Small：人工智能打破超材料中复杂性和光谱吸收之间的矛盾

论文信息：

Sijia Niu, Xiaoming Liu, Chenchong Wang, Wangzhong Mu, Wei Xu, and Qiang Wang,Breaking the Trade-Off Between Complexity and Absorbing Performance in Metamaterials Through Intelligent Design, Small, 21, 24 (2025).

论文链接：
https://doi.org/10.1002/smll.202502828

研究背景

光谱选择性吸收器因其在电磁隐身技术、太阳能光伏和相关应用中的关键作用而在不同领域引起了广泛关注。然而，增强吸收性能通常需要增加超材料图案层的复杂性。这在应用中引入了一个悖论，即结构图案化的复杂性增加与制造工艺产生不利影响，从而加剧了由于制造限制而面临的实际适用性挑战。因此，本研究利用了一种将人工智能(AI)与有限元仿真相结合的设计方法。这种方法推动了基于简单仿生超材料结构的宽带选择性吸收的实现，在不增加结构复杂性或降低制造效率的情况下实现宽带吸收。

研究内容

在这项研究中，受撒哈拉银蚁仿生结构的启发，成功开发了一种将AI与有限元模拟相结合的新方法。这种方法有助于广泛而快速地探索超材料的各种结构参数替代方案，从而能够对潜在的设计方案进行大量快速研究。这种创新方法打破了传统的设计原则，即使超材料结构复杂化以增强宽带选择性吸收。由AI驱动的模拟表明，基于本研究中产生的简单结构的超材料在5-8μm波段表现出显著的宽带吸收，平均吸收率超过0.9。此外，这些材料对入射角和极化的变化表现出很大的耐受性。通过电子束光刻技术成功制备的超材料显示出广阔的潜力，特别是在光谱选择性热辐射、热管理和热伪装等应用中。

为了实现在所需光谱条件下尺寸参数的自动和高效优化，本研究采用了人工智能方法。AI设计的框架如图1d所示。它包括三个基本组成部分：数据集构建、前向性能预测和后向优化设计。

图1.研究概述。a)撒哈拉银蚁毛发的微观结构和SEM图像。b)三层仿生超材料的示意图，c)所设计的超材料的模拟吸收光谱，插图说明了基本结构单元和参数，d)用于在超材料中逆向生成优化结构参数的基于AI的方法的示意图。

由于对大量潜在参数组合进行了广泛的搜索，采用了一种遗传算法，该算法以其在复杂函数中的卓越收敛和优化能力而闻名。这种方法通过将遗传算法与吸收率预测模型协同作用，促进实现最佳设计。通过遗传算法进行优化后，在5代模型产生的150个最终一代个体中确定了22个优质候选者。图1c 显示了优化后的仿生超材料设计的模拟吸收光谱，在44THz处的峰值吸收率为0.99，并在5-8μm范围内保持平均吸收率高于0.9。

本文提出的仿生超材料结构通过避免特定的垂直或水平对齐来简化这一过程，从而简化了吸收机制。为了进一步阐明潜在的吸收机制，作者采用了有限元方法对结构内的电场和磁场分布进行了全面分析。仿真结果揭示了磁场分布与传播和局部表面等离子体共振模式一致。这些发现强调了仿生超材料通过这些共振模式促进吸收的能力。此外，Ti在中红外波段内的巨大损耗特性显著降低了系统在设定谐振频率下的品质因数，从而增强了宽带吸收能力。

然后对设计的仿生超材料的灵敏度进行评估，模拟了TE和TM波入射的各种入射角和频率的吸收光谱，如图 2b、c 所示。通过模拟仿生超材料在TE和TM极化下的吸收曲线，进一步说明了这一属性，如图 2d，e 所示。随着偏振角的增加，吸收光谱保持不变，与我们的预期一致，并证实了仿生超材料的偏振不敏感。

图2.吸收机理和电磁特性分析。a)仿生超材料的吸收机制，描绘了在37、44和60THz频率下沿x-y平面和x-z平面的相应电场分布、磁场分布、电流密度分布和磁损耗分布，b)不同入射角(θ)的TE模式下的超材料吸收特性，c)不同入射角的TM模式下的超材料吸收特性，d)TE极化中的仿生超材料吸收特性，随偏振角(φ)而变化，以及e)不同偏振角(φ)的TM极化中的仿生超材料吸收特性。

