- 国内站
- 国际站
无数据
热纳米光子学正在推动从能源技术到信息处理等众多技术应用领域的根本性突破。从热辐射体到热光伏和热伪装技术，精确的光谱工程一直受限于试错方法。与此同时，机器学习已在纳米光子学和超构材料的设计中展现出强大能力。然而，开发一种通用设计方法，用于定制具有超宽带调控和精确带选择性的高性能纳米光子辐射体，仍然是一个重大挑战。这主要是因为它们受到预定义几何结构与材料、局部优化陷阱以及传统算法的制约。
在此，上海交通大学周涵、张荻院士团队，联合新加坡国立大学仇成伟院士团队、美国德克萨斯大学奥斯汀分校郑跃兵教授团队提出了一种非传统的基于机器学习的范式，该范式能够通过利用稀疏数据实现多参数优化（涵盖三维结构复杂性和材料多样性），设计出多种超宽带和带选择性热超构辐射体。研究框架具备双重设计能力：（1）它能自动化逆向设计大量可能的超构结构和材料组合，实现光谱定制；（2）它通过应用三平面建模方法（突破传统平面二维结构的限制），具备前所未有的能力来设计各种三维超构辐射体。其展示了七种概念验证的超构辐射体，其卓越的光学和辐射冷却性能超越了当前最先进的设计。研究提供了一个用于制造三维纳米光子材料的通用化框架。该框架通过扩展几何自由度与维度以及综合的材料数据库，助力实现全局优化。
该文章的设计方法与传统经验工程方法存在显著差异（补充图 2）。其研究专注于构建一个广阔的、参数化的设计空间。通过将强大的几何/材料描述符与机器学习算法相结合，完成了对设计空间的详尽探索，从而实现了高效的逆向纳米光子工程。我们框架的三个关键方面值得关注：(1) 该综合数据库的核心在于包含三维结构基元及其空间排布组合（图 1a，左图）；(2) 筛选合适材料（图 1a，右图）涉及考量多个因素，包括电子带隙、折射率以及化学与热稳定性；(3) 统一的描述符系统将复杂的三维结构和材料数据转化为计算参数，从而最大化设计灵活性。这些要素共同作用，扩展了算法的搜索范围，并使得探索设计空间中先前不可触及的区域成为可能。
图2：基于机器学习的逆设计流程与描述符。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嵌入基底中。存在顶部多层结构和底部反射层。这种整体表征涵盖从一维到三维分层架构的广泛光子结构。c, 开发的三平面建模系统，用于将复杂三维几何结构描述为输入。一个结构基元（左图）被划分为三个平行薄层。其特征（包括形状、尺寸和平面间距）被投影到三个平面上，作为该基元的离散化描述。d, 材料筛选考虑带隙、折射率和声子极化激元共振。机器学习（ML）的输入是折射率 (n) 和消光系数 (k)。e, 设计空间由组合的几何/材料描述符定义，生成了一个包含 57,110 个样本的训练数据集，涵盖两个基元组、基底、反射层和顶层（注：后两者为非必需组件）的所有特征。f, 机器学习设计框架中的四个主要步骤。
文章小结
该研究开发了一个集成机器学习智能、计算模拟与实验验证的通用设计平台，用于自主发现和优化多样化的热超构辐射体（TMEs）系列。该框架不仅实现了热超构材料设计空间的数量级扩展，而且推动了纳米尺度光-物质相互作用领域的基础性进展。通过精确的光谱工程，开发出了可直接用于多种基础设施应用规模化部署的材料。研究中通用的机器学习驱动框架——它扩大了全局性热超构辐射体设计的空间——是逆设计领域下一次范式变革的关键。当纳入更多的结构基元、空间排布和材料特性时，该工作流程可能将适用于广泛的纳米光子材料，其能力可延伸至彩色超构辐射体、超构光学、拓扑光子学及更广阔的领域。
文章链接：https://doi.org/10.1038/s41586-025-09102-y
温馨提示：如若侵犯到原作者任何相关利益，请告知删除！翻译过程存在不准确或表述不清，以及任何疏漏，欢迎大家后台留言指正。
来源：科文科技与工程，爱科会易仅用于学术交流，若相关内容侵权，请联系删除。
