科学家为材料设计打造深度学习框架，实现热辐射器的材料选择

近日，华中科技大学胡润教授团队基于深度强化学习，成功搭建了一款可用于发射率工程的通用设计框架。

该框架解决了两个关键问题：

一是解决了涉及材料选择的大优化空间设计效率低的问题，该框架可以在大优化空间内（~1010）同时进行材料选择和结构参数的优化，具有相当高的设计效率（仅需计算总结构数小于 15%）。

二是解决了不同目标光谱发射率下的通用性问题，该框架基于一个自建的材料候选库，可以根据不同的目标光谱发射率自主地选择材料和设计结构，而无需设计者的先验知识。

（来源：Light-Science & Applications）

总的来说，本次工作在光子学和机器学习的多学科领域具有重要价值，为纳米光子领域提供了一项有用的技术，推动了发射率工程的进一步发展。

本次提出的可用于发射率工程的通用深度学习框架，可以实现不同应用下的波长选择性发射器的高效优化设计，例如红外伪装、被动辐射制冷、气体检测和热光伏技术等。

由于此次框架具有强大的材料选择和结构优化能力，因此可以针对某一个应用目标提供多样化的结构参数，使得用户可以根据实际需要（材料种类、成本、可靠性等）选择最合适的参数来制备波长选择性发射器。

此外，近年来被动辐射制冷技术引起了非常广泛的关注，有多篇论文在 Science、Nature 上发表，相信本次工作能在被动辐射制冷结构设计上给予一些启发，比如应用于最近火爆科技圈的小米 SU7 车窗玻璃，通过调控紫外、可见光、近红外、中红外的光谱特性，实现汽车的被动降温等。

那么，什么是热辐射？热辐射的利用有什么意义？

在自然界中，一切温度大于绝对零度的物体都会自发地向外发出热辐射，如何利用这些辐射能对于能源的管理和应用具有重要意义。

然而大多数物体的表面热辐射大多表现为宽谱特性，在不需要的波长处，不可控的热辐射将导致能量的浪费和低效利用。

因此有必要对物体的热辐射进行调制，以实现指定波长处的选择性热辐射从而实现能量的高效利用。

此外，对物体的热辐射波长进行调制还可以催生出新的应用，例如红外伪装以及被动辐射制冷技术等。

由传热学的知识可知，调制物体的热辐射波长可以从两个方面考虑：

其一是调制物体的温度，使其辐射峰在所需的波段内。然而这样调制的精度有限，并且温度的调制也受到材料、器件使用环境等影响。

其二是调制物体的表面发射率，该方式不仅具有更好的可行性，而且调制精度更细，可以实现温度调制无法实现的效果。

因此调制物体表面发射率的发射率工程（emissivity engineering），是实现物体热辐射波长选择性的主流方式。

发射率工程，依赖于亚波长结构对电磁波的调制。通过设计结构或表面改性等方式，可以改变物体的光谱发射率。

经调制后的物体称为波长选择性热发射器，它可由多种结构形式实现，包括一维多层结构、光子晶体、纳米光栅、光腔等。

其中，一维多层结构由于材料种类的多样性以及层数和层厚度参数的大范围可调性，具有相当高的调控灵活性。并且，相比复杂的高维结构，多层薄膜的制备工艺更简单，具有批量制造的潜力。

因此，一维多层结构成为了实现发射率工程的主要载体。而如何设计多层结构，则成为需要解决的关键问题。

然而，大多数研究是基于光学共振条件的人工手动式设计优化，这种设计方式依赖于光学知识和以往的设计经验，不仅具有一定的设计门槛，并且难以实现设计的高效性和最优性。

基于机器学习算法的优化设计，例如贝叶斯优化、遗传算法、随机梯度下降算法等，虽然已经可以显著提升设计效率。

但是当设计空间很大时，尤其是当材料的种类这种离散、不可导的参数加入到设计空间时，将导致上述方法不可行或者所需的计算资源显著增大而效率大幅降低。

因此，现有工作要么固定材料种类去优化结构，要么固定结构去优化材料排布来减小设计空间。

此外，在面对不同应用时（即不同的目标光谱发射率），现有的研究也未形成通用的设计框架，导致研究者在仍需要在优化设计前调研大量文献以确定波长选择性发射器的材料和初始结构参数。

（来源：Light-Science & Applications）

而在此前，胡润课题组已经开展了许多关于超材料设计、发射率工程的相关研究，建立了多种成熟的基于机器学习算法的设计框架，例如蒙特卡洛树查询算法、贝叶斯优化和遗传算法等。

