熱納米光子學實現了從能源技術到信息處理的技術應用的根本性突破。從熱發射器到熱光電和熱偽裝，精確的光譜工程一直受到試錯法的限制。同時，機器學習在納米光子和超材料的設計中展示了其強大的能力。然而，開發一種通用的設計方法來定制具有超寬帶控制和精確波段選擇性的高性能納米光子發射器仍然是一個相當大的挑戰，因為它們受到預定義的幾何形狀和材料、局部優化陷阱和傳統算法的限制。

2025年7月2日，上海交通大學周涵、張荻、新加坡國立大學仇成偉、美國德克薩斯大學鄭躍兵共同通訊在Nature在線發表題為“Ultrabroadband and band-selective thermal meta-emitters by machine learning”的研究論文，該研究提出了一種基于非傳統機器學習的范式，可以通過實現包含三維結構復雜性和材料多樣性的稀疏數據的多參數優化來設計大量超寬帶和波段選擇性熱元發射器。該研究為制造三維納米光子材料提供了一個通用的框架，通過擴展幾何自由度和維度以及全面的材料數據庫來促進全局優化。

熱輻射是自然界的一個基本特征。納米光子工程用于定制熱發射光的光譜、方向性和偏振，具有廣泛的應用范圍。對于每種應用，必須仔細設計熱發射器的理想光譜分布，以適應環境的變化，無論是地外環境還是陸地環境、大氣條件、工作溫度還是濕度水平。例如，對于地面、亞環境、被動冷卻和緩解城市熱島效應，波段選擇性熱發射器在透明大氣窗口中表現出近單位發射率，在非大氣窗口波長下表現出近一單位反射率，這一點至關重要。相反，在整個中紅外波段具有高發射率的寬帶發射器對于白天高于環境的冷卻和外星應用至關重要。因此，一種通用的設計方法對于具有所需光譜輪廓的定制發射器的高效和精確設計至關重要。

基于機器學習的通用逆向設計范式（圖源自Nature）

該研究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，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。

參考信息：

https://www.nature.com/articles/s41586-025-09102-y