文献前沿丨Nature：基于机器学习的超宽带和波段选择性热超材料发射器

热辐射作为自然界能量传递的重要方式，其精准调控在辐射制冷、热光伏、热伪装等领域具有重大应用价值。然而，精准的光谱工程长期受限于传统经验试错式设计方法的瓶颈。近年来，人工智能（AI），特别是机器学习，在纳米光子学与超材料设计中展现出强大潜力，但现有的AI模型无法实现多构型-多材料的自动寻优匹配和全局优化，同时难以实现三维复杂结构的建模。开发具有超宽带控制和精确波段选择性的高性能纳米光子发射器的通用设计方法仍然是一个相当大的挑战。针对上述问题与挑战，来自美国德克萨斯大学奥斯汀分校的郑跃兵教授、新加坡国立大学的仇成伟教授、以及上海交通大学的张荻教授和周涵教授等研究者提出一种非常规通用的机器学习设计范式，可在稀疏数据条件下完成包含三维结构复杂性与材料多样性的多参数全局优化，成功设计了多种兼具超宽带调控与高精度选择性发射能力的热超材料发射器。相关研究成果以Ultrabroadband and band-selective thermal meta-emitters by machine learning.为题发表在最新学术期刊Nature上。

本文从热辐射超材料的三维全局优化设计瓶颈出发，设计了如图1所示的融合32种结构基元、多种空间排列方式与30种材料数据库的机器学习全局优化范式，利用“三平面建模法”（图2）将复杂结构参数化为11个变量，实现了大规模复杂三维设计空间建模与全局优化。为了验证模型的设计能力，研究者开发了7类针对特定应用的热辐射超材料TME1-7（如图3），其中TME-1、TME-2、TME-3分别为宽带、单波段选择性与双波段选择性发射器。为了评估设计的TMEs的性能，制备了代表性TME-1至TME-3，实物图和电镜扫描图如图4a–c所示。光谱测试显示（图4d）：TME-1在3–25μm内发射率为0.92，TME-2在8–13μm内为0.92，TME-3在8–13与16–25μm内分别达0.95和0.90。户外实测表明（图4g–i），TME-1在晴天正午降温5.9°C、冷却功率达120W/m²；TME-2在多云条件下降温4.6°C，并在城市场景中温度比商用白漆低5.3°C；TME-3则实现了相较灰色涂料低21°C的显著温降。进一步的能耗模拟表明，在中低纬度地区，将TME-3大规模应用于建筑屋顶可实现75 MJ/m2的节能效果（图5）。

图1：基于机器学习的通用逆向设计范式。a.本研究所提出的机器学习方法整合了三维结构基元与空间排布（左）以及多样化候选材料数据库（右）。b.该方法具备实现全局优化解决方案的潜力。c.该范式可有效满足多目标及用户定制化光谱需求。d.与先前机器学习研究相比的设计波长范围对比。e.本研究与既往机器学习工作的设计空间覆盖度对比，包括超辐射体候选结构数量、材料多样性、带宽范围及维度空间，体现同步多目标优化能力。

图2：基于机器学习的逆向设计流程与描述。a.源自自然原型的结构基元。b.结构基元的空间排布。基元A位于基底上方，基元B嵌入基底内部。顶部含有多层结构，底部设有反射层。此整体表征涵盖从一维到三维分级架构的广泛光子结构。c.为描述复杂三维几何结构而开发的三平面建模系统。每个结构基元（左）被分解为三个平行平面，其特征（形状、尺寸、面间距离）投影至三平面，形成基元的离散化描述。d.材料筛选考虑电子带隙、折射率及声子极化激元共振。机器学习输入为复折射率的实部n与虚部（k）；其中nsolar、ksolar、nIR和kIR分别表示太阳光波段（0.25–2.5 µm）与红外波段（3–25 µm）的对应值。e.设计空间由几何/材料组合描述符定义，生成包含57110个样本的训练数据集，覆盖两类基元组合、基底、反射层及顶层的全部特。f.机器学习设计框架的四个核心步骤。

