基于深度学习的航天器智能冷却超表面设计

卫星和轨道器经历大范围的温度波动，使其暴露于持续的热变化中，加速了设备磨损和航天器表面老化处理。设计具有自适应特性的航天器表面，可以确保在低温下的热量保持和在高温下的有效辐射。超表面设计的过程涉及到各种各样的几何形状和广泛的参数选择，这些参数选择是通过使用已知的理论模型建立参数值库，或通过试错来解决的。理论模型仅限于特殊的使用情况，基于参数库的设计可能会限制对潜在有效参数范围的探索。另一方面，试错法需要大量的资源配置。这些限制促使人们需要更快、更有效的方法来进行超表面设计，例如机器学习。最近，将机器学习用于可调谐和可重构超表面结构的快速设计引起了人们极大的兴趣。

此论文介绍了一种使用卷积深度学习网络快速设计可调谐和可重构超表面结构的新建模方法。将超表面结构建模为多层图像张量，将材料属性建模为图像映射。使用工作波长作为网络的输入，避免了维度失配问题。作为一个案例研究，作者模拟了一种利用二氧化钒在中红外光谱中的相变的可重构吸收器的响应。前馈模型被用作代理模型，随后被用于模式搜索优化过程中，以利用二氧化钒的相变来设计被动自适应冷却表面。

纳米尺度超表面的深层光与物质相互作用，例如等离激元效应，为优化几何结构提供基于其独特等离激元性质的增强效应的新设计前沿铺平了道路。在热控应用领域，常用的等离激元超表面结构构型为金属-绝缘体-金属( MIM )排布。在底部放置金属反射层以阻挡辐射的传输，而间隔层作为干扰层。VO2的独特性质有助于MIM结构的适应性，允许对变化的热条件进行动态响应。这种适应性在表1所示的基于MIM的吸收器的不同范围中得到了证明。表2展示了一些利用VO2相变来支持发射率对比的结构实例。

表1.使用VO2的MIM结构的例子。

表2.利用VO2获得发射率差异的自适应结构实例。

 

图1展示了本工作所研究结构的俯视图和侧视图。MIM结构采用固定的底部金属反射镜，其厚度足以阻挡传输。顶层为VO2贴片的像素化层，每个维度100 nm × 100 nm。研究限制在固定的VO2厚度40 nm，以加快相变过程。超表面的周期固定为3.2 μm，允许32 × 32像素的VO2图案。对所有生成的模式保持四分之一对称性，以实现偏振无关的行为。作者通过再现其他文献 (图2a)中报道的实验数据来验证COMSOL求解器的准确性。模型与实验数据的均方误差在热态时为4.9 %，在冷态时为11.5 %。

图1. ( a )使用COMSOL (黑色像素代表VO2贴片,白色像素代表空洞像素)生成的VO2像素化结构的顶视图和( b )侧视图。为了保证偏振无关的性能，引入了四分之一对称性。tVO2被固定在40 nm，而tsub被用作建模网络的输入变量。

图2. ( a )根据文献[ 24 ]中的实验数据验证COMSOL模型的准确性。( b )模拟中所用VO2的折射率。

为了快速预测给定输入配置的响应数据R(A)，作者选择卷积神经网络(CNN)作为建模结构，因为它具有强大的处理类图像数据的能力。图3 显示了用于建模超表面响应的深度CNN的结构。该结构采用卷积滤波阶段，从第一层64个滤波器开始，然后是16、8、2。每个卷积阶段之后都有一个批处理归一化步骤，以消除数据中的偏置效应。图4展示了像素化超表面设计方法的流程图。通过运行10次COMSOL仿真对数据集进行初始化，然后对深度学习网络进行100次迭代训练。

图3. 提出了用于像素化VO2超表面响应建模的深度学习架构。

图4. 本研究中使用的自适应超表面设计过程的流程图。

图5和图6给出了5种生成模式及其对应的响应。可以观察到，在此研究的优化设计中，基底厚度约为862 nm。这与相关文献报道的1200nm厚度相比减少了28 %，这对于最小化航天器涂层的重量和成本至关重要。结果还表明，图案化超表面在3 ~ 9 μm范围内实现了比薄膜设计更高的热态吸收，而在12 ~ 20 μm范围内实现了更低的吸收。

为了更深入地了解此研究提出的结构的吸收行为，作者绘制了设计5在5 μm处VO2(图7)的冷态和热态的磁场分布。结果表明，在冷态下，像素没有表现出明显的吸收，吸收由衬底主导。在热态下，VO2像素具有金属性，吸收由集中在图案金属像素内的场主导。