近日，上海交通大学中英国际低碳学院鞠生宏副教授团队在《Optics Letters》期刊发表“Designing thermal radiation metamaterials via hybrid adversarial autoencoder and Bayesian optimization”研究论文。该工作首次尝试将对抗自编码器（AAE）与贝叶斯优化（BO）相结合，以实现高维热辐射超材料的高效按需设计。

具有波长选择性光谱响应的热辐射超材料在热光伏、热光源和生物传感等领域引起了广泛的关注。随着超材料设计自由度的增加，候选结构的总数将呈指数增长到一个巨大的空间，近年来提出的基于梯度或元启发式的优化算法则由于容易陷入局部最优或依赖大量迭代计算等原因而不再适用，简单的机器学习模型也由于训练数据准备成本巨大而效果甚微。基于上述问题，本研究将AAE与BO相结合，针对具有687亿候选结构的多层窄带热辐射超材料，通过平衡压缩正态分布空间优化的探索与开发，只需要计算不到总候选空间0.001%的结构数便可实现目标热辐射特性设计。

 
图1 热辐射超材料混合设计框架的结构示意图

为展示提出混合设计框架的性能，共选取三个不同的目标发射波段并分别进行设计。在相同参数设置下分别进行5轮随机AAE+BO和5轮随机BO的统计结果表明，AAE+BO框架设计出的平均最大优值系数比BO框架设计出的结果至少高出0.1。最后，此项工作通过对比优化搜索过程中的搜索情况，发现不同优化框架搜索到的优值系数范围有明显偏差，进一步证实了只需几百组数据作为训练集的混合设计框架可以快速实现高维候选空间的目标特性设计，极大节省了全局搜索的设计成本，同时也扩展了BO在高维设计问题中的应用。该方法也可推广至光学、热导和热电等领域的高自由度优化设计问题。

 
图2 不同目标热辐射特性下的优化结果对比
 

原文链接：https://opg.optica.org/ol/abstract.cfm?doi=10.1364/OL.453442 
论文的第一作者是上海交通大学中英国际低碳学院2019级硕士研究生朱德昭，通讯作者是鞠生宏副教授。
 

作者介绍：

朱德昭，上海交通大学中英国际低碳学院2019级硕士研究生。研究方向：基于机器学习的热辐射材料逆向设计。
 

鞠生宏，上海交通大学中英国际低碳学院副教授，博士生导师。目前主持国家自然科学基金、上海市科委“科技创新行动计划”基础研究领域项目、日本科研费KAKENHI等课题。研究方向包括智慧能源与大数据、能源材料多尺度计算、新能源材料与器件等。入选上海市浦江人才计划，曾获日本传热学会奖励赏，清华大学优秀博士学位论文。