图3：不同热超材料辐射体（TME）的逆向设计。a-b.每个TME任务中三种典型设计的（a）光谱曲线与（b）结构示意图。对于TME-5，高发射率面对应制冷模式，低发射率面对应保热模式。c.通过24,000组随机输入光谱的分析结果，揭示材料类型、结构基元与响应波长的关联规律。数据点表征高太阳反射率（0.25–2.5 µm）与高中红外发射率（3–25 µm）特性。典型TME-1至TME-3设计（蓝/绿/棕色辅助线）高度符合分布规律，虚线区域表示省略的非关键波段。d.生成的若干典型超辐射体结构，兼具高温耐受性（600°C等温面，蓝色矩形）与优越光学性能。（注：AW：大气窗口；PAA：聚丙烯酸；PMAA：聚甲基丙烯酸；PMMA：聚甲基丙烯酸甲酯；PU：聚氨酯；PMP：聚4-甲基戊烯）。

图4：代表性TMEs的概念验证实验与性能评估。a–c，制备的TME-1至TME-3的（a–c上）实物照片与（a–c下）扫描电镜图像。（其中，a: TME-1为双层薄膜，由嵌入Al₂O₃纳米颗粒的多孔PVC构成，表层分布SiO₂颗粒；b: TME-2为覆盖蜂窝状Al₂O₃多孔阵列的薄膜；c：TME-3由涂覆CaCO₃颗粒的多孔PTFE薄膜构成。）d.设计TME的预测值（散点）与实测值（曲线）反射率及发射率对比。e–f，生成的TME-1（e）和TME-2（f）在发射率、太阳光反射率及波长可调性方面与现有最优系统的对比。g.2024年7月18日上海（北纬31°24′19″，东经121°29′22″）白天的亚环境辐射制冷连续测量结果，太阳辐照最高达1,150 W·m⁻²。h. 2024年7月23日城市热岛模拟装置中不同样品的温度实测值。i.计算的TME-1至TME-3的各种情况下的冷却功率和热增益。

图5：建筑围护结构的应用和节能评估。a.模型房屋实物图：中间屋顶涂覆TME-3涂层，两侧分别为商用白漆与灰漆。b.在1,010 W·m⁻²太阳辐照下暴露30分钟后的热像图。c.热电偶记录的模型屋顶温度变化曲线。d.标准中层公寓建筑应用TME-3屋顶涂层的年节能效益与CO₂减排量（吨）计算值。e.综合考虑制冷/制热能耗的全球尺度节能潜力预测。

小结：综上所述，本研究构建了首个融合三维结构基元、空间排列与多材料体系的AI驱动的热辐射超材料设计平台，有效突破了多构型、多材料、多参数协同优化的技术瓶颈。通过建立“结构–材料–光谱性能”映射数据库，实现了热辐射性能的按需智能匹配与反向设计。基于该平台，研究团队成功开发七类具备特定光谱特性的热超材料，并在多种实际应用场景中验证其降温效果与工程可行性，多项室外实测表明，这些材料在不同天气和城市环境中均表现出优异的降温性能和能耗优势，展示出在建筑节能、城市热岛治理和航天热控等领域的广阔应用前景。该研究为光子学与超材料设计提供了全新通用范式。

论文信息：C. Xiao, M. Liu, K. Yao, et al. Ultrabroadband and band-selective thermal meta-emitters by machine learning. Nature,2025, 643, 80–88.

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

都看到这里了，关注一下吧^_^

声明：本文部分素材源自网络，版权归原作者所有。分享旨在促进信息传递与学术交流，不代表本公众号立场，如有不当，请联系我们处理。欢迎从事【太阳能综合利用/辐射制冷/微纳尺度传热】等相关领域学者分享您最新的研究工作，我们将竭诚为您免费推送，投稿邮箱：SpaceEnergy@163.com.