上海交通大学，Nature！

米测MeLab

2025-07-04

特别说明：本文由米测技术中心原创撰写，旨在分享相关科研知识。因学识有限，难免有所疏漏和错误，请读者批判性阅读，也恳请大方之家批评指正。

原创丨米测MeLab

编辑丨风云

研究背景

热纳米光子学助力了能源与信息处理技术突破。通过试错法验证的精确光谱工程，结合机器学习，可调整热发射光的光谱、方向性和偏振，适应不同环境，如大气、温度、湿度等，满足地面、亚环境、外星等多场景需求，优化热发射器设计。

关键问题

然而，热纳米光子学的设计主要存在以下问题：

1、缺乏全局优化的自动化逆向设计方法

传统的优化技术受限于预定义的几何形状和材料，如光栅、多层结构和简单的元结构，难以实现多结构和材料的全局优化。遗传算法和简单机器学习算法等方法容易陷入局部优化陷阱，导致带宽窄、频带选择性受限和次优光子特性等问题。

2、三维光子结构的设计存在较大瓶颈

光子工程通常将简单几何尺寸的长度和厚度等特征参数化，但传统的机器学习方法主要限于二维结构。缺乏稳定的描述性和参数化技术来描述大量更高层次的复杂三维结构，难以处理计算复杂性，导致难以设计复杂多样的三维光子结构。

新思路

有鉴于此，上海交通大学周涵、张荻、新加坡国立大学仇成伟和德克萨斯大学奥斯汀分校郑跃兵教授等人提出了一种非传统的基于机器学习的范式，通过使用包含三维结构复杂性和材料多样性的稀疏数据实现多参数优化，可以设计出大量的超宽频谱和波段选择性的热元发射器。该框架实现了双重设计功能：( 1 )自动化地逆向设计大量可能的次显微组织和用于光谱裁剪的材料组合；( 2 )应用三平面建模方法，超越传统平面二维结构的限制，具有前所未有的设计各种三维元发射器的能力。作者提出了7个概念验证的元发射器，它们表现出优于当前最先进设计的光学和辐射冷却性能。我们为制备三维纳米光子材料提供了一个通用的框架，通过扩展的几何自由度和维度以及全面的材料数据库来促进全局优化。

技术方案：

1、概述了逆向设计范例

该设计方法利用机器学习和几何/材料描述符，构建可扩展设计空间，实现灵活光谱定制和多目标设计，区别于传统方法。

2、开发了基于ML的热纳米光子发射器设计方法

研究开发了基于机器学习的热纳米光子发射器设计方法，构建3D图元和材料库，采用三平面建模和高效描述符简化设计空间，实现精确逆向设计。

3、开发了七个针对特定应用的热元发射器

研究开发七个热元发射器，利用机器学习高效生成符合光谱目标的设计，简化材料和结构选择，效率远超传统技术。

4、合成并实验验证了四种热元发射器

作者合成验证了四种热元发射器，性能与预测一致。各TME具优异光学性能和冷却效果，节能潜力大，应用前景广。

技术优势：

1、开发了自动化全局优化设计平台，实现了前所未有的全局优化

本文开发了一种非传统的、通用的、基于ML的范式，利用3D结构基元、空间布局和全面的材料数据集，实现了前所未有的全局优化。成功设计了超过1500种具有所需光子特性的元发射体，突破了传统设计方法的局限。

2、创新性地采用三平面建模方法设计三维光子结构

作者创新性地采用三平面建模方法设计三维光子结构，超越了传统二维结构的限制。通过实验验证，展示了优越的光学和辐射冷却性能，为复杂三维光子结构的设计提供了新的技术手段。

技术细节

逆向设计范例概述

该设计方法与传统经验工程方法不同，专注于构建可扩展的参数化设计空间，将几何/材料描述符与机器学习（ML）算法结合，实现逆纳米光子工程。其框架有三个关键方面：一是全面的三维结构基元和空间布局组合数据库；二是综合考虑电子带隙、折射率、化学和热稳定性等因素选择合适材料；三是统一描述符系统将复杂数据转换为计算参数，提高设计灵活性。这些元素共同扩展了算法搜索范围，探索了以前无法访问的设计空间部分。该设计概念通用，可实现多种功能和灵活光谱定制，具有从紫外到中红外的超宽带多光谱可定制性，可满足并发多目标设计要求。

图  基于ML的通用逆向设计范式

基于ML的逆向设计过程和描述符

该研究开发了基于ML的热纳米光子发射器设计方法。首先，构建包含32个基本3D图元和30种候选材料的“库”，并定义包含几何和材料信息的大设计空间。其次，开发高效的几何/材料描述符，采用三平面建模方法将复杂3D基元简化为11个基本变量，结合空间布置参数，实现3D结构的高效数学编码。接着，根据材料的介电特性选择材料，整合结构基元的材料和几何信息，形成组合设计描述符，作为ML框架的输入。该框架包括建立数据库、开发正向预测网络、实现逆向设计框架和验证等步骤，通过降维和预训练等方法解决训练中的问题，最终实现精确的逆设计。

图  基于ML的逆向设计过程和描述符

TMEs的逆多目标设计

作者开发了七个针对特定应用的热元发射器（TME），包括用于辐射冷却和地球外应用的宽带发射器（TME-1）、地面次环境冷却的波段选择性源（TME-2）、双波段发射器（TME-3）、热伪装发射器（TME-4）、双面Janus发射器（TME-5）及定制光谱发射器（TME-6和TME-7）。利用条件生成对抗网络，为不同频谱需求提供候选设计并预测性能。每个TME生成2000个模型，筛选出符合光谱目标的设计，并通过仿真验证。该方法产生多种分层结构，揭示基于机器学习的物理定律集群，简化材料和结构选择。框架每秒生成2500个候选，效率远超传统技术，还能识别满足严格要求的耐高温发射体。

图  不同TMEs的逆向设计

图  用于概念验证实验验证和性能评估的代表性TMEs

实验和性能评估

研究团队合成并实验验证了四种热元发射器（TME-1到TME-4），其光谱特性与机器学习预测高度一致。TME-1为宽带发射器，具有高太阳反射率和红外发射率；TME-2为波段选择性发射器，通过腔共振增强吸收；TME-3为双波段选择性超发射器，具备特殊光学特性。这些TME在太阳能反射率、发射率和波长可调整性方面表现优异，超越现有技术。实验评估了TME-1、TME-2和TME-3的地面辐射制冷性能，它们在不同天气条件下均能保持低于环境温度，展现出不同的冷却效果。TME-1在晴朗天空下显著降温，TME-2在多云条件下表现优越，TME-3在城市环境中得热量低。此外，TME-3在实际应用中展现出显著的节能潜力，可降低城市热岛效应，适用于多种表面和用途，包括遮阳帘、纺织品和可穿戴设备。

图  建筑围护结构的应用与节能评价

展望

总之，本工作开发了一个集成机器智能、计算仿真和实验验证的通用设计平台，以自主发现和优化各种TMEs系列。该框架不仅实现了热超材料设计空间的指数级扩展，还实现了纳米级光-物质相互作用的根本性进步。通过精确的光谱工程，已经开发出可扩展部署在各种基础设施应用中的材料。广义ML驱动框架扩大了全球TMEs设计的设计空间，是逆向设计下一个范式转变的关键。

参考文献：

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

https://doi.org/10.1038/s41586-025-09102-y