Investigadores de la Universidad de Texas en Austin (Estados Unidos), la Universidad Jiao Tong de Shanghái (China), la Universidad Nacional de Singapur (Singapur) y la Universidad de Umea en Suecia han desarrollado un nuevo enfoque basado en aprendizaje automático para crear metaemisores térmicos tridimensionales complejos.
Mediante este sistema, los investigadores desarrollaron más de 1500 materiales diferentes que pueden emitir calor selectivamente a diversos niveles y de diferentes maneras, lo que los hace ideales para la eficiencia energética mediante una refrigeración y calefacción más precisas, según se publica en 'Nature'. De esta forma, el trabajo concluye que estos materiales desarrollados mediante aprendizaje automático e inteligencia artificial podrían, entre otras cosas, mantener la casa más fresca y reducir las facturas de energía.
"Nuestro marco de aprendizaje automático representa un avance significativo en el diseño de metaemisores térmicos", profundiza Yuebing Zheng, profesor del Departamento de Ingeniería Mecánica Walker de la Escuela de Ingeniería Cockrell y colíder del estudio publicado en Nature. "Al automatizar el proceso y ampliar el espacio de diseño, podemos crear materiales con un rendimiento superior, antes inimaginable".
Para probar su plataforma, los investigadores fabricaron cuatro materiales para verificar los diseños. Aplicaron uno de los materiales a una casa modelo y lo compararon con pinturas comerciales para determinar su efecto refrescante. Tras cuatro horas de exposición a la luz solar directa al mediodía, el techo del edificio recubierto con metaemisores se mantuvo entre 5 y 20 grados Celsius más frío, en promedio, que los techos con pintura blanca y gris, respectivamente.
Los investigadores estimaron que este nivel de refrigeración podría ahorrar el equivalente a 15.800 kilovatios al año en un edificio de apartamentos en un clima cálido como Río de Janeiro o Bangkok. Un aparato de aire acondicionado típico consume unos 1.500 kilovatios al año. Sin embargo, las aplicaciones van más allá de mejorar la eficiencia energética en hogares y oficinas. Utilizando el marco de aprendizaje automático, los investigadores desarrollaron siete clases de metaemisores, cada uno con diferentes potencias y aplicaciones.
Se podrían implementar metaemisores térmicos para ayudar a reducir la temperatura en zonas urbanas al reflejar la luz solar y emitir calor en longitudes de onda específicas. Esto mitigaría el efecto de isla de calor urbana, donde las grandes ciudades tienen temperaturas más altas que las áreas circundantes debido a la falta de vegetación y los altos niveles de hormigón. Más allá de nuestro planeta, los metaemisores térmicos podrían ser útiles en el espacio para controlar la temperatura de las naves espaciales al reflejar la radiación solar y emitir calor de forma eficiente.
Más allá de las aplicaciones de esta investigación, los metaemisores térmicos podrían formar parte de muchos objetos de uso diario. Su integración en textiles y telas podría mejorar la tecnología de refrigeración de la ropa y el equipamiento para actividades al aire libre. Revestir los coches con ellos e integrarlos en los materiales interiores podría reducir el calor que se acumula al estar expuestos al sol.
El minucioso proceso tradicional de diseño de estos materiales ha frenado su adopción generalizada. Otras opciones automatizadas tienen dificultades para gestionar la complejidad de la estructura jerárquica tridimensional de los metaemisores, lo que limita los resultados a geometrías simples, como pilas de película delgada o patrones planos, con un rendimiento deficiente en algunas medidas.
"Tradicionalmente, el diseño de estos materiales ha sido un proceso lento y laborioso, basado en métodos de prueba y error", matiza Zheng. "Este enfoque a menudo resulta en diseños deficientes y limita la capacidad de crear materiales con las propiedades necesarias para ser eficaces".
Los investigadores continuarán perfeccionando esta tecnología y aplicándola a más aspectos de su campo de la nanofotónica: la interacción de la luz y la materia en las escalas más pequeñas. "El aprendizaje automático puede no ser la solución para todo, pero los requisitos espectrales únicos de la gestión térmica lo hacen particularmente adecuado para diseñar emisores térmicos de alto rendimiento", finaliza Kan Yao, coautor de este trabajo e investigador del grupo de Zheng.