每到盛夏，为了对抗高温，我们习惯性地打开空调，让室内降温。然而，凉爽的背后，是源源不断的电力消耗和越来越沉重的碳排放负担。在全球变暖和能源紧张的双重压力下，有没有一种方法，不用插电、不用制冷剂，也能让房子自己散热降温？

科学家们的答案，指向了一种物理机制，被动辐射降温。它依赖于材料与大气之间的能量交换，将热量直接辐射到寒冷的外太空。然而，要让这种降温高效且适用于各种环境，需要极为精确地调控材料在不同波段的光和热辐射性能。这不仅是一道科学难题，更是一道设计难题。

在《自然》上发表的相关研究（图片来源：参考文献[1]）

如今，人工智能正在悄然改写这道难题的解法。借助机器学习，科研团队不再局限于试错式的材料开发，而是可以在虚拟空间中同时探索成千上万种三维结构与材料组合，并精准预测它们的降温效果。最近，来自德州大学奥斯汀分校联合上海交通大学、新加坡国立大学和瑞典于默奥大学的研究团队，就用AI设计出了一批性能远超传统涂料的新型材料，它们能让屋顶在烈日下比白漆还凉上20摄氏度。

AI如何“雕刻”能降温的材料

要让材料在不同波段的光和热之间有选择性地反射或发射，这份选择性太过复杂了，涉及到材料的电子带隙、折射率、化学性质和热稳定性，还要考虑它们的三维微结构如何与光相互作用。传统方法往往依赖科研人员的经验和反复试验，既耗时又容易错过最佳方案。

而最近的研究的突破在于引入了机器学习驱动的逆向设计平台。它的工作逻辑与人类工程师不同，不是从已有材料中挑选再改进，而是直接从目标性能反推结构和材料组合。研究团队先建立了一个超大的“设计空间”，收录了32种源自自然界的三维结构原型，如球体、棱柱、圆柱、螺旋等，并允许它们以有序、随机或梯度方式排列。每个结构都能搭配30种候选材料，从陶瓷到聚合物，再到金属。

基于机器学习的通用逆向设计模式（图片来源：参考文献[1]）

为了描述这些复杂的三维结构，团队开发了一种三平面建模法，将每个结构拆分为上、中、下三个平面，用11个参数精确编码形状、尺寸、连接方式等信息，再与材料的光学参数如不同波段的折射率n和消光系数k结合，形成“设计指纹”。这套编码方式让AI可以在计算机中自由“拼搭”出成千上万种结构—材料组合，并预测它们在0.25–2.5 μm的太阳光波段和3–25 μm的红外波段的反射与辐射表现。

有了这套框架，机器学习模型能够在极短时间内生成并筛选候选设计——速度可达每秒2500个方案。相比之下，传统的人工或半自动优化方法往往陷入局部最优解，只能摸索出少数简单结构。而AI的全局搜索不仅找到了常规的光子晶体、多层膜设计，还提出了许多人类直觉未曾想到的全新结构，在光谱调控性能上全面超越现有材料。

比白漆还凉20℃的屋顶材料

再完美的计算机设计，也必须经过现实的检验。研究团队通过AI生成的1500多种候选方案中，挑选了几款最具代表性的热学超材料进行实验制造，并将它们涂覆在模型屋顶上，与常见的白色和灰色商用涂料直接对比。

在正午烈日直射下，结果表明，双波段选择性发射型（TME-3）屋顶，比白漆表面温度低 5.6℃，比灰漆低 21℃。超宽带高发射型（TME-1）和 单波段选择性发射型（TME-2）在户外与城市热岛模拟中，均能显著降低表面温度，在晴朗天气下，TME-1 中午降温幅度达 5.9℃，而在热反射严重的城市环境中，TME-2 甚至比白漆低 5.3℃。

模型房屋的实物照片及将模型暴露阳辐照下的热成像图（图片来源：参考文献[1]）

更重要的是，这种降温不仅仅是体感上的舒适，还意味着可观的能源节约。团队的模拟表明，在像里约热内卢或曼谷这样的炎热城市，一栋普通的四层公寓楼如果将屋顶替换为TME-3涂层，每年可节省约 15800千瓦时的空调能耗——相当于10台家用空调一年的耗电量。同时，这还能减少数吨的二氧化碳排放。

这种材料的应用潜力远不止于建筑领域。凭借可调控光谱发射的特性，它既能通过大面积铺设在屋顶、道路或外墙上缓解城市热岛效应，也能在太空热控中发挥作用——如TME-1在模拟中已证明可用于卫星外表，几乎完全反射太阳辐射并高效向外太空散热。此外，它还可制成纺织品或车辆涂层，减少衣物闷热感和车内暴晒升温，并在军用与传感等领域实现红外隐身和光学信号的精确调控。

不同于需要复杂制备条件的实验室材料，本研究的部分设计（如TME-3）采用室温、溶液法即可制备，可直接刷涂在砖、金属、玻璃甚至塑料表面，生产成本和工艺难度接近普通涂料，为大规模商业化奠定了基础。

总结

从空调到被动降温，人类追求凉爽的方式在不断进化。借助机器学习，科学家首次将三维结构设计与材料光谱调控结合起来，让这种新材料拥有了“按需散热”的能力。实验证明，它们能让屋顶在烈日下比白漆低20℃，显著降低空调能耗并减少碳排放。更难得的是，这项技术不仅适用于建筑，也能走进衣物、车辆、航天器，甚至成为未来应对全球高温和能源紧张的新工具。

参考文献：

[1] Xiao, Chengyu, et al. "Ultrabroadband and band-selective thermal meta-emitters by machine learning." Nature 643.8070 (2025): 80-88.

[2] Raman, Aaswath P., et al. "Passive radiative cooling below ambient air temperature under direct sunlight." Nature 515.7528 (2014): 540-544.

作者丨Denovo科普团队（张玮杰 中国科学院大学博士；杨超 博士）

审核丨孙克衍博士 中国矿业大学副教授

来源: 科普中国创作培育计划

内容资源由项目单位提供