基于生成神经网络的自适应热控薄膜设计

自适应温度调控器件以其智能开关特性而逐渐成为研究焦点，但是一方面其特殊的光谱要求使得器件设计过程复杂且周期冗长，另一方面器件热控性能亟待提高以满足更加严苛的应用场景。针对以上问题，提出一种深度生成神经网络模型来执行上述复杂的优化任务，该网络模型的更新不依赖于数据集，而是将生成神经网络与传输矩阵方法（TMM）相结合，通过TMM返回的梯度信息指导产生符合预期的多层膜结构，并自动优化膜层厚度和材料种类。作为网络优化能力的验证和演示，本课题组使用该方法设计了一种基于二氧化钒的自适应热控器件，实现了高温太阳吸收比低于0.2、高温发射率高于0.9、发射率差值大于0.8的优异性能。与传统的优化算法相比，生成神经网络以高自由度和更快的速度寻找最优解，与普通神经网络相比，全局优化网络考虑整体的优化目标，通过全局搜索寻找全局最优解，设计结果也证明了该方法在复杂设计任务中的实用性。