视觉透明辐射冷却器的量子计算机辅助设计

在最近发表在《杂志》上的论文中ACS能量信，研究人员使用了通过量子计算辅助的主动学习方案来设计基于视觉透明的辐射冷却器的分层光子结构。该系统将机器学习，量子退火（QA）和积极的数据生产结合在一起，并经过测试其冷却效果。

学习：高性能透明辐射冷却器由量子计算设计。图片来源：Bartlomiej K. Wroblewski/Shutterstock.com

背景

被动辐射冷却器，它使用大气窗（AW）将热量辐射到较冷的外层空间而无需外部能量，引起了很多关注。建筑物的大部分冷却能量都是通过窗户消散的。因此，近年来已经努力创建透明的辐射冷却器（TRC）来取代传统的窗户材料。欧洲杯足球竞彩为了减少封闭房间的光学加热，理想的TRC应该能够有效阻止紫外线（UV）以及太阳光谱中的近红外（NIR）光子。

为了通过AW实现最佳的辐射冷却性能，TRC还应在中/长波长红外（M/LWIR）域内具有较高的排放效率。鉴于其基本的平面几何形状，准确调节的尺寸，在整合多种材料方面的多功能性以及可扩展的制造，分层薄膜光子结构为TRC开发带来了许多好处。欧洲杯足球竞彩由于量子量动数可以立即评估目标函数以通过量子隧道现象确定全局最小值，因此量子退火（QA）（一种量子计算技术）被证明是在离散空间内优化的绝佳选择。

关于研究

在本研究中，研究人员描述了如何使用QA和主动机器学习方案来构建高性能TRC。研究中的电位TRC由平面多层（PML）光子结构组成，该光子结构是在具有聚二甲基硅氧烷（PDMS）顶层的玻璃基板上开发的。与优化过程相关的目标函数是一个合格图（F​​OM），该图量化了开发的TRC相对于波长依赖性光学特性的理想TRC的近似程度。

PML中的每一层都有一个厚度t_l/n_l累积厚度t_l= 1200 nm。增强PML的复杂性以及数量n_l层有助于创建具有更大性能的TRC，从而导致更高的分辨率在不同的折射率方面。可以通过更高的优化设计具有较低FOM值的更好的最佳PML结构n_l。为了开发TRC，该团队结合了针线技术与厚度的完善，以代表基于梯度的优化程序。TRC由基于传统的薄膜沉积方法构建n_l= 24使用QA辅助优化对理想结构进行了预测。生产了两个PML样品，其中一个已退火，另一个没有退火。

观察

与n_l= 6场景，以最高的方式传递的辐照度n_l= 24通过QA辅助优化预测的最佳设计明显接近于理想TRC的观察到。团队指出，理想结构的传输效率具有n_l= 24在超过1400 nm的波长状态内的0.6至1.0之间。此外，针优化显示了一个优化的TRC，其FOM为0.5166，比QA辅助优化的FOM高出0.09，而无需考虑厚度优化。因此，开发光子结构从QA辅助优化获得了显着的好处。

该团队还观察到10层结构将等效于最佳PML，因为几个相邻的层是由相同材料制成的。与未经通信的TRC相比，经过退火的TRC更加透明和视觉均匀。此外，与TMM预测相比，构造的TRC在300至500 nm波长范围内的传输效率降低。结果表明，PML结构的退火增强了膜的结晶度。此外，由于PDMS在PML上，TRC在AW中显示了接近的发射效率。

当使用当前研究的FOM用作比较度量标准时，发现优化的TRC的性能优于三层银色涂层（TLSC）。通过创建一个热隔离的容器，其构造的TRC安装在顶部，可以测试TRC的冷却功能。在孔径处安装了载玻片，并在其旁边放置了第二个类似的腔室进行比较。观察到，两个腔室都通过太阳辐射加热，这是由于TRC在可见波长区域内的透明性而进行的。

结论

总而言之，该团队采用了QA辅助的主动机器学习技术来开发高性能TRC。与可比设计的其他冷却器相比，开发的TRC具有最低的FOM值。这些模型证明了TRC的巨大潜力，以减少全球建筑物使用的冷却能量。

由于它们可以使用前沿沉积过程制造，因此TRC中存在的优化PML结构可以用于实用应用。此外，用于光学，热应用和机械应用以及一欧洲杯足球竞彩般材料设计中使用的元物质可以从QA辅助优化技术中受益。

来自Azom的更多内容：哪些材料用于制造电欧洲杯足球竞彩池？

资源

Seongmin Kim，等。，高性能透明辐射冷却器由量子计算设计，ACS能量信，2022，7，4134-4141，doi：https://pubs.acs.org/doi/full/10.1021/acsenergylett.2C01969

免责声明：此处表达的观点是以其私人身份表达的作者的观点，不一定代表AZOM.com的观点有限的T/A Azonetwork本网站的所有者和运营商。此免责声明构成了条款和条件使用此网站。