机器学习辅助的热电制冷用于多热点热管理

热电制冷器 (TEC) 为直接冷却局部热点以及在先进电子系统中主动热管理提供了有前景的解决方案。然而，TEC 在空间制冷、加热和功耗之间存在显著权衡。TEC 的优化需要进行大量仿真，而这在实际系统中管理具有多热点且具有空间和时间变化的情况下是不可行的。在本研究中，我们提出了一种新型机器学习辅助优化算法，用于热电制冷器，可基于实时多热点条件对整个域中的每个 TEC 单元进行独立控制，以实现全局最优温度。我们采用融合 Inception 模块和多任务学习 (MTL) 方法的卷积神经网络 (CNN) 来理解系统所包含的被动热梯度、珀尔帖效应和乔尔效应之间的复杂相互作用，以实现准确预测 TECs 与不使用 TECs 时的温度和功耗。由于 TEC 控制的局部最优会导致空间温度权衡，从而可能不产生全局最优解，我们开发了一种基于机器学习模型的回溯优化算法，用于遍历所有可能的 TEC 分配以实现全局最优解。对于任意 m x n 矩阵中具有 NHS 热点 (n, m <= 10, 0 <= NHS <= 20) 的问题，我们的算法能够在平均 1.64 秒内提供 52.4% 的峰值温度降低，并生成相应的 TEC 阵列控制方案，而在后台进行十几次温度预测。这一速度比传统有限元方法 (FEM) 提升了三个数量级，后者大约需要 27 分钟。