机器学习调控的高发射率选择性全向热发射体用于超高性能被动辐射制冷
应用物理
2023-06-12 v1 光学
摘要
现实中的被动辐射制冷需要高发射率、选择性且全向的热发射体，以在使辐射制冷器维持低于环境温度一定温度的同时最大化净制冷功率。尽管已展示出多种选择性热发射体，但由于在多维度上控制光子结构热辐射的极端复杂性，同时实现这些条件仍具挑战。本文展示了一种由机器学习调控的混合超表面热发射体，其同时在大气透明窗口 8-13 {\mu}m 内具有约 0.92 的高发射率、约 1.8 的大光谱选择性以及高达 80 度的宽发射角。该选择性与全向热发射体在约 800 W/m2 的强太阳辐照下实现了高达约 15.4 度的降温新纪录，显著超越现有最优结果。所设计的结构在应对城市热岛效应方面也展现出巨大潜力，建模结果表明其可大幅节能并减少部署面积。本研究将对被动辐射制冷、热光子学及应对全球气候变化产生重要影响。
引用
@article{arxiv.2306.05767,
title = {Highly emissive, selective and omnidirectional thermal emitters mediated by machine learning for ultrahigh performance passive radiative cooling},
author = {Yinan Zhang and Yinggang Chen and Tong Wang and Qian Zhu and Min Gu},
journal= {arXiv preprint arXiv:2306.05767},
year = {2023}
}