热纳米光子学正在推动从能源技术到信息处理等众多技术应用领域的根本性突破。从热辐射体到热光伏和热伪装技术，精确的光谱工程一直受限于试错方法。与此同时，机器学习已在纳米光子学和超构材料的设计中展现出强大能力。然而，开发一种通用设计方法，用于定制具有超宽带调控和精确带选择性的高性能纳米光子辐射体，仍然是一个重大挑战。这主要是因为它们受到预定义几何结构与材料、局部优化陷阱以及传统算法的制约。
在此，上海交通大学周涵、张荻院士团队，联合新加坡国立大学仇成伟院士团队、美国德克萨斯大学奥斯汀分校郑跃兵教授团队提出了一种非传统的基于机器学习的范式，该范式能够通过利用稀疏数据实现多参数优化（涵盖三维结构复杂性和材料多样性），设计出多种超宽带和带选择性热超构辐射体。研究框架具备双重设计能力：（1）它能自动化逆向设计大量可能的超构结构和材料组合，实现光谱定制；（2）它通过应用三平面建模方法（突破传统平面二维结构的限制），具备前所未有的能力来设计各种三维超构辐射体。其展示了七种概念验证的超构辐射体，其卓越的光学和辐射冷却性能超越了当前最先进的设计。研究提供了一个用于制造三维纳米光子材料的通用化框架。该框架通过扩展几何自由度与维度以及综合的材料数据库，助力实现全局优化。
该文章的设计方法与传统经验工程方法存在显著差异（补充图 2）。其研究专注于构建一个广阔的、参数化的设计空间。通过将强大的几何/材料描述符与机器学习算法相结合，完成了对设计空间的详尽探索，从而实现了高效的逆向纳米光子工程。我们框架的三个关键方面值得关注：(1) 该综合数据库的核心在于包含三维结构基元及其空间排布组合（图 1a，左图）；(2) 筛选合适材料（图 1a，右图）涉及考量多个因素，包括电子带隙、折射率以及化学与热稳定性；(3) 统一的描述符系统将复杂的三维结构和材料数据转化为计算参数，从而最大化设计灵活性。这些要素共同作用，扩展了算法的搜索范围，并使得探索设计空间中先前不可触及的区域成为可能。
图2：基于机器学习的逆设计流程与描述符。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嵌入基底中。存在顶部多层结构和底部反射层。这种整体表征涵盖从一维到三维分层架构的广泛光子结构。c, 开发的三平面建模系统，用于将复杂三维几何结构描述为输入。一个结构基元（左图）被划分为三个平行薄层。其特征（包括形状、尺寸和平面间距）被投影到三个平面上，作为该基元的离散化描述。d, 材料筛选考虑带隙、折射率和声子极化激元共振。机器学习（ML）的输入是折射率 (n) 和消光系数 (k)。e, 设计空间由组合的几何/材料描述符定义，生成了一个包含 57,110 个样本的训练数据集，涵盖两个基元组、基底、反射层和顶层（注：后两者为非必需组件）的所有特征。f, 机器学习设计框架中的四个主要步骤。
文章小结
该研究开发了一个集成机器学习智能、计算模拟与实验验证的通用设计平台，用于自主发现和优化多样化的热超构辐射体（TMEs）系列。该框架不仅实现了热超构材料设计空间的数量级扩展，而且推动了纳米尺度光-物质相互作用领域的基础性进展。通过精确的光谱工程，开发出了可直接用于多种基础设施应用规模化部署的材料。研究中通用的机器学习驱动框架——它扩大了全局性热超构辐射体设计的空间——是逆设计领域下一次范式变革的关键。当纳入更多的结构基元、空间排布和材料特性时，该工作流程可能将适用于广泛的纳米光子材料，其能力可延伸至彩色超构辐射体、超构光学、拓扑光子学及更广阔的领域。
文章链接：https://doi.org/10.1038/s41586-025-09102-y
温馨提示：如若侵犯到原作者任何相关利益，请告知删除！翻译过程存在不准确或表述不清，以及任何疏漏，欢迎大家后台留言指正。
来源：科文科技与工程，爱科会易仅用于学术交流，若相关内容侵权，请联系删除。
