{rfName}
De

Indexado en

Licencia y uso

Citaciones

54

Altmetrics

Grant support

J.J.G.E. was supported by the Spanish Ministry of Science and Innovation through a University Teaching Training Program (FPU) grant (Grant No. FPU19/05281) . J.B.A. acknowledges financial support from the Ministerio de Ciencia, Innovacion y Universidades (RTI2018-098452-B-I00) . J.C.C. acknowledges funding from the Spanish Ministry of Science and Innovation (Grant No. PID2020-114880GB-I00) .

Análisis de autorías institucional

Garcia-Esteban, JjAutor o CoautorBravo-Abad, JAutor o CoautorCuevas, JcAutor (correspondencia)

Compartir

20 de diciembre de 2021
Publicaciones
>
Artículo
Green

Deep Learning for the Modeling and Inverse Design of Radiative Heat Transfer

Publicado en:Physical Review Applied. 16 (6): 64006- - 2021-12-02 16(6), DOI: 10.1103/PhysRevApplied.16.064006

Autores: Cuevas, J C

Afiliaciones

Univ Autonoma Madrid, Dept Fis Teor Mat Condensada, E-28049 Madrid, Spain - Autor o Coautor

Resumen

Deep learning is having a tremendous impact in many areas of computer science and engineering. Motivated by this success, deep neural networks are attracting increasing attention in many other disciplines, including the physical sciences. In this work, we show that artificial neural networks can be successfully used in the theoretical modeling and analysis of a variety of radiative-heat-transfer phenomena and devices. By using a set of custom-designed numerical methods able to efficiently generate the required training data sets, we demonstrate this approach in the context of three very different problems, namely (i) near-field radiative heat transfer between multilayer systems that form hyperbolic metamaterials, (ii) passive radiate cooling in photonic crystal slab structures, and (iii) thermal emission of subwavelength objects. Despite their fundamental differences in nature, in all three cases we show that simple neural-network architectures trained with data sets of moderate size can be used as fast and accurate surrogates for doing numerical simulations, as well as engines for solving inverse design and optimization in the context of radiative heat transfer. Overall, our work shows that deep learning and artificial neural networks provide a valuable and versatile toolkit for advancing the field of thermal radiation.

Palabras clave

Neural-networksScattering

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Physical Review Applied debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2021, se encontraba en la posición 40/161, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Physics, Applied.

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir de las Citas Mundiales proporcionadas por WoS (ESI, Clarivate), arroja un valor para la normalización de citas relativas a la tasa de citación esperada de: 2.06. Esto indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: ESI 14 Nov 2024)

Esta información viene reforzada por otros indicadores del mismo tipo, que aunque dinámicos en el tiempo y dependientes del conjunto de citaciones medias mundiales en el momento de su cálculo, coinciden en posicionar en algún momento al trabajo, entre el 50% más citados dentro de su temática:

  • Media Ponderada del Impacto Normalizado de la agencia Scopus: 2.8 (fuente consultada: FECYT Feb 2024)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2025-07-16, el siguiente número de citas:

  • WoS: 21
  • Scopus: 23

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-07-16:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 26.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 29 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 2.85.
  • El número de menciones en la red social X (antes Twitter): 6 (Altmetric).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://repositorio.uam.es/handle/10486/705719

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (GARCIA ESTEBAN, JUAN JOSE) y Último Autor (CUEVAS RODRIGUEZ, JUAN CARLOS).

el autor responsable de establecer las labores de correspondencia ha sido CUEVAS RODRIGUEZ, JUAN CARLOS.