#深度学习# 【科学家为材料设计打造深度学习框架，无需先验知识，实现热辐射器的材料选择和参数优化】
近日，#华中科技大学# 胡润教授团队基于深度强化学习，成功搭建了一款可用于发射率工程的通用设计框架。
该框架解决了两个关键问题：
一是解决了涉及材料选择的大优化空间设计效率低的问题，该框架可以在大优化空间内（~1010）同时进行材料选择和结构参数的优化，具有相当高的设计效率（仅需计算总结构数小于 15%）。
二是解决了不同目标光谱发射率下的通用性问题，该框架基于一个自建的材料候选库，可以根据不同的目标光谱发射率自主地选择材料和设计结构，而无需设计者的先验知识。
总的来说，本次工作在光子学和#机器学习# 的多学科领域具有重要价值，为纳米光子领域提供了一项有用的技术，推动了发射率工程的进一步发展。
本次提出的可用于发射率工程的通用深度学习框架，可以实现不同应用下的波长选择性发射器的高效优化设计，例如红外伪装、被动辐射制冷、气体检测和热光伏技术等。
由于此次框架具有强大的材料选择和结构优化能力，因此可以针对某一个应用目标提供多样化的结构参数，使得用户可以根据实际需要（材料种类、成本、可靠性等）选择最合适的参数来制备波长选择性发射器。
戳链接查看详情：
科学家为材料设计打造深度学习框架，无需先验知识，实现热辐射器的材料选择和参数优化
近日，#华中科技大学# 胡润教授团队基于深度强化学习，成功搭建了一款可用于发射率工程的通用设计框架。
该框架解决了两个关键问题：
一是解决了涉及材料选择的大优化空间设计效率低的问题，该框架可以在大优化空间内（~1010）同时进行材料选择和结构参数的优化，具有相当高的设计效率（仅需计算总结构数小于 15%）。
二是解决了不同目标光谱发射率下的通用性问题，该框架基于一个自建的材料候选库，可以根据不同的目标光谱发射率自主地选择材料和设计结构，而无需设计者的先验知识。
总的来说，本次工作在光子学和#机器学习# 的多学科领域具有重要价值，为纳米光子领域提供了一项有用的技术，推动了发射率工程的进一步发展。
本次提出的可用于发射率工程的通用深度学习框架，可以实现不同应用下的波长选择性发射器的高效优化设计，例如红外伪装、被动辐射制冷、气体检测和热光伏技术等。
由于此次框架具有强大的材料选择和结构优化能力，因此可以针对某一个应用目标提供多样化的结构参数，使得用户可以根据实际需要（材料种类、成本、可靠性等）选择最合适的参数来制备波长选择性发射器。
戳链接查看详情：
科学家为材料设计打造深度学习框架，无需先验知识，实现热辐射器的材料选择和参数优化
