背景
发射率工程旨在设计波长选择性热辐射器以获得所需的目标发射率光谱，在热伪装、辐射制冷、气体探测等领域有着广泛的应用（图1）。材料的选择和结构的设计是定制波长选择性热辐射器的关键，如何高效地实现热辐射器的逆向设计并在跨不同应用背景下形成通用的设计框架对于推动发射率工程的发展和应用十分重要。
热伪装：抵抗红外信号探测的技术。其目标光谱为：在大气窗口（8~13μm）波段具有低发射率，在非大气窗口具有高发射率以进一步辐射散热。
辐射制冷：无额外能量消耗的被动散热技术。其目标光谱为：在大气窗口（8~13μm）波段具有高发射率，在太阳光谱波段具有高反射率。
气体探测：利用特定的辐射波长，识别气体种类或获取气体浓度信息的技术。其目标光谱为：具有与目标气体吸收峰想匹配的窄带发射峰。
图1 发射率工程示意图，包括辐射制冷、热伪装、气体探测。
技术与挑战
在发射率工程中，波长选择性热辐射器的材料和结构通常因应用而异，导致设计者需要对不同的应用下的材料和结构具有完备的先验知识，这对建立跨不同应用的通用设计框架带来了严峻的挑战。此外，如果考虑热辐射器材料和结构的同时设计，将会导致巨大的优化设计空间，使得基于手动的人工优化策略不可行，传统的机器学习方法效率低下，因此以往的大多数研究要么固定材料来设计结构，要么固定结构尺寸来选择合适的材料，以减小优化设计空间，提高设计效率。然而，实现材料和结构的同时设计是建立跨不同应用的发射率工程的通用设计框架的本质需求，这对如何在同时考虑材料选择和结构设计的大优化空间中实现热辐射器的高效设计提出了更高的要求。
近日，华中科技大学胡润教授联合日本东京大学Junichiro Shiomi教授和湖北省低维光电材料与器件重点实验室李望南教授研究团队提出了一种基于深度学习的通用设计框架，能够在无需材料和结构先验知识的情况下，同时实现热辐射器的材料选择和结构参数优化。团队以多层薄膜结构为例，展示了通用设计框架在跨不同应用背景下实现热辐射器高效逆向设计的强大功能。
通用设计框架的原理和设计流程
通用设计框架基于一种基于策略的深度强化学习神经网络。不同于监督式深度学习，该框架通过与环境的互动来进行决策并更新环境状态，而非依赖于预先收集的数据集来识别数据对之间的映射关系。环境的状态更新后，对其进行评估，获得奖励值。记录每一次互动时的状态和其对应的奖励值作为神经网络的训练集，使得神经网络以最大化积累奖励为目标，强化神经网络做出正确决策的能力。
据此，具体设计流程如下（图2），将薄膜结构热辐射器的设计参数，包括材料和结构输入到神经网络，随后输出一个动作来更新设计参数，例如更改材料或者增减层厚度。采用传递矩阵算法得到热辐射器的发射率谱，并对其评估得到奖励值反馈给神经网络。更新后的设计参数作为下一次迭代的输入参数，如此反复迭代，最终获得具有目标发射率谱的热辐射器最优设计。
图2 基于深度强化学习的波长选择性热辐射器的设计框架和流程
通用设计框架可行性验证
基于建立的设计框架，该团队以热伪装、辐射制冷和气体探测三个应用背景，设计了三个波长选择性热辐射器。热辐射器的材料由深度学习神经网络从一个自建的材料库中自主选择并同时将结构优化至最优参数。三个热辐射器均展示出了优异的性能，以热伪装热辐射器为例（图3上），其材料由ZnS和Ge组成，大气窗口内外的平均发射率分别为0.18和0.79，对应的奖励值为0.61。此外，该团队采用磁控溅射法制备了热辐射器样品，实测的发射率谱与设计的发射率谱匹配良好。
特别地，从热伪装热辐射器优化设计的迭代进程图（图3下）中可以清晰地看到发射率谱逐渐趋向目标发射率谱。并且只需计算4.43%的结构即得到了最优结构，展现出了超高的设计效率。
另外，团队采用贝叶斯优化在将热辐射器的材料固定为ZnS和Ge的前提下，对结构参数进行了优化，得到了与通用设计框架相同的设计结果。在保证总计算结构数量一致的情况下，贝叶斯优化需计算5.74%的结构才能得到最优结构，设计效率低于所提出的深度学习设计框架。
图3 用于热伪装的波长选择性热辐射器设计结构以发射率谱（上），热辐射器优化设计进度及采用贝叶斯优化的对比结果（下）。
前景展望
本工作提出了一个用于发射率工程中跨不同应用背景的通用深度学习设计框架，在无需材料和结构的先验知识的情况下，实现波长选择性热辐射器材料和结构参数的同时设计优化。团队在三个应用背景下验证了该设计框架的可行性和高效性。此外，该通用框架适用于高维复杂结构的设计优化，并在热辐射器的设计参数上具有高度可拓展性。另外，该框架的提出为热超材料以外的非线性优化设计问题提供了参考，推动了发射率工程在热管理和能源等领域的实际应用。
该研究成果以“General deep learning framework for emissivity engineering”为题发表在国际顶尖光学期刊Light: Science & Applications。（来源：LightScienceApplications微信公众号）
相关论文信息：https://www.nature.com/articles/s41377-023-01341-w
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
