光热调控AI+

光热调控材料组成结构多样，光学属性丰富且可设计性强。但传统研发模式无法满足高端装备多品种、小批量、个性化快速研制需求，材料性能未充分发挥。团队运用数据驱动计算和深度学习技术优化微纳结构设计，提高研发效率与能力。

深度学习作为人工智能分支，已成为各领域有力设计工具。光热调控超材料设计因结构参数复杂、物理模型非线性而具挑战，深度学习在加速正向模拟与逆向设计上优势显著。 团队用工程数据集训练智能体，将光谱模拟速度提升超三个数量级，优化膜系结构实现热控器件发射率极致调控，兼顾工艺与尺寸效应。该研究为在工程数据科学中结合物理启发、人工经验，用残缺单一特征数据训练深度神经网络解决实际问题提供范例。

目前智能光热调控材料的性能优化模式研究大多基于传统经验法和试错法，存在研发周期长、资源消耗大等固有缺陷，难以实现微观结构理性设计与宏观性能的精准映射。团队构建基于深度学习的多尺度模拟平台，通过高通量筛选优化光热响应材料的分子设计，突破传统合成方法的性能与寿命瓶颈，开创数据驱动的智能光热材料研发新范式。

当前辐射制冷超构光热调控材料研究多聚焦冷却机制解析，对材料性能参数敏感性研究不足。传统数值模拟成本高、耗时长，优化困难，制约高效微观结构设计。为此，团队采用机器学习尤其是深度学习模型，优化设计 SiO₂基仿生光子结构，探究材料与光谱响应关系，实现 0.985 的红外发射率。