热辐射作为自然的一种基本特性，纳米光子工程可定制其光谱、方向性和偏振性，应用广泛。每种应用都需精心设计热发射器的光谱特性以适应不同环境条件。例如，带选择性热发射器需在大气透明窗口处接近单位发射率，在非大气窗口波长处接近单位反射率，用于被动冷却和缓解城市热岛效应；而宽带发射器则需在整个中红外波段具有高发射率，用于日间冷却和外太空应用。设计热发射器需优化辐射带宽、位置和数量，同时控制紫外到红外光谱。以往发射器设计多基于经验或物理知识，采用试错法，选择有限。因此，开发通用设计方法以高效精确地设计定制发射器是必要的。同时，人工智能，尤其是机器学习（ML），虽已改变纳米光子学和超材料设计并加速其进程，但仍面临两大挑战。一是缺乏能同时在多种结构和材料上实现全局优化的自动化逆向设计方法。传统优化技术如光栅、多层结构和简单超结构受限于预定义几何形状和材料，难以进行多结构和多参数优化。遗传算法和简单ML算法易陷入局部优化陷阱，导致带宽狭窄、带选择性受限和光子性能次优等问题。急需全局优化方法，利用扩展的几何自由度和维度以及全面材料数据库，通过灵活光谱工程能力创造高性能热纳米光子材料。二是复杂多样三维光子结构设计中，传统光子工程对简单几何基元参数化，但传统ML方法因缺乏描述高维结构的技术而多局限于二维结构。填补这些空白需开发有效描述符和算法，描述复杂三维光子结构并处理计算复杂性，这是艰巨挑战。目前，解决这些挑战的方法尚未充分发展，进一步发展通用先进优化方案对应对逆向设计挑战至关重要。
据此，上海交通大学周涵教授、张荻教授与新加坡国立大学(NUS)仇成伟教授和美国德克萨斯大学奥斯汀分校(UT-Austin)郑跃兵教授（共同通讯作者）提出一种非常规的机器学习范式，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，成功设计出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。
2025年7月2日，相关工作以“Ultrabroadband and band-selective thermal meta-emitters by machine learning”为题发表在Nature上。
本文提出了一个非常规的基于机器学习的范式，可以通过实现多参数优化来设计大量的超宽带和带选择性的热超发射器（TME），这种优化利用了涵盖三维结构复杂性和材料多样性的稀疏数据。本文的方法提供了三个独特的优势：（1）它拥有一个自动化的平台，用于在庞大的参数空间中使用三维结构基元、空间排列和全面的材料数据集进行前所未有的全局优化。该算法已成功设计出超过1500种具有所需光子特性的超发射器。（2）建立了一种使用三平面建模方法设计三维光子结构的方法，这在维度设计灵活性方面得到了增强，并且超越了传统二维结构的限制。（3）通过实验验证了发现，这些实验展示了TMEs在光学和辐射冷却性能方面优于当前最先进的设计。这项研究可能有助于直接从众多候选者中识别出具有制造可扩展性和实际应用潜力的有前景的超发射器。
图文介绍
提出了一种全新的机器学习辅助设计方法，打破了传统依赖经验的纳米光子结构设计思路。这套方法通过建立一个包含丰富3D结构单元（图1a左）和多种材料组合（图1a右）的庞大数据库，配合统一的结构与材料描述符，将复杂的三维信息转化为计算参数，大幅拓展了设计空间和灵活性。结合机器学习算法，这个平台可以高效搜
索并自动组合不同结构与材料，实现紫外到中红外（0.25–25微米）范围内超宽带、多目标的光谱定制（图1d、1e）。这一平台不仅可以设计出功能多样、光谱特性灵活的纳米光子结构（图1c），还大幅提高了设计效率和精度，突破了传统平面、二维结构的限制，真正为光热调控、光子功能材料等应用打开了全新路径。
