을 맞추기 위해 네트워크 아키텍처와 하이퍼파ram터를 최적화하기 위해.
• 정밀도와 일반화 능력을 보장하기 위해 결과를 전통적인 수치적 해법기준으로 검증하기 위해.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 다층 초등방형 광학재료에서의 근접장 복사열전달에 대해 기존의 수치적 해법을 정확하고 효율적으로 대체할 수 있는가?
• RQ2 신경망을 사용하여 직사광선 조건 하에서 능동 냉각을 위한 광학 구조를 최적화할 수 있는가?
• RQ3 일반적인 하나의 신경망 아키텍처가 근본적으로 다른 복사열전달 문제들—예를 들어 마이크로스케일 열복사—에 대해 일반화될 수 있는가?
• RQ4 복잡한 열복사 현상에 대해 정확하고 강건한 신경망 대체 수단을 훈련하기 위해 얼마나 많은 데이터가 필요한가?
• RQ5 훈련된 네트워크가 기존의 최적화 및 역설계 방법에 비해 속도와 정확도 면에서 뛰어나게 성능을 발휘할 수 있는가?

주요 결과

• 신경망은 기준 수치 시뮬레이션과 거의 오차 없이 근접장 복사열전달을 예측하는 데 높은 정확도를 달성했다.
• 능동 냉각을 위한 응용에서, 이 방법은 고반사율 태양광 및 강력한 적외선 복사 특성을 확보하기 위해 광학 격자 슬립을 신속하게 최적화할 수 있게 했다. 이는 저온도 냉각에 매우 중요하다.
• 네트워크는 크기나 형상이 다양하거나 복잡한 근접장 효과를 포함하는 임의의 크기의 마이크로스케일 물체의 열복사 특성까지도 성공적으로 모델링했다.
• 세 문제 간 물리적 다양성에도 불구하고, 중간 크기의 데이터셋(수천에서 수만 건의 샘플)을 기반으로 훈련된 단순한 완전 연결 아키텍처가 정확한 예측과 역설계 결과를 제공했다.
• 훈련된 네트워크를 사용한 추론은 기존의 전자기 해법기준보다 수개월에서 수천 배 빠른 속도를 보였으며, 실시간 최적화 및 설계 탐색을 가능하게 했다.
• 다양한 재료 파ameter와 기하학적 형태에 걸쳐 우수한 일반화 능력을 보이며, 학습된 표현의 강력한 이동성(트랜스퍼러빌리티)을 입증했다.