Deep Learning-Based Metasurface Design for Smart Cooling of Spacecraft
Notice bibliographique
Résumé
A reconfigurable metasurface constitutes an important block of future adaptive and smart nanophotonic applications, such as adaptive cooling in spacecraft. In this paper, we introduce a new modeling approach for the fast design of tunable and reconfigurable metasurface structures using a convolutional deep learning network. The metasurface structure is modeled as a multilayer image tensor to model material properties as image maps. We avoid the dimensionality mismatch problem using the operating wavelength as an input to the network. As a case study, we model the response of a reconfigurable absorber that employs the phase transition of vanadium dioxide in the mid-infrared spectrum. The feed-forward model is used as a surrogate model and is subsequently employed within a pattern search optimization process to design a passive adaptive cooling surface leveraging the phase transition of vanadium dioxide. The results indicate that our model delivers an accurate prediction of the metasurface response using a relatively small training dataset. The proposed patterned vanadium dioxide metasurface achieved a 28% saving in coating thickness compared to the literature while maintaining reasonable emissivity contrast at 0.43. Moreover, our design approach was able to overcome the non-uniqueness problem by generating multiple patterns that satisfy the design objectives. The proposed adaptive metasurface can potentially serve as a core block for passive spacecraft cooling applications. We also believe that our design approach can be extended to cover a wider range of applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».