NIMS, de Universiteit van Tokio, Niigata University en RIKEN hebben samen een meerlagig metamateriaal ontworpen dat ultra-smalband golflengte-selectieve thermische emissie realiseert door machine learning (Bayesiaanse optimalisatie) en thermische emissie-eigenschappen (elektromagnetische berekening) te combineren. Het gezamenlijke team heeft vervolgens het ontworpen metamateriaal experimenteel gefabriceerd en de prestaties geverifieerd. Deze resultaten kunnen de ontwikkeling van zeer efficiënte energie-apparaten vergemakkelijken.

thermische straling, een fenomeen dat een object warmte afgeeft als elektromagnetische golven, is mogelijk van toepassing op een verscheidenheid aan energie-apparaten, zoals golflengte-selectieve kachels, infraroodsensoren en thermofotovoltaïsche generatoren. Zeer efficiënte warmtestralers moeten een emissiespectrum vertonen met smalle banden in een praktisch bruikbaar golflengtebereik. De ontwikkeling van dergelijke efficiënte warmtestralers is het doelwit geweest van veel onderzoeken die metamaterialen gebruiken die elektromagnetische golven kunnen manipuleren. Echter, de meeste van hen hebben gekozen voor een benadering van het karakteriseren van de materiële structuren die empirisch zijn geselecteerd, het was moeilijk om uit een groot aantal kandidaten de optimale structuur te bepalen.

De gezamenlijke onderzoeksgroep ontwikkelde een methode voor het ontwerpen van metamateriaalstructuren met optimale thermische stralingsprestaties met behulp van een combinatie van machine learning en de berekening van thermische emissie-eigenschappen. Dit project richtte zich op eenvoudig te fabriceren meerlagige metamateriaalstructuren bestaande uit drie soorten materialen in 18 lagen van verschillende diktes. Toepassing van deze methode op ongeveer acht miljard kandidaatstructuren leidde tot de voorspelling dat een nanostructuur bestaande uit niet-periodiek gerangschikte halfgeleider- en diëlektrische materialen superieure thermische stralingsprestaties zou hebben, wat in strijd was met de conventionele kennis. Toen fabriceerde de onderzoeksgroep de metamateriaalstructuur en mat het thermische emissiespectrum, en vertoonden bijgevolg een extreem smalle thermische emissieband. Gemeten in termen van de Q-factor (een parameter die wordt gebruikt om de breedte van spectrale banden voor thermische emissie te meten), de nieuw ontworpen nanostructuur produceerde een Q-factor van bijna 200, toen 100 werd beschouwd als de bovengrens voor conventionele materialen - een uitzonderlijk smalle spectrale band voor thermische emissie.

Dit onderzoek toonde de effectiviteit aan van machine learning bij het ontwikkelen van zeer efficiënte metamaterialen voor thermische emissie. De ontwikkeling van metamaterialen met gewenste thermische emissiespectra zal naar verwachting een efficiënter energieverbruik in de hele samenleving mogelijk maken. Omdat de ontwikkelde ontwerpmethode voor nanostructuren toepasbaar is op alle soorten materialen, het kan in de toekomst als een effectief hulpmiddel dienen voor het ontwerpen van hoogwaardige materialen.

Deze studie is gepubliceerd in ACS Centrale Wetenschap .