近几十年来，人工智能的突破、新能源技术的兴起以及下一代高速通信的发展都对电子系统提出了更高的要求。这些新兴领域需要电子系统具备紧凑、多功能和高性能的特点。随着工程师们将越来越密集的半导体器件集成到微型芯片中，散热已成为一个亟需解决的挑战。宽/超宽带隙半导体材料的热管理已成为主要的研究焦点。GaN和G₂O₃作为典型的宽/超宽带隙半导体，已经实现了许多实际应用[[1], [2], [3], [4], [5], [6], [7], [8], [9], [10]]。值得注意的是，它们的宽带隙和高击穿场强使其在高温和高压应用中具有巨大潜力。然而，当前的GaN和G₂O₃基器件表现出较高的整体热阻，这源于两个因素：（1）材料生长过程中在界面引入的成核层的热阻；（2）GaN（130 W/mK）和G₂O₃（11–27 W/mK）的固有低导热性[[12], [13], [14]]。
为了解决半导体器件的热管理问题，研究人员提出了多种方法，其中微通道冷却被认为是最有前景的解决方案之一[[15]]。已经探索了多种材料作为微通道基板，包括Cu [16], Si [17], SiC [[18], [19], [20]] 和金刚石 [21,22]]。金刚石具有无与伦比的导热性能（>2200 W/mK）[23]，使其成为理想的金刚石微通道散热器选择。然而，金刚石也是自然界中最硬的材料，这对微通道的制造带来了重大挑战。Fu等人使用三种不同的方法开发了金刚石微通道，其中一种方法是两步制造技术，利用激光蚀刻创建高长宽比的微通道[[24], [25], [26], [27]]。对这些金刚石散热器的实验测试表明，嵌入式和非嵌入式微通道的加热表面峰值温度分别降低了42%和5.2%，突显了它们的卓越冷却潜力。Qi等人通过激光蚀刻制造了金刚石微通道，并研究了表面修饰对热性能的影响，发现传热性能提高了20%–50%，热阻降低了14%–28% [28]。袁等人对金刚石微通道进行了数值模拟，并提出了一种创新的中心混合针翅微通道设计，与传统直通道相比，热阻降低了47.3%，温度均匀性提高了30.8% [[29], [30], [31]]。杜等人提出了多种新型金刚石微通道结构，并通过模拟研究了它们的热流体性能[[32], [33], [34], [35], [36]]。然而，这些结构的复杂性目前阻碍了其实际制造。总体而言，由于制造限制，当前关于金刚石微通道的研究主要集中在直通道和可制造的设计上。
机器学习正在革新传统的工程方法，突破了传统方法的瓶颈。它为材料科学、热管理和制造过程等各个工程领域提供了创新的解决方案[[37], [38], [39], [40], [41], [42], [43], [44]]。作为机器学习的一个子集，深度学习利用多层人工神经网络（ANN）来捕捉复杂的非线性关系。Yu等人将ANN与遗传算法结合，优化了针翅微通道结构，在传统方法难以实现的参数空间中获得了性能最优的设计[45]。然而，由此产生的结构过于复杂，只能使用易于加工的材料（如铜）进行制造，无法在金刚石上实现。Nekahi等人采用混合神经网络和遗传算法方法对带翅微通道进行了单目标和多目标优化，整体性能提高了13.52% [46]。Li等人设计了树状微通道，并应用ANN和响应面方法进行多目标优化（努塞尔数与压降），最终得出了同时平衡两个目标的配置[47]。Zhu等人通过ANN优化了散热器针翅的几何形状（长度、直径、间距），建立了智能的参数-性能映射，最大化了冷却效率。结果表明，当针翅长度从5毫米增加到20毫米时，平均温度降低了11.42 K，验证了深度学习在热管理设计中的有效性[48]。
在高性能计算和功率电子等领域，设备运行期间的热流已超过1000 W/cm²，这迫切需要先进的热管理[49]。在如此高的热流条件下，累积的焦耳热会持续使设备温度保持较高。严重的温度升高不仅大大限制了设备性能的充分发挥，还显著降低了可靠性[50,51]。尽管上述研究[[45], [46], [47], [48]]报告了使用新的基于机器学习的方法来优化微通道结构，但这些方法主要基于导热性相对较低的传统材料，如铜和硅。由这些材料制成的散热器已无法满足热流超过1000 W/cm²的高性能电子设备的散热要求。
相比之下，金刚石的导热性能大约是铜的5.7倍（387.6 W/m·K [45]），是硅的15倍（148 W/m·K [52]）。因此，金刚石微通道散热器代表了管理超高热流的一个非常有前景的下一代解决方案。然而，之前关于金刚石散热器的研究仍然面临两个主要问题。首先，结构优化主要局限于逐个案例的枚举和比较，缺乏系统和高效的优化方法。其次，许多提出的高性能结构（例如微肋、微腔和多层通道）在几何上非常复杂，而金刚石的高硬度给这些配置的制造带来了重大挑战。为了克服这些限制，本文采用基于机器学习的多目标优化方法，系统地优化了可制造的金刚石微通道结构。这种方法能够系统地研究多个几何参数对热流体性能的影响，并有效获得帕累托最优解。值得注意的是，本研究首次将制造目标引入优化过程，直接解决了金刚石高硬度和材料成本带来的挑战。这种方法在冷却性能和制造成本之间取得了平衡，为金刚石微通道散热器的工业化生产铺平了道路。
具体来说，选择了直通道和之字形配置的金刚石微通道作为研究对象，因为它们在制造上相对可行。为了设计具有最佳性能的金刚石微通道结构，采用了传统的数值模拟方法与机器学习相结合的方法来完成多目标优化任务。首先，使用COMSOL Multiphysics软件进行数值模拟，生成了一个足够大的数据集，每个样本包含结构参数及其相应的性能指标。在这个数据集上训练的ANN作为替代模型，建立了结构参数与性能指标之间的映射关系。随后，遗传算法通过模拟生物进化过程来探索最优解集。最终获得的帕累托最优解代表了多个冲突目标之间的权衡。
本文讨论了两类多目标优化：（1）热流体双目标优化和（2）受制造约束的多目标优化。前者旨在优化两个冲突的性能目标：最大温度（Tmax）和压降（ΔP），而后者同时优化这两个性能目标以及两个制造约束：材料成本和制造难度。本研究调查的这两种优化任务都具有重要意义。热流体双目标优化有助于揭示传热和流体流动特性之间的基本物理机制和性能权衡。另一方面，受制造约束的多目标优化同时考虑了热流体性能和实际的可制造性，为金刚石微通道散热器的实际工业应用提供了巨大价值。