但是，这些方法都或多或少存在一些缺陷，比如蒙特卡洛树查询算法擅长用于优化材料的排布，但对于结构参数的优化则比较有限。

贝叶斯优化和遗传算法的适用范围很广，但当设计空间很大时，尤其是涉及到在不同的应用背景下材料的选择时，这两种算法都需要消耗非常大的计算资源，设计效率会大幅度降低，需要十几天或者数月的时间来得到最优结构。

此外，在优化执行前，仍然需要人为地确定材料选择和初始结构参数，并且这些人工工作会影响优化的结果。

得益于深度学习的快速发展，他们试图从中找到一些灵感，因此他们将课题定于利用深度学习实现大优化空间下（跨应用背景下）的波长选择性热辐射器的高效设计。

后来，课题组调研了利用深度学习实现光子器件逆向设计的相关工作，发现神经网络的种类有很多，且大多数的工作的目标任务都相对简单，例如太阳完美吸收器。

此外，该团队发现无论是监督式的神经网络或者非监督式的神经网络都需要预先收集数据集，这是一个相当耗时但又非常重要的工作，数据集的大小和质量都会对搭建的神经网络模型产生严重的影响。

后来，他们也尝试构建了不同目标光谱发射率（涉及不同的波段）的数据集并尝试了几种神经网络，发现当针对于一个目标光谱发射率（同一波段），能实现一定的效果。

但是，把不同目标发射率的数据集糅合在一起，想实现跨应用的设计时，效果依然不尽如人意。

在偶然的一次调研中，他们关注到了深度强化学习并看到其在游戏上展现的出色效果，它适用于大优化空间问题并且由于强化学习的机制不需要预先收集数据集，因此课题组尝试用深度强化学习来实现目标。

然后，他们开始搭建深度强化学习设计框架，包括代码的编写、测试和开展不同应用背景下波长选择性热辐射器的优化等。

而在设计深度学习框架时，如何去定义波长选择性发射器材料和结构的初始化方式，是他们遇到的一个难题。

因为不同的初始化方式会显著影响优化设计的结果和效率。为此他们尝试了很多种不同的方式，例如随机初始化。

即在每一次迭代的开始都随机选择材料和生成结构参数，这种初始化方式的好处是能够探索到更广的设计空间，但设计效率很低，有时甚至无法收敛。

此外，他们也尝试了固定初始化的方式，即对每一次迭代，初始结构都是固定的，这虽然显著提高了设计效率，但探索的范围却有限，而且优化设计结果也很大程度上受到初始结构的影响。

他们还尝试了其他几种方法，但为了兼顾设计效率和探索的广度，该团队最终确定使用“随机初始加最优选择”的方式。

此外，如何找到相对最优的参数，需要不断地尝试并总结规律。期间的重点在于如何保证制备厚度与设计厚度的一致性，这也是验证波长选择性辐射器有效性的关键。

镀膜过程中不同材料的生长规律以及所需的镀膜时间需要不断摸索才能够掌握，为此他们历经了数月才得到较满意的样品。

尽管这些制备工作在论文中所占的图和篇幅并不多，但这也填补了他们前期工作经验上的空缺。

最终，相关论文以《用于发射率工程的通用深度学习架构》（General deep learning framework for emissivity engineering）为题发在 Light-Science & Applications（IF 19.4）。

图 | 日本东京大学塩见淳一郎教授（左 7）访问胡润教授（左 8）课题组合影 （来源：受访者提供）

华中科技大学硕士生余士律是第一作者，华中科技大学胡润教授、日本东京大学塩见淳一郎（Junichiro Shiomi）教授、湖北文理学院李望南教授担任共同通讯作者。

图 | 相关论文（来源：Light-Science & Applications）

下一步，他们将使用深度学习设计框架开展一些涉及到多光谱调控的应用研究，包括多光谱伪装技术、颜色或透明辐射制冷技术等。

因为这些应用对于光谱调控的要求更高，并且涉及紫外、可见光、近红外、中红外甚至微波等多个波段，如何高效地实现多光谱调控或者光谱的解耦设计是他们重点要考虑的。

当然，他们也将在光谱方向调控和动态调控上开展探索，力争实现一些耳目一新的新功能和新应用。

参考资料：

1.Yu, S., Zhou, P., Xi, W.et al. General deep learning framework for emissivity engineering. Light Sci Appl 12, 291 (2023). https://doi.org/10.1038/s41377-023-01341-w

运营/排版：何晨龙