[發明專利]基于神經網絡和貝葉斯優化的熱輻射材料設計方法及系統

在審

• 申請號: 202210300613.1
• 申請日: 2022-03-25
• 公開（公告）號: CN114664395A
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 鞠生宏;朱德昭;張愛敏;陳力
• 申請（專利權）人: 上海交通大學;昆明貴研新材料科技有限公司
• 主分類號: G16C60/00
• 分類號: G16C60/00;G16C20/30;G16C20/70;G06N3/08;G06N3/04;G06N3/12
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

本發明提供了一種基于神經網絡和貝葉斯優化的熱輻射材料設計方法及系統，包括如下步驟：模型獲取步驟：獲取并訓練深度學習神經網絡模型；循壞迭代步驟：將訓練后的深度學習神經網絡模型結合貝葉斯優化對熱輻射材料結構設計進行循環迭代，得到熱輻射材料結構設計。本發明通過采用深度學習神經網絡模型和貝葉斯優化相結合的設計框架，將高維候選空間映射為低維、連續且緊湊的空間，再由貝葉斯優化進行高效搜索，解決了高維熱輻射材料難以實現全局優化設計的問題。

技術領域

本發明涉及納米光子結構設計的技術領域，具體地，涉及一種基于神經網絡和貝葉斯優化的熱輻射材料設計方法及系統。尤其是，優選的涉及一種基于深度學習神經網絡和貝葉斯優化的熱輻射材料按需設計方法。

背景技術

人工設計光子結構(包括光子晶體、超材料和等離子體納米結構等)在定制光與物質之間的相互作用展現出了具有極大的優勢，可廣泛應用于輻射制冷、熱光伏和熱偽裝等熱輻射領域。為了實現各種新穎且復雜的光學特性，在高維候選空間中進行高效搜索以實現按需材料設計正變得越來越重要，這給熱輻射材料的進一步推廣帶來了極大困難。

近年來，已經提出了各種基于梯度或基于元啟發式的算法用于復雜的“非直觀”超材料設計。然而這些算法往往會由于不同的初始種群選擇而陷入局部最優，依賴耗時的電磁仿真迭代計算，且難應用于具有高自由度的結構體系。深度學習神經網絡作為數據驅動的方法，可以通過學習訓練集中光與物質之間復雜的相互作用關系，從而快速設計出具有目標熱輻射特性的材料結構，然而數據集準備耗時和損失函數難以收斂等問題的存在同樣限制了其設計效率。

現有技術中，2019年1月的期刊“ACS central science”第319-326頁AtsushiSakurai等人公開了基于貝葉斯優化的熱輻射材料設計方法，該方法雖然實現了高效地全局優化搜索，但卻由于貝葉斯優化嚴重依賴計算內存而不能應用在具有高維候選空間的熱輻射材料體系。2019年6月的期刊“Nanophotonics”第1255-1261頁Sunae So等人提出的基于條件深度卷積生成對抗網絡的納米光子結構設計，和2020年5月的期刊“AppliedPhysics Reviews”中Zhaxylyk A.Kudyshev等人公開的基于對抗自編碼器的熱輻射材料設計方法，深度學習模型雖然實現了特定熱輻射目標下材料設計特點的學習，但卻沒有進一步高效的搜索方式來輔助確定最優材料設計。

公開號CN104277241A的中國發明專利文獻公開了一種熱輻射材料，其中包含以下填料：二氧化鈦，重量百分比為10～45％；二氧化鋯，重量百分比為5～25％；氧化鎂，重量百分比為2～30％；稀土金屬氧化物，重量百分比為0.01～0.5％。其中該熱輻射材料的熱導率為0.34～1.5W/m·K，該熱輻射材料在40℃，4～14μm的紅外光譜區的紅外線發射率大于等于88％。

針對上述中的相關技術，發明人認為傳統優化算法存在迭代計算耗時、容易陷入局部最優和難用于具有高自由度的結構體系等問題，神經網絡存在數據集準備耗時和損失函數難以收斂等問題，至于最新提出的一些材料設計方法，自身也同樣存在局限。也就是說，低效的熱輻射材料設計方法極大增加了研發成本和周期。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種基于神經網絡和貝葉斯優化的熱輻射材料設計方法及系統。

根據本發明提供的一種基于神經網絡和貝葉斯優化的熱輻射材料設計方法，包括如下步驟：

模型獲取步驟：獲取并訓練深度學習神經網絡模型；

循壞迭代步驟：將訓練后的深度學習神經網絡模型結合貝葉斯優化對熱輻射材料結構設計進行循環迭代，得到熱輻射材料結構設計。

優選的，所述模型獲取步驟包括如下步驟：

步驟S1：針對材料體系和設計目標，進行數據集的準備；

步驟S2：使用數據集訓練對抗自編碼器，提取對抗自編碼器中的解碼器作為生成模型。