来自德克萨斯大学奥斯汀分校、上海交通大学、新加坡国立大学和瑞典于默奥大学的研究团队取得重大科研成果，他们利用机器学习开发出一种新方法，成功创建复杂的三维热元发射器，相关研究发表于《自然》杂志。

借助这一系统，研究人员开发出1500多种不同材料，这些材料能选择性地以不同程度和方式散发热量，为提高能源效率、实现更精准的冷却和加热提供了理想选择。科克雷尔工程学院沃克机械工程系教授、该研究联合负责人郑月兵称，此机器学习框架是热元发射器设计的重大飞跃，通过自动化流程和扩大设计空间，可创造出以往难以想象的高性能材料。

为验证平台，研究人员制作四种材料进行测试，并将其中一种应用于模型房屋。经正午四小时阳光直射，涂有元发射体涂层的建筑屋顶温度，平均比涂白色和灰色油漆的屋顶低5到20摄氏度。研究人员估算，在里约热内卢或曼谷等炎热气候地区，这种制冷效果可为公寓楼每年节省相当于15800千瓦的电能，而一台典型空调年耗电量约1500千瓦。

该研究的应用前景远不止于提升家庭和办公室能源效率。研究人员利用机器学习框架开发出七类元发射体，每类都有独特优势与应用。例如，可部署热辐射源降低城市地区温度，缓解城市热岛效应;热元发射器还能在太空中管理航天器温度。此外，热超辐射器有望集成到纺织品、汽车内饰等日常物品中，改进服装、户外设备冷却技术，减少汽车积热。

传统设计这些材料过程繁琐，阻碍了其主流应用。其他自动化方案难以处理元发射体复杂的三维层次结构，结果局限于简单几何形状且性能不足。郑教授表示，传统设计依赖反复试验，不仅缓慢耗力，还限制了创造有效材料的能力。

目前，研究人员将持续完善这项技术，并拓展其在纳米光子学领域的应用，探索光与物质在最小尺度上的相互作用。本文合著者、郑教授团队研究员姚侃认为，机器学习虽非万能，但热管理独特的光谱要求使其特别适合设计高性能热发射器。

更多信息： Cheng-Wei Qiu，基于机器学习的超宽带和带选择性热超发射体，《自然》(2025)。