Diseño de metasuperficies con capacidad de enfriamiento radiativo aplicando IA y modelos subrogados
Enlaces de interés:
Artículos científicos
Comunicaciones en congresos
El proyecto «Diseño de metasuperficies con capacidad de enfriamiento radiativo aplicando IA y modelos subrogados» (disenIA) representa la continuación natural del proyecto AEVOMETA II, desarrollándose entre septiembre 2022 y noviembre 2024. El enfriamiento radiativo pasivo permite transferir energía calorífica de un objeto al espacio libre (que se encuentra a ~3K) sin consumo energético, radiando eficientemente en la ventana atmosférica (8-13 μm) mientras refleja la radiación solar (0.3-3 μm).
Metodologías y Desarrollo Técnico
Desarrollo de Modelos Subrogados para reducir el tiempo computacional de estructuras multicapa
El proyecto exploró inicialmente dos aproximaciones principales para acelerar el diseño de estructuras multicapa. La primera basada en teoría clásica de filtros presentó limitaciones significativas, especialmente para filtros pasa-banda que requerían elementos en serie incompatibles con estructuras multicapa.
La segunda aproximación, basada en reflectores de Bragg con ‘chirp’ lineal, demostró ser mucho más prometedora. Esta metodología permite diseñar estructuras multicapa alternando materiales de alto y bajo contraste óptico, donde cada par de capas refleja longitudes de onda específicas según la ecuación de Bragg. Los resultados teóricos alcanzaron potencias netas de ~70 W/m² con reducciones de temperatura de hasta 7K.
Estructura multicapa con filtros de Bragg y curva de emisividad a 0º
Optimización de estructuras multicapa mediante Computación Evolutiva
Se implementaron algoritmos de computación evolutiva para optimizar espesores de capas, superando significativamente los resultados del criterio de Bragg teórico. La estructura multicapa óptima de 22 capas (SiO2/Si) logró una potencia neta de 30.098 W/m² con altura total de 2909 nm, representando un incremento del 100% respecto a la solución teórica de Bragg.
Los estudios de tolerancia de fabricación demostraron la robustez del diseño: el 94.5% de las estructuras mantuvieron potencia neta positiva con variaciones del 15% en espesores, y el 82% conservaron potencias superiores a 15 W/m².
Desarrollo de modelos de Inteligencia Artificial como modelos subrogados
Diseño Directo
Se desarrollaron modelos de deep learning para predicción de curvas de emisividad. Las arquitecturas GRU (Gated Recurrent Unit) superaron a las redes convolucionales CNN1D, especialmente al incluir propiedades físicas de materiales (índices de refracción y coeficientes de pérdidas) como variables de entrada3
El modelo final GRU, entrenado con 1,048,576 estructuras, alcanzó un MSE de 0.000039, donde el 94% de las predicciones presentaron errores menores a 0.0001.
Resultado del diseño directo con redes GRU
Diseño Inverso
Para la predicción de geometría estructural a partir de curvas de emisividad se implementaron redes densas. Los resultados mostraron que el 80% de las predicciones alcanzaron MSE < 1 para espesores de capa, mientras que el 95% obtuvieron accuracy > 0.9 para identificación de materiales.
Metasuperficies Pixeladas para incrementar la potencia neta de enfriamiento
Se investigó el diseño de metasuperficies dieléctricas (SiO2/aire) como capas adicionales para mejorar la absorción en ventana atmosférica. Los estudios demostraron que configuraciones con resonadores dieléctricos tipo Mie, formados por píxeles de SiO2 distribuidos estratégicamente, pueden incrementar la potencia neta hasta un 12% adicional.
Sin embargo, se determinó que la prioridad debe ser mantener la alta reflectancia de la multicapa en banda solar, ya que las pérdidas por inclusión inadecuada de elementos en la metasuperficie pueden perjudicar significativamente el rendimiento global.
Análisis de Física Subyacente
Mediante técnicas de Self-Organizing Maps (SOM) y algoritmos XGBoost se identificaron las variables más influyentes en el rendimiento de las estructuras.
Fabricación y Validación Experimental
Proceso de Fabricación
Se optimizó el proceso de deposición por evaporación de haz de electrones, utilizando SiO2 y Si como materiales base por consideraciones ambientales y de fabricabilidad. Se desarrolló un proceso de deposición a temperaturas inferiores a 200°C para minimizar el impacto energético, caracterizando las propiedades ópticas mediante elipsometría espectroscópica.
Fotografía de la estructura multicapa fabricada.
Caracterización Óptica
El prototipo fabricado demostró:
Validación Experimental en Exterior
Las medidas experimentales en condiciones reales alcanzaron:
Nivel de Madurez Tecnológica y Transferencia
El proyecto alcanzó un nivel TRL-5 con un prototipo demostrador funcional que verifica el enfriamiento pasivo sin aporte energético externo. Esta tecnología presenta potencial significativo para reducir el consumo energético en sistemas de climatización, contribuyendo directamente a los objetivos de transición energética y sostenibilidad ambiental.
Difusión e Impacto Científico
Los resultados se han difundido a través de Publicaciones en revistas de alto impacto: Optics Express y Advanced Photonics Research y presentaciones en congresos internacionales (Artificial Intelligence Photonics 2023, METAMATERIALS 2024)
