Algoritmo EBOlutiboak eta sakoneko ikaskuntza erradiazio bidezko hozte pasiboko gailu ultrakonpaktuak diseinatzeko, METAgainazal nanofotonikoetan oinarrituta.
Esteka interesgarriak:
Comunicaciones en congresos
AEVOMETA II proiektuaren helburua da erradiazio bidezko hozte pasiboko propietateak dituzten metamaterialak (naturan ez dauden propietateak dituzten material artifizialak) diseinatzea, hau da, objektu baten gainazalean aplikatuta, adibidez, eraikin baten fatxadan eta teilatuan, energiarik gabe hozteko gai direnak. Erradiazio bidezko hozteak metamaterialaren propietate optikoak espektro elektromagnetiko zabal osoan zehaztasunez doitzea eskatzen du, ultramoretik hasi eta infragorri ertaineraino (0,3–50 μm), bilatzen den portaera eskuratze aldera. Helburu hori lortzeko, proiektu kolaboratibo honetan bi diziplina zientifiko ezberdin uztartzen ditugu: nanofotonika (NUP) eta Adimen artifiziala (AIN).
Hozte mota hori energia-efizientziako teknikatzat hartzen da, eta aire girotuko sistemen erabileraren aurreko alternatiba jasangarri bat. Klimatizazio-sistema gehienek erabiltzen duten energiak eraikinean kontsumitutako energia osoaren % 50era arteko portzentajea har dezake. Testuinguru horretan, hozteko gailu egokiena kanpoko energia kontsumitu gabe eraikina hozteko gai dena izango litzateke, eragiketa zeharo pasibo batean.
2019an hasi zen lanketa hori jorratzen eta lehendabiziko lan horretan, kontzeptuaren proba egin zen (TRL-2), hau da, helburuak eta garatzeko teknikek funtzionatu egiten ote zuten probatu zen. Haatik, ikerketak piramide formako meta-azalera familia bati erreparatu zion, nekez fabrikatuko zena.
Arrazoi hori dela medio, AEVOMETA II proiektua geruza anitzeko thin-film egituren diseinura birbideratu zen, fabrikatu egin daitezkeenak eta egiazko aplikazioetan erabil daitezkeenak. Baina erradiazio bidezko hozte pasiboko egituren optimizazioan, arazoa da hiper dimentsionala dela, aldagai askorekin eta modu ez tribialean elkarlotutako helburuekin, eta horrenbestez, zaila da giza intuizioz horri eustea. Balizko milioika konbinazio sorrarazten dituen parametro kopuru handi hori dela medio, eta irtenbide bakarraren kalkulua, arlo konputazionalari so, garestia dela kontuan izanik, ezinezkoa da irtenbide egokienaren bilaketari balizko konbinazio guztiak kalkulatuz eustea. Horrela, konputazio ebolutiboko teknikak aplikatuz, irtenbide onenak aurkitu ahal izan dira, balizko guztien zati txiki bat soilik kalkulatuz.
Irtenbide egokiena bilatzeko fase horretan irtenbide ugari sortzen direnez, Deep Learning teknikak aplikatu dira meta-azaleren diseinua jorratzeko. Entrenamendu-fase baten ondoren, meta-azalera arbitrario baten erantzuna iragar daiteke eta, are, alderantzizko arazoari eusten zaio: erantzun arbitrario bat emanda, hura txertatzen duen meta-azalera eskuratzen da.
Deep Learningean oinarritutako algoritmoen abantaila handiena da dependentziak modu autonomoan bilatzeko gai direla, esplizituki non bilatu behar duten esan beharrik gabe. Hau da, ez da beharrezkoa dependentzia horiek bilatzeko garaian aintzatetsi behar dituzten ezaugarri gakoak zein diren esatea, ikaskuntza automatikoko algoritmoek ez bezala (machine learning, …); aitzitik, nahikoa da datu guztiak gordinean ematearekin, eta haiek, beren kabuz, ezaugarri esanguratsuenak hautematen dituzten automatikoki. Hori abantaila handia da; izan ere, datuetan ezkutuan dauden ezaugarriak ikusteko gai dira, gizaki batek hauteman eta imajinatu ere ezin dituenak.
AEVOMETA II proiektua amaitzeko, eskala txikiko prototipo bat fabrikatu eta ezaugarriak esleitu zaizkio, giro-baldintzetan jarduten aritu dena, teorian eskuratutako emaitza guztiak berretsiz.