图1. 基于ML的通用逆向设计范式
提出了一种结合机器学习的高效设计方法，突破了传统经验法的局限，能快速智能地设计多种三维纳米光子结构。具体来说，构建了包含32种基础3D结构单元（图2a）、多种排列方式（图2b）和30种稳定性优异的候选材料（图2d）的庞大数据库。通过创新性的“三平面建模法”（图2c），只需11个参数即可准确描述复杂3D结构。同时，开发了材料光学描述符（图2e），综合反映材料的折射率和吸收特性。依托这一结构与材料联合描述符，用机器学习搭建了完整的逆向设计流程，包括数据筛选、特征降维、深度学习预测、cGAN生成设计方案，最终实现了超5万种结构材料组合的高效筛选与定制（图2f）。该方法极大拓宽了设计空间，实现了从紫外到中红外的宽光谱灵活调控，适用于光热调控、光子功能材料等多领域应用。
图2. 基于ML的逆向设计过程和描述符
为验证设计框架的效果，开发了7种不同功能的热发射超材料（TME），针对如太空散热、地面被动降温、热隐身、双面控温等多种实际应用（图3a）。借助训练好的生成模型，每种TME自动生成2000个候选方案，并通过筛选得到满足光谱需求的高质量设计，最终21个典型方案经仿真验证，结构多样，既有传统光子晶体、膜结构，也有突破常规的新型复杂结构（图3b）。该方法每秒可生成2500个方案，效率远超传统设计手段。同时，借助机器学习对大数据的规律提取，还总结出材料和结构的组合规律，方便快速筛选满足特定性能和稳定性要求的设计（图3c、3d），大大提高了热发射超材料的设计效率与性能可控性。
图3. 不同TME的逆向设计
通过实验验证了4种代表性热发射超材料（TME-1到TME-4）的设计效果（图4a-c），实测结果与机器学习预测高度吻合（图4d）。其中，TME-1具备宽带高发射率和太阳高反射率，适合太空散热；TME-2针对大气窗口设计，具备理想的“帽型”发射谱，城市降温效果突出（图4h）；TME-3在两个大气窗口均实现高发射率，兼具良好反射性能。量化分析显示，TME-1的宽带发射率、TME-2的选择性指标均优于现有材料（图4e、4f）。实际应用中，三种超材料在不同天气和环境下均实现了明显降温效果，TME-1在晴天降温5.9°C，TME-2在城市复杂环境下比普通白漆低5.3°C（图4g、4h、4i）。此外，TME-1也适用于太空环境，具备良好稳定性。整体验证了该设计方法具备高效率、强适应性的优势。
图4. 用于概念验证和性能评估
从成千上万种设计方案中，筛选出适合大规模制造的热发射超材料。其中，TME-3具有很强的实用性，像刷漆一样简单，且能在室温下通过溶液工艺涂覆在砖块、金属、塑料和玻璃等各种表面。实地测试中，用TME-3涂覆了模型房屋的屋顶（图5a、b），在强烈日照下，中午4小时的监测结果显示，TME-3屋顶温度比普通白漆低5.6°C，比标准灰色涂层低21°C（图5c），体现出优异的城市降温效果。进一步模拟显示，在典型四层公寓楼屋顶应用TME-3后，空调能源消耗大幅下降，尤其在热带城市效果显著（图5d），炎热气候下每平方米每年可节省高达75 MJ能耗，相当于全楼每年节省约1.58万度电（图5e）。此外，TME-3还能拓展应用于遮阳板、纺织品和有色穿戴材料。
图5. 建筑围护结构应用与节能评价
综上，开发了一种整合机器智能、计算模拟和实验验证的通用设计平台，以自主发现和优化各种热超发射器（TMEs）家族。这一框架不仅实现了热超材料设计空间的指数级扩展，而且还推动了纳米尺度光-物质相互作用的基础进步。通过精确的光谱工程，开发出了可用于多样化基础设施应用的可扩展部署材料。通用的机器学习驱动框架扩大了全球TME设计的设计空间，是逆向设计下一个范式转变的关键，这一工作流程可能适用于广泛的纳米光子材料，其能力可扩展到彩色超发射器、超光学、拓扑光子学等领域。
