机器学习辅助的功能导向热致变色智能窗的高效热管理

《Light-Science & Applications》：Machine learning-assisted highly efficient thermal management in function-oriented thermochromic smart windows

　　

窗户是电动汽车和建筑中能源效率低下的主要因素，开发具有定制化光学响应以满足不同目的的智能窗口是一项重大挑战。二氧化钒（VO₂）法布里-珀罗谐振器（Fabry-Perot resonator）已成为一种有效装置，可被动调节热传递以增强节能性能，但其效率受到结构与多光谱选择性之间复杂相互关系的极大限制。本研究引入了一种物理引导神经网络（physics-guided neural network）来设计用于定向隐私保护（directional privacy protection, DPP）的节能热致变色智能窗。在机器学习预测的指导下，VO₂纳米颗粒尺寸和间隔层控制的DPP智能窗实现了目标可见光透射率（<0.15），同时实现近红外透射率的调制幅度达0.12，长波红外辐射发射率的调制幅度达0.56，超越了商业窗户和已报道的最佳窗户。当应用于电动汽车和建筑围护结构时，DPP智能窗相比商业窗户表现出更优的热管理性能。这项工作为功能导向智能窗的逆向设计提供了框架，推动了实际应用中的节能解决方案。

窗户是电动汽车和建筑中能效最低的部件之一，分别占电动汽车座舱热负荷的50%~75%和建筑总能量损失的约45%。提升窗户能效成为低碳热管理与可持续环境的关键。智能窗技术虽能动态调控光热传递，但现有热致变色材料，特别是基于二氧化钒（VO₂）法布里-珀罗（Fabry-Perot, FP）谐振器的器件，在同时增强长波红外发射率调制（Δε_LWIR）和近红外透射率调制（ΔT_NIR）方面仍面临挑战。此外，窗户需满足不同应用场景的功能需求，如定向隐私保护（directional privacy protection, DPP），而商业玻璃缺乏动态切换与季节适应性。为此，研究人员提出了一种物理引导神经网络（physics-guided neural network）框架，用于功能导向热致变色智能窗的逆向设计，旨在实现DPP与高效热管理。该工作通过机器学习（machine learning, ML）预测指导合成尺寸可控的VO₂纳米颗粒，制备了间隔层控制的DPP智能窗，其可见光透射率（T_lum）小于0.15，ΔT_NIR达0.12，Δε_LWIR达0.56，性能超越商业玻璃与已报道最优结果。应用于电动汽车时，DPP智能窗在夏季将座舱峰值温度降低最高3 °C，冬季升高0.9 °C；建筑能耗模拟显示在中纬度城市平均节能7%。该工作建立了功能导向智能窗逆向设计的通用框架，推动了节能解决方案的实际应用。论文发表在《Light-Science》。

关键技术方法方面，研究人员采用有限时域差分（finite-difference time-domain, FDTD）模拟建立包含99种结构配置的光学数据库，训练物理引导神经网络，该网络结合物理约束损失函数（热力学方向性与能量守恒边界）和光滑性正则化，并利用双变量样条插值与结构噪声注入进行数据增强。随后通过逆向设计优化，使用归一化评分函数评估5000个候选设计，识别最优参数区间（VO₂粒径约30–40 nm，间隔层厚度约1.5–2.0 μm）。实验部分，采用溶剂热-退火路线合成尺寸可控的VO₂纳米颗粒（~35 nm），通过旋涂法在商业ITO低辐射玻璃（购自佛山世源晶美玻璃有限公司）上依次制备聚酰亚胺（polyimide, PI）间隔层和VO₂涂层，构建DPP智能窗。商业VO₂纳米颗粒购自杭州吉康新材料有限公司。光学性能用紫外-可见-近红外分光光度计和傅里叶变换红外光谱仪（FTIR）表征，热管理性能通过COMSOL Multiphysics和EnergyPlus软件模拟评估。

研究结果分为四个部分。**设计原则**部分，研究人员提出ML辅助逆向设计框架，确定设计空间包括材料选择（如热致变色VO₂与其他功能层）和空间排列（层序、厚度、结构尺寸），目标为T_lum < 0.15、高ΔT_NIR与Δε_LWIR的DPP智能窗。**基于机器学习的逆向设计过程**部分，通过FDTD模拟建立99个结构配置的数据集，训练物理引导神经网络，预测Δε_LWIR和ΔT_NIR的R²分别达0.9587和0.9388。响应面分析显示小粒径（<40 nm）同时有利于两种调制，间隔层厚度主要影响Δε_LWIR。逆向设计优化选出最优区域（粒径30–40 nm，间隔层1.5–2.0 μm），Pareto前沿分析揭示了Δε_LWIR与ΔT_NIR的权衡。**制备与表征**部分，研究人员合成尺寸可控的VO₂纳米颗粒（35 nm），TEM、XRD和XPS确认单斜晶相（VO₂(M)）及V⁴⁺/V⁵⁺价态，DSC显示可逆相变潜热~37 J/g。对比商业大颗粒（70 nm）器件，小颗粒器件实现ΔT_NIR从3.45%提升至11.6%，Δε_LWIR从0.28提升至0.56。COMSOL模拟揭示机理：小颗粒在热态近红外消光效率更高、冷态更低，从而增强ΔT_NIR；热态吸收效率更高，冷态尺寸依赖小，增强Δε_LWIR。**性能评估**部分，DPP智能窗综合性能超越商业隐私玻璃与先前报道结果（ΔT_NIR=0.10，Δε_LWIR=0.4）。红外热成像显示其从低温低发射态（类似低辐射膜）向高温高发射态（类似高辐射玻璃）转变。电动汽车模型中，夏季DPP智能窗较商业玻璃降低车内空气温度最高3 °C，冬季升高0.9 °C。建筑能耗模拟在10个中纬度城市（如北京、慕尼黑等）表明，DPP智能窗相比低辐射隐私玻璃平均节能74.2 MJ/m²（约7%），其中慕尼黑节能最高达145.8 MJ/m²（10.9%）。

总结讨论部分，研究人员得出结论：该物理引导神经网络框架实现了功能导向热致变色智能窗的逆向设计。模型识别出小尺寸VO₂纳米颗粒同时优化Δε_LWIR和ΔT_NIR，间隔层厚度需调节以优化Δε_LWIR。实验合成的尺寸可控VO₂纳米颗粒（~35 nm）集成于DPP智能窗，实现了0.12的ΔT_NIR和0.56的Δε_LWIR，超越商业玻璃与前沿结果。在电动汽车和建筑中表现优越，夏季降低座舱峰值温度3 °C、冬季升高0.9 °C，建筑能耗模拟显示中纬度气候建筑节能7%。该物理引导逆向设计策略为具有定制光学响应的节能智能窗建立了通用路线。