研究人员依据超材料的模拟吸收光谱，运用微纳制造技术制备了经AI优化设计的仿生超材料，并开展了详细实验验证。制备过程包括在磁控溅射沉积的薄膜上方顶层图案进行光刻等步骤，且该结构能容忍一定制造误差，还可能适用于其他可扩展纳米制造技术。扫描电子显微镜图像显示制备出的仿生超材料具有均匀周期性仿生图案，尺寸与AI设计输出接近。实验测量与有限元模拟的吸收光谱高度吻合，均方误差为0.012（图3c)，验证了设计框架的可靠性，超材料在37.5-60THz非大气窗口范围内保持平均吸收率高于0.86，强调了其卓越的辐射散热能力。通过与无顶层图案的Ti-Ge-Ti三层膜对比，确认吸收增强源于表面等离子体共振。此外，与理想黑体的光谱辐射度比较及红外热成像实验，均表明该仿生超材料具有良好的热发射和辐射冷却性能，且实验与模拟结果的一致性增强了模拟结果的可靠性。

图3.超材料的制造和电磁性能测试。a)利用磁控溅射和电子束光刻技术的仿生超材料结构的制造过程示意图，b)制造的仿生超材料的俯视图和横截面扫描电子显微照片，c)仿生超材料的模拟吸收光谱（虚线)和测量吸收光谱（实线)和对照，d)红外相机样品测试装置的示意图，e)不同平衡温度下仿生超材料和参比的红外热图像。

为确定最优模型，研究评估了五种机器学习算法，其中随机森林(RF)算法性能优异，测试集的决定系数(R²)为0.998，平均绝对误差(MAE)为0.008（如图4a、b），且多种算法均表现出良好预测性能，说明机器学习方法与超材料系统兼容性强。通过对比RF模型预测光谱与模拟光谱，证实了其高预测准确性，能有效表征超材料光谱属性。与传统设计方法相比，AI驱动设计通过结合遗传算法和预测模型，显著简化流程，大幅提高计算效率，在多波段兼容超材料设计中优势明显，还能适应不同波长范围的优化目标，但在实现广泛分离光谱波段兼容性方面存在挑战。总体而言，基于AI的方法有效提高了光谱选择性超材料的预测准确性和设计效率，加速了该领域创新。

图4.AI方法分析的预测准确性和效率。a)平均R2值和b)不同机器学习算法在训练和测试数据集上的平均MAE值，c)射频模型随机划分十次时测试集的平均预测结果，插图显示训练集的平均预测结果，d)射频模型的预测性能评估，选择四组参数来展示生成和模拟的反射光谱，e)传统设计流程图与AI设计流程比较图，f)AI预测与不同网格细化程度的有限元仿真预测的时间比较，g)基于传统有限元仿真和AI的单组吸收光谱所花费的时间百分比。

结论与展望

本文提出了一种高度迁移和高效的超材料设计方法。这种方法通过简化的仿生超材料结构实现宽带选择性吸收，从而颠覆了通过增加超材料结构复杂性和牺牲加工效率来实现宽带选择性吸收的传统设计思维。我们的方法已成功在与辐射冷却兼容的红外隐形超材料的成功设计和开发中得到验证。利用人工智能，对超材料进行了优化，以实现5-8μm波段的宽带吸收，平均吸收率超过0.9，峰值为0.98。此外，这些超材料的吸收率在0°到70°的入射角范围内始终保持在0.7以上，对极化不敏感。此外，在红外成像下，仿生超材料的最高表观温度显著降低了44.1°C。这种受撒哈拉银蚂蚁启发的宽带选择性吸收材料显示出重要的应用价值，特别是在红外伪装和光谱选择性热辐射等领域。它还体现了一种利用自然启发的见解的新方法。总之，这项工作标志着超材料设计策略的关键进步，说明了简单性和功能性的融合。它为探索在这些领域中提高效率和更广泛的适用性铺平了新的道路。