随着全球变暖和城市化进程的加快，建筑和车辆所需的制冷能耗日益增加，传统的主动制冷系统会释放温室气体，进一步加剧全球变暖，形成恶性循环。被动辐射制冷（PRC）技术以低温太空（约为3K）为冷源，可实现被动无源冷却而受到广泛的关注。然而，早期的辐射制冷技术大多依赖复杂的光子结构设计，其高昂的制造成本、复杂的工艺流程和材料对机械应力的敏感性限制了它的推广应用。此外，为了实现针对操作需求的多样化PRC技术，精确控制光学特性显得至关重要。近年来，人工智能的出现为当前可持续制冷策略的研究提供了革命性的潜力，有助于应对传统方法所带来的挑战性问题。通过将人工智能与辐射制冷技术相结合，借助于人工智能强大的数据分析和优化能力，能够实现RC新材料和新结构的高效优化设计。图1展示了人工智能、辐射制冷和人工智能驱动的RC技术发展的关键性里程碑。基于相关研究，来自首尔国立大学的研究团队深入地梳理和探讨了人工智能推动下的辐射冷却技术的演进历程，重点分析了这一创新范式所带来的挑战与非凡的进展。该研究不仅展示了人工智能在应对全球环境挑战中的潜力，也为下一代节能降温技术的发展指明了方向。该工作以Radiative cooling technology with artificial intelligence为题发表在iScience期刊。
图1：人工智能、辐射制冷和人工智能驱动RC技术发展的关键里程碑时间表
图2：人工智能驱动的辐射制冷技术
2.1 基于人工智能的普通辐射制冷（GRC）技术
GRC技术通过反射太阳辐射并在大气窗口（8-13 μm）内向冷空间发射热辐射来实现可持续的冷却能力。通常情况下，辐射制冷薄膜呈现光滑或不透明的白色外观，能够实现低于环境温度的冷却效果。理想的辐射制冷材料需要在大气窗口范围内具有高选择性发射率，同时在其他波段具有较低的发射率这样既可以最大限度地向冷宇宙散热，又能避免吸收周围环境的热辐射（图2a）。人工智能技术的引入使得研究者能够更高效地应对辐射制冷材料设计中的复杂性。通过机器学习（ML）技术，研究者可以利用判别模型和生成模型进行性能优化。判别模型用于预测材料的关键性能参数，如发射率和反射率，并对制造参数进行筛选；生成模型则通过扩展现有数据和模拟，设计出新型的材料和结构，突破实验数据的限制。这些人工智能技术大幅提高了研究效率（图2b），缩短了材料设计周期，有助于解决基于复杂设计策略（图2c）的PRC问题。文章指出，尽管光子结构设计在辐射制冷技术中取得了突破，其高成本和复杂工艺仍限制了技术的广泛应用。通过人工智能技术的引入，RC技术的研究正在从传统的基于复杂光子结构的设计转向更经济、可扩展且适用于大规模生产的方向发展。
2.2 基于人工智能的透明辐射制冷（TRC）技术
TRC的制冷原理在于通过材料的光谱选择性，使其在太阳光的可见波段实现高透明度，同时在红外波段具有高热辐射发射率。相比不透明辐射制冷技术，TRC材料需要在紫外（UV）和近红外（NIR）波段尽量阻挡入射辐射，同时保持对可见光的高透过率。这种复杂的光谱需求使得设计过程极具挑战性。人工智能技术的引入极大改变了TRC设计的传统范式。通过深度强化学习（如深度Q网络）和量子计算（如量子退火）的先进方法，研究者可以快速优化透明辐射制冷材料的结构与光学性能。彩色透明辐射制冷（tCRC）进一步结合了美观与功能，利用人工智能技术优化设计，可以在透射特定波长的同时反射整个太阳光谱以获得更鲜艳的颜色。这项技术为彩色建筑和装饰场景的制冷需求提供了可能性，但具体的设计过程仍然较复杂且时间成本较高。尽管TRC仍处于发展初期，人工智能的整合为其向高效实用化迈进提供了强大推动力。
图3：人工智能驱动的辐射制冷技术在提高可持续性的展望
声明：本文部分素材源自网络，版权归原作者所有。分享旨在促进信息传递与交流，不代表本公众号立场。如有不当，请联系我们处理，欢迎投稿分享！
联系方式：spacethermalradiation@gmail.com.
