پژوهشگران دانشگاه متروپلیتن أوساکا (Osaka Metropolitan University) با ابداع یک دستگاه حرارتی قابل برنامه‌ریزی، دو مانع اساسی در حوزه مدیریت حرارت را یک‌جا برطرف کرده‌اند: این دستگاه نه تنها می‌تواند جهت تابش حرارت را به‌صورت فعال هدایت کند، بلکه پیکربندی خود را حتی پس از قطع کامل منبع تغذیه نیز به‌یاد می‌آورد. این پیشرفت، که در نشریه‌ی پراستیج Laser & Photonics Reviews منتشر شده، افق‌های تازه‌ای برای خنک‌سازی تراشه‌های هوش مصنوعی، فوتونیک سیلیسی، سنسورهای مادون‌قرمز و سیستم‌های برداشت انرژی گشوده است.

چالش دوگانه: قانون کیرشهاف و ناپایداریِ دستگاه‌ها

در فیزیک کلاسیک، قانون کیرشهاف تابش حرارتی برابری بین جذب و انتشار را برای هر ماده‌ی در حالت تعادل حرارتی الزامی می‌کند. این اصل، مهندسی دقیق جریان حرارت را محدود می‌سازد، زیرا مواد سنتی نمی‌توانند 흡 جذب و انتشار را به‌صورت مستقل کنترل کنند. برای شکستن این تقارن، محققان بر روی هم‌گونی لورنتز تمرکز کرده و از مواد مغناطیسی-نوری، نیمه‌فلزات ویِل مغناطیسی و متاسطح‌های تعدیل‌پذیر استفاده کرده‌اند. با این حال، دو مشکل اصلی باقی مانده بود:

  • وابستگی به زاویه‌های گریزانه (grazing angles): عملکرد قوی تنها در زوایای بسیار شیب‌دار رخ می‌داد که از مفید بودن شعاع حرارتی قابل استفاده کاسته و الگوی انتشار را پهن و ناکارآمد می‌ساخت.
  • ناشناسیِ حافظه (Volatility): لحظه‌ای که میدان مغناطیسی، سیگنال الکتریکی یا منبع حرارتی برکنار می‌شد، رفتار دستگاه از بین می‌رفت و مصرف انرژی مداوم برای حفظ حالت لازمی شد.
سکماتیک دستگاه متا-شبکه مغناطیسی-نوری با لایه‌های InAs و GST

راه‌حل hybridi: ترکیب InAs و GST در یک متا-شبکه

تیم أوساکا با هوشمندی دو ماده را با نقش‌های تکمیلی ادغام کرد:

  • آرسنید ایندیوم (InAs): یک نیمه‌هدایت مغناطیسی-نوری که در حضور میدان مغناطیسی، عدم‌تقارن جهتی در تعامل با مادون‌قرمز ایجاد می‌کند و مبنای کنترل غیرهم‌گون را فراهم می‌آورد.
  • ژرمانیوم-آنتیمونی-تلوریم (GST): یک ماده تغییر فاز که به‌صورت معکوس بین حالت‌های آمورف و کریستالی سوییچ می‌کند، تغییر دراماتیک در ضریب شکست و جذب نوری می‌دهد و — نکته کلیدی — حالت خود را بدون نیاز به برق حفظ می‌کند (حافظه ناوولتیل).

محققان GST را به صورت یک شبکه مجهری (grating) روی لایه InAs الگوبرداری کردند و ساختاری به نام «متا-شبکه مغناطیسی-نوری» (magneto-optical metagrating) ساختند. InAs کنترل جهتی را بر عهده دارد، در حالی که لایه GST به‌عنوان سوئیچ حافظه عمل می‌کند. اعمال میدان مغناطیسی پاسخ نوری را تنظیم می‌کند، اما تغییر فاز GST آن رفتار را تا بازنویسی عمدی، به‌صورت دائمی تثبیت می‌کند.

عملکرد در عمل: از زاویه عمودی تا حافظه بی‌نیاز از برق

نتایج آزمایشی نشان می‌دهد دستگاه:

  • در زوایای نزدیک به عمودی (near-normal incidence) کارایی بالا دارد — حل مشکل زاویه‌های گریزانه.
  • پیکربندی برنامه‌ریزی شده را پس از برداشتن میدان مغناطیسی و قطع برق حفظ می‌کند — حل مشکل ناپایداری.
  • می‌تواند جهت و شدت تابش حرارتی را به‌صورت پویا و غیرهم‌گون تغییر دهد.
نمایه‌سازی حرارتی دستگاه در حالت‌های مختلف فاز GST

کاربردهای بالقوه: از دیتاسنترها تا فوتونیک سیلیسی

این تکنولوژی می‌تواند در چندین حوزه اثرگذار باشد:

  • خنک‌سازی تراشه‌های AI: تراشه‌های آموزش مدل‌های بزرگ (مانند GPUهای انویدیا یا TPUهای گوگل) چگالی حرارتی وحشتناکی دارند. مدیریت حرارتی غیرهم‌گون می‌تواند نقاط داغ (hotspots) را به‌صورت فعال به سمت رادیاتورها هدایت کند.
  • فوتونیک سیلیسی: کنترل دقیق تابش مادون‌قرمز برای ماژول‌های ارتباطی نوری و سنسورها حیاتی است.
  • ترموفتوولتائیک (TPV) و برداشت انرژی: بهینه‌سازی انتشار طیف حرارتی برای تبدیل به برق.
  • تصویربرداری و حسگری مادون‌قرمز: کاهش نویز حرارتی و افزایش تضاد در سنسورها.
تصویر میکروسکوپی الکترونیکی از ساختار متا-شبکه GST/InAs

چالش‌های پیش‌رو و چشم‌انداز آینده

با وجود پیشرفت چشمگیر، مسیری برای تجاری‌سازی باقی است: مقیاس‌بندی فرآیند ساخت (fabrication) برای وسعت траشه‌های تجاری، یکپارچه‌سازی با پلتفرم‌های CMOS موجود، و بهینه‌سازی سرعت سوییچینگ فاز GST برای کاربردهای واقعی. تیم محققان اکنون روی بهبود پایداری چرخه‌های بازنویسی و کاهش میدان مغناطیسی موردنیاز تمرکز کرده‌اند.

«ما توانستیم برای اولین بار کنترل جهتی تابش حرارتی را با حافظه ناوولتیل در یک بستر واحد و در زاویه نزدیک به عمودی ترکیب کنیم. این گام بزرگ، مدیریت حرارت را از حالت گیرنده (passive) به حالت فعال و هوشمند می‌کشاند.»
— دکتر کانهیرو 이تو، مربی ارشد گروه پژوهش، دانشگاه متروپلیتن أوساکا

با رشد بی‌سابقه محاسبه‌گرهای هوش مصنوعی و تقاضای افزایش یافتن برای تراشه‌های متراکم‌تر و کارآمدتر، نوآوری‌هایی در سطح مواد و فوتونیک — همانند این متا-شبکه برنامه‌ریزی‌پذیر — می‌توانند ستون فقرات نسل بعدی زیرساخت‌های محاسبه باشند.