Algoritmos EVOlutivos y aprendizaje profundo para el diseño de dispositivos de enfriamiento radiativo pasivo ultracompacto basado en METAsuperficies nanofotónicas.
Enlaces de interés:
El objetivo de AEVOMETA II es diseñar metamateriales (materiales artificiales con propiedades no existentes en la naturaleza) que tengan propiedades de enfriamiento radiativo pasivo, esto es, que aplicados en la superficie de un objeto, (p.e.) la fachada y tejado de un edificio, sea capaz de enfriarlo sin aporte de energía. El enfriamiento radiativo requiere un ajuste preciso de las propiedades ópticas del metamaterial en todo el amplio espectro electromagnético, desde UV hasta infrarrojo medio (0,3–50 μm) para que se obtenga el comportamiento que se está buscando. Para lograr este objetivo, en este proyecto colaborativo combinamos dos diciplinas científicas diferentes: la nanofotónica (UPNA) y la inteligencia Artificial (AIN).
Este tipo de enfriamiento se considera una técnica de eficiencia energética y una alternativa sostenible al uso de sistemas de aire acondicionado. La mayoría de los sistemas de climatización utilizan energía que puede representar hasta el 50% de la energía total consumida en un edificio. En este contexto, el dispositivo de refrigeración ideal sería uno capaz de enfriar un edificio sin consumo de energía externa en una operación puramente pasiva.
Se comenzó a trabajar en 2019 y en ese primer trabajo, se realizó la prueba de concepto (TRL-2), es decir se probó que el objetivo y las técnicas a desarrollar funcionaban. Sin embargo, la investigación se centró en una familia de metasuperficies en forma piramidal que difícilmente iba a poder llegar a la fabricación.
Por ese motivo, AEVOMETA II se reorientó al diseño de estructuras thin-film multicapa que se puedan fabricar y usar en aplicaciones reales. Pero el problema de la optimización de estructuras de enfriamiento radiativo pasivo es que es hiperdimensional con múltiples variables y objetivos interrelacionados de una manera no trivial y, por tanto, difícil de atacar por medio de la intuición humana. Dado este alto número de parámetros que produce millones de posibles combinaciones y que el cálculo de una única solución es computacionalmente costoso, es imposible atacar la búsqueda de la solución óptima calculando todas las combinaciones posibles. Así, mediante la aplicación de técnicas de computación evolutiva, ha sido posible encontrar las mejores soluciones calculando sólo una pequeña fracción de todas las posibles.
Como en esta fase de buscar la solución óptima se generan muchas soluciones, se han aplicado técnidas de Deep Learning para abordar el diseño de metasuperficies. Tras una fase de entrenamiento, es posible predecir la respuesta de una metasuperficie arbitraria e incluso se ataca el problema inverso: dada una respuesta arbitraria se obtiene la
metasuperficie que la implementa.
La mayor ventaja de los algoritmos basados en deep learning es que son capaces de buscar dependencias de forma autónoma, sin necesidad de decirles explícitamente dónde tienen que buscarlas. Es decir, no es necesario decirles cuáles son las características clave que tienen que considerar a la hora de buscar estas dependencias, a diferencia de los algoritmos de aprendizaje automático (machine learning, …), sino que basta con darles todos los datos en bruto y son ellos mismos los que detectan automáticamente cuáles son las características más relevantes. Esto supone una gran
ventaja, ya que son capaces de ver características ocultas en los datos que un ser humano no es capaz de detectar ni de imaginar.
Como culminación de AEVOMETA II, se ha fabricado y caracterizado un prototipo a pequeña escala que ha estado operando en condiciones ambientales ratificando todos los resultados obtenidos en la teoría.
