窗户是现代建筑和新能源汽车中能效最低的部件之一。随着全球对节能减排的需求日益增长，能够动态调节光热的智能窗成为了替代传统静态商业隐私玻璃的热门技术。然而，受限于材料固有的物理特性，现有的热致变色智能窗在同时实现高近红外透射率调制和高长波红外发射率调制方面面临着难以逾越的瓶颈。近日，香港中文大学龙祎教授、华中科技大学胡彬教授及武汉理工大学田守勤研究员团队提出利用物理引导的机器学习框架，对具有定向隐私保护功能的热致变色智能窗进行逆向设计。该团队利用尺寸可控的二氧化钒纳米颗粒，制备出具有多光谱调控能力的热致响应隐私智能窗，在保证视觉隐私的同时实现了卓越的双波段光热调制性能。该智能窗在电动汽车和建筑节能中展现出优异的全季候热管理能力。相关研究成果以“Machine Learning-Assisted Highly Efficient Thermal Management in Function-Oriented Thermochromic Smart Windows ”，为题发表于《Light: Science & Applications》。
研究背景
窗户在现代基础设施的能量交换中扮演着至关重要的角色。在庞大的商业玻璃市场中，隐私玻璃的需求迅速增长。然而，传统的商业隐私玻璃是静态的，无法适应季节性的气候变化。基于二氧化钒（VO2）法布里-珀罗（Fabry-Perot）谐振腔的热致变色智能窗可以通过相变实现被动式的热量调节。但在实际应用中，提升近红外透射率调制（ΔTNIR）与长波红外发射率调制（ΔεLWIR
）之间存在复杂的非线性物理权衡 。优化其中一个参数往往会导致另一个参数的性能下降。传统的试错法和经验模型难以在保证低透光率的前提下，同时实现两个波段的大幅调制，亟需引入数据驱动的机器学习来突破长期困境并实现具有动态节能效果的定向隐私保护。
研究亮点
1.机器学习策略与定向隐私保护原理
本研究提出了一种机器学习辅助的逆向设计框架。如图1a和1b所示，设计空间涵盖了候选材料的选择与空间排列，通过全局优化寻找最佳配置以满足定制化的光谱需求（图1c）。该设计聚焦于定向隐私保护功能，其原理是利用低透光率结合室内外亮度不对称性实现单向视觉隐私（图1d）。与9种无法适应气候变化的典型商业隐私玻璃相比（图1e），该智能窗能够在炎热环境下阻挡太阳热量并促进辐射制冷，在寒冷环境下允许阳光进入并减少热损失，从而实现全季候的动态光热管理（图1f）。
图1：基于机器学习的设计流程与定向隐私保护智能窗原理示意图
2.机器学习框架与逆向设计优化
为了克服传统经验模型的局限，研究团队构建了一个包含数据库建立、正向预测、按需逆向设计和实验验证的四阶段机器学习框架（图2a）。通过引入物理约束，该神经网络在训练中有效避免了过拟合，保证了低平均绝对误差（图2b），并展现出极高的预测精度（图2c和2d）。生成的高保真预测响应面（图2e和2f）与特征重要性分析（图2g）揭示了参数间的非线性物理机制：减小VO2颗粒尺寸对提升两个波段的调制均起主导作用，而间隔层厚度对近红外透射率影响微乎其微，但需要被精确控制以最大化长波红外发射率调制。通过候选设计空间映射（图2h和2i）和帕累托前沿分析（图2j），算法锁定了VO2颗粒尺寸及间隔层厚度的最佳结构配置，从数学上实现了传统试错法难以达到的双波段最优性能平衡。
图2：机器学习驱动的逆向设计与性能优化
3.尺寸可控纳米颗粒的合成与光热调制性能
在机器学习结果的指导下，研究人员成功合成了尺寸约35纳米的高结晶度单斜相VO2纳米颗粒（图3a）。透射电子显微镜（TEM）和高分辨率透射电子显微镜（HRTEM）证实了纳米颗粒的均匀分布与完美晶格条纹，结合X射线光电子能谱（XPS）验证了其出色的物相结构（图3b和3c）。相比于使用70纳米商业大颗粒的对比组（图3d至3f），采用35纳米优化颗粒的法布里-珀罗智能窗展现出极为优异的性能（图3g）。光谱测试表明，该优化后的智能窗在严格保持定向隐私保护所需低透光率的同时，实现了极高的双波段动态调节能力：ΔTNIR高达12%，ΔεLWIR达到0.56，且间隔层厚度的改变契合了机器学习的预测规律（图3h至3j）。此外，通过提取有限元电磁仿真中的消光系数和吸收系数（图3k和3l），研究进一步证实了极小尺寸的纳米颗粒在高温和低温状态下对电磁波吸收与散射的非对称影响，揭示了实现这种高效双波段调制的物理机制。
图3：定向隐私保护智能窗的制备与表征
4.性能评估与节能潜力
在性能评估中，该智能窗展现出了较高的技术优势。如图4a所示，其在保证定向隐私的同时，双波段动态调节能力超越了现有的商业隐私玻璃和文献报道水平。高低温的红外热成像及表观温度测试（图4b和4c）直观证实了其在低温下作为低辐射红外反射器、高温下转变为高辐射热辐射器的动态相变能力。在针对电动汽车的应用仿真中，全车表面温度分布显示其在夏季正午能有效降低车表温度，冬季正午则能提供保温效果（图4d）；进一步的车内瞬态温度评估表明，该智能窗能在夏季将车内最高空气温度降低达3℃（图4e），并在冬季提升0.9 ℃（图4f），缓解了车辆空调的耗电压力。此外，全建筑能耗模拟对比了商业隐私玻璃、低辐射隐私玻璃和该智能窗的表现（图4g），结果显示在10个需要强烈季节性适应的中纬度城市中，该智能窗相较于低辐射基准平均降低了7%的年度总能耗，并在慕尼黑实现了最高10.9%的能效提升（图4h）。
图4：DPP智能窗的性能评估与实际应用场景
总结与展望
本研究通过物理约束的神经网络将理论上的多波段光学优化与实际纳米材料的物理合成结合，为打破多目标光热调控性能的权衡限制提供了全新的通用化逆向设计方案。通过聚焦商业隐私需求，该技术不仅停留在实验室层面，更在电动汽车续航提升和建筑脱碳方面展现出巨大的潜力。这一深度融合机器学习、精密纳米合成与热力学工程的创新策略，为下一代动态自适应智能窗的研究提供新思路。
论文信息
Zhou, Z., Chen, C., Li, B. et al. Machine learning-assisted highly efficient thermal management in function-oriented thermochromic smart windows. Light Sci Appl 15, 277 (2026). https://doi.org/10.1038/s41377-026-02369-4
