[论文解读] 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 43

一句话总结

该论文展示了深度神经网络可作为模拟和反向设计多种系统中辐射传热的快速、高精度代理模型——包括双曲超材料、用于被动冷却的光子晶体膜以及亚波长发射器——使用自定义生成的数据集。该方法在中等规模网络下实现高精度，使正向建模和反向设计的速度远超传统数值方法。

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.

研究动机与目标

• 开发一种深度学习框架，以加速并增强辐射传热现象的分析。
• 解决传统数值模拟在复杂辐射传热问题中的计算瓶颈。
• 利用训练好的神经网络，实现热辐射器件的高效反向设计与优化。
• 展示深度学习在根本上不同的辐射传热问题中的通用性。
• 建立一个可扩展、数据高效的流程，使用自定义数值方法生成训练数据集。

提出的方法

• 采用具有 ReLU 和 Sigmoid 激活函数的全连接前馈神经网络作为通用函数逼近器。
• 在大规模、自定义生成的电磁和热响应数据集上训练网络，这些数据来自数值模拟的系统。
• 使用物理信息数值框架计算不同几何结构和材料的辐射传热响应。
• 将训练好的网络用作正向模拟和反向设计任务的快速代理模型。
• 优化网络架构和超参数，以在精度和推理速度之间取得平衡。
• 通过与传统数值求解器对比验证结果，确保保真度和泛化能力。

实验结果

研究问题

• RQ1 深度神经网络能否在近场辐射传热中准确且高效地替代多层双曲超材料的传统数值求解器？
• RQ2 神经网络能否用于优化光子结构，以实现直接阳光照射下的被动辐射冷却？
• RQ3 单一神经网络架构能否在截然不同的辐射传热问题（包括亚波长热发射）中实现泛化？
• RQ4 训练复杂热辐射现象的高精度、鲁棒神经网络代理模型需要多少数据？
• RQ5 训练好的网络能否在速度和精度上超越传统优化与反向设计方法？

主要发现

• 神经网络在预测双曲超材料中的近场辐射传热方面实现了高精度，与参考模拟结果的误差极小。
• 在被动辐射冷却方面，该方法实现了光子晶体膜的快速优化，实现了高太阳反射率和强红外发射率，这对实现低于环境温度冷却至关重要。
• 网络成功模拟了任意尺寸和形状的亚波长物体的热发射，包括复杂的近场效应。
• 尽管三个问题在物理上差异显著，但使用中等规模数据集（数万个样本）训练的简单全连接架构仍能提供准确的预测和反向设计结果。
• 使用训练好的网络进行推理的速度比传统电磁求解器快几个数量级，实现了实时优化和设计探索。
• 该方法在不同材料参数和几何结构上表现出稳健的泛化能力，表明所学表征具有强大的可迁移性。