機器學習設計寬帶與選擇性熱發射材料

熱輻射調控在散熱、隱身、能源等領域有重要應用，但傳統設計方法多依賴經驗和反復試錯，效率低、精度差，難以同時滿足寬帶調控、帶寬位置選擇和多結構、多材料組合優化的需求。雖然機器學習已應用于納米光子材料設計，但受限于結構和材料的設定，容易陷入局部最優，且很難用于復雜三維結構的高效設計。要突破這些限制，亟需開發新的、能夠同時實現全局優化和三維復雜結構設計的通用方法，來高效、精準地設計出性能優異的熱輻射器。

為此，上海交通大學周涵教授、張荻教授聯合新加坡國立大學仇成偉教授和德克薩斯大學奧斯汀鄭躍兵教授提出了一種全新的機器學習設計框架，能夠借助少量數據，結合三維結構復雜性和多樣材料，進行多參數聯合優化，設計出種類豐富、性能優異的超寬帶或高選擇性熱超材料輻射器。該框架具備兩大優勢：（1）可自動反向設計，快速篩選大量可能的結構與材料組合，實現精準光譜調控；（2）突破傳統二維結構限制，創新性地采用三平面建模方法，支持復雜三維超材料的設計。作者展示了七種概念性三維超材料熱輻射器，具備遠超現有設計的光學性能和輻射冷卻效果。這項工作提供了一種通用、可擴展的三維納米光子材料設計方法，通過拓展幾何自由度與材料庫，助力實現全球最優設計，推動納米光子學和熱管理技術發展。相關成果以“Ultrabroadband and band-selective thermal meta-emitters by machine learning”為題發表在《Nature》上，第一作者為Chengyu Xiao。

逆向設計范式概述

作者提出了一種全新的機器學習輔助設計方法，打破了傳統依賴經驗的納米光子結構設計思路。這套方法通過建立一個包含豐富3D結構單元（圖1a左）和多種材料組合（圖1a右）的龐大數據庫，配合統一的結構與材料描述符，將復雜的三維信息轉化為計算參數，大幅拓展了設計空間和靈活性。結合機器學習算法，這個平臺可以高效搜索并自動組合不同結構與材料，實現紫外到中紅外（0.25–25微米）范圍內超寬帶、多目標的光譜定制（圖1d、1e）。這一平臺不僅可以設計出功能多樣、光譜特性靈活的納米光子結構（圖1c），還大幅提高了設計效率和精度，突破了傳統平面、二維結構的限制，真正為光熱調控、光子功能材料等應用打開了全新路徑。

圖 1：基于 ML 的一般逆向設計范式

基于 ML 的逆向設計過程和描述符

作者提出了一種結合機器學習的高效設計方法，突破了傳統經驗法的局限，能快速智能地設計多種三維納米光子結構。具體來說，作者構建了包含32種基礎3D結構單元（圖2a）、多種排列方式（圖2b）和30種穩定性優異的候選材料（圖2d）的龐大數據庫。通過創新性的“三平面建模法”（圖2c），只需11個參數即可準確描述復雜3D結構。同時，作者開發了材料光學描述符（圖2e），綜合反映材料的折射率和吸收特性。依托這一結構與材料聯合描述符，作者用機器學習搭建了完整的逆向設計流程，包括數據篩選、特征降維、深度學習預測、cGAN生成設計方案，最終實現了超5萬種結構材料組合的高效篩選與定制（圖2f）。該方法極大拓寬了設計空間，實現了從紫外到中紅外的寬光譜靈活調控，適用于光熱調控、光子功能材料等多領域應用。

圖 2：基于 ML 的逆向設計過程和描述符

TME 的逆向多目標設計

為驗證設計框架的效果，作者開發了7種不同功能的熱發射超材料（TME），針對如太空散熱、地面被動降溫、熱隱身、雙面控溫等多種實際應用（圖3a）。借助訓練好的生成模型，每種TME自動生成2000個候選方案，并通過篩選得到滿足光譜需求的高質量設計，最終21個典型方案經仿真驗證，結構多樣，既有傳統光子晶體、膜結構，也有突破常規的新型復雜結構（圖3b）。該方法每秒可生成2500個方案，效率遠超傳統設計手段。同時，借助機器學習對大數據的規律提取，研究人員還總結出材料和結構的組合規律，方便快速篩選滿足特定性能和穩定性要求的設計（圖3c、3d），大大提高了熱發射超材料的設計效率與性能可控性。

圖 3： 不同 TME 的逆向設計

實驗和性能評估

作者通過實驗驗證了4種代表性熱發射超材料（TME-1到TME-4）的設計效果（圖4a-c），實測結果與機器學習預測高度吻合（圖4d）。其中，TME-1具備寬帶高發射率和太陽高反射率，適合太空散熱；TME-2針對大氣窗口設計，具備理想的“帽型”發射譜，城市降溫效果突出（圖4h）；TME-3在兩個大氣窗口均實現高發射率，兼具良好反射性能。量化分析顯示，TME-1的寬帶發射率、TME-2的選擇性指標均優于現有材料（圖4e、4f）。實際應用中，三種超材料在不同天氣和環境下均實現了明顯降溫效果，TME-1在晴天降溫5.9°C，TME-2在城市復雜環境下比普通白漆低5.3°C（圖4g、4h、4i）。此外，TME-1也適用于太空環境，具備良好穩定性。整體驗證了該設計方法具備高效率、強適應性的優勢。

圖 4：用于概念驗證實驗驗證和性能評估的代表性 TME

適用性和節能評價

作者從成千上萬種設計方案中，篩選出適合大規模制造的熱發射超材料。其中，TME-3具有很強的實用性，像刷漆一樣簡單，且能在室溫下通過溶液工藝涂覆在磚塊、金屬、塑料和玻璃等各種表面。實地測試中，我們用TME-3涂覆了模型房屋的屋頂（圖5a、b），在強烈日照下，中午4小時的監測結果顯示，TME-3屋頂溫度比普通白漆低5.6°C，比標準灰色涂層低21°C（圖5c），體現出優異的城市降溫效果。進一步模擬顯示，在典型四層公寓樓屋頂應用TME-3后，空調能源消耗大幅下降，尤其在熱帶城市效果顯著（圖5d），炎熱氣候下每平方米每年可節省高達75 MJ能耗，相當于全樓每年節省約1.58萬度電（圖5e）。此外，TME-3還能拓展應用于遮陽板、紡織品和有色穿戴材料。

圖 5：建筑圍護結構的應用和節能評估

小結

本文開發了一種結合機器學習、計算模擬和實驗驗證的通用設計平臺，可以自主高效地發現和優化各類熱發射超材料。這一框架不僅極大拓展了熱超材料的設計空間，還推動了納米尺度光-物質相互作用研究的突破。通過精準的光譜調控，作者已成功研發出多種可規模化應用于建筑等基礎設施的實用材料。這一通用的機器學習設計框架，為下一代反向設計范式變革提供了技術基礎。未來，隨著更多結構元素、排列方式和材料特性的加入，該平臺有望廣泛應用于各類納米光學材料設計，甚至拓展到彩色超材料、超光學、拓撲光子學等更前沿領域。

來源：高分子科學前沿

聲明：僅代表作者個人觀點，作者水平有限，如有不科學之處，請在下方留言指正！