精确而灵活的热控制对于众多尖端技术领域至关重要，包括电子设备的冷却与热管理、废热回收利用，以及生物细胞温度的精细调控。近年来，基于超构材料的革命性创新已在热管理领域引起轰动。然而，目前热超构材料的发展主要集中在监控模式或者预设场景中，而在实际场景中，外部环境是实时可变的。随着人工智能时代的来临，智能化技术的融入显著提升了热量控制的自适应性、灵活性和调节能力。理想状态下，热超构材料应当具备对外部变化的抵抗力，保持其功能的稳定性，或者能够在需求驱动的场景中自动转换，展现出广泛的功能可调性。然而，至今，这种具备自我感知和主动适应能力的活性超构材料尚未成为现实。
近日，复旦大学物理学系/应用表面物理国家重点实验室黄吉平教授课题组与新加坡国立大学仇成伟教授课题组合作，他们利用深度学习技术开发了一种能够增强热传递效能的活性超构材料。这种材料的有效热导率能够根据温度梯度进行响应调整。这种深度学习辅助的非线性热材料，推动了两种自适应设备的发展，它们具备对环境的深度感知能力。在多变的环境条件下，一种设备能够保持其功能的稳定性，而另一种则能够根据需要切换其功能，从而有效提升热输运效率。
图1展示了这种活性热超构材料的结构，它由四个主要部分组成：一个温度采集模块（红外相机）、一个搭载预训练人工神经网络的计算机系统、一个步进电机，以及一个双层结构。其设计理念在于根据周围环境的温度信息反馈，来调整目标区域的有效热导率。作为概念验证，研究人员构建了一个具有双层结构的准二维系统。其中，目标区域是由聚二甲基硅氧烷（PDMS）构成的核心区。内层由近似绝热的硅树脂垫组成，用于精确控制核心区域的热场，而外层则是由镁合金构成的补偿层，旨在不干扰背景（铬镍铁合金）的热场。为了将“智能化”融入系统，研究人员利用人工神经网络来建立提取的温度信息和核心区域转速之间的关联。通过使用预先准备的数据集来训练神经网络，便可以配置活性超构材料的有效热导率，使其根据周围温度变化而调整。
研究人员运用有限元模拟来评估活性超构材料的性能。在该系统中，左端连接到热源，而右端连接到冷源。在模拟过程中，冷源的温度固定在283 K，而热源的温度则是可变的。研究人员首先收集了在三种不同热源温度设定（分别为293 K、303 K、313 K）下，如图2a所示的黄色虚线圆圈内N = 36个均匀分布位置的温度数据。对于每种情况，首个数据点是位于虚线圆圈中标记为0°位置的温度，并且这些位置的温度是按逆时针方向收集的，作为预训练人工神经网络输入层的数据。因此，通过预训练的人工神经网络，在这三种温度设定下，聚二甲基硅氧烷（PDMS）的转速分别计算为0.10、0.00067和0 rad s-1。在有限元模拟中设置了热源温度和核心区域转速后，研究人员展示了这三个温度设定下双层结构的温度分布（颜色分布），见图2b。值得注意的是，无论PDMS的转速如何变化，背景的温度分布始终保持不变。最后，核心区域中相应的温度梯度分布如图2c的右侧部分所示。为了进行比较，研究人员还展示了在三种热源设定下纯背景核心区域中的温度梯度分布，见图2c的左侧部分。正如预期，最低/最高热源与冷源的温度差与最高/最低核心区域转速（或等效地，核心区域的最高/最低有效热导率）之间存在一种映射关系。此外，在核心区域中，原始的温度梯度可以被调整为更广范围的温度梯度。
整个实验装置由四部分组成：红外相机、配有预训练人工神经网络的计算机系统、步进电机和双层结构（图3）。双层结构两侧连接到热源和冷源。红外相机由计算机系统控制。每次启动红外相机时，它都会测量双层结构的温度分布，并将温度数据传输到计算机系统。该计算机系统由电源、微型计算机树莓派、电机驱动器电源和电机驱动器组成。一个预训练的人工神经网络程序在树莓派中启动。输入数据来自红外相机测量的温度数据。经过程序处理后，计算系统提取双层结构周围的温度数据，提供给人工神经网络的输入层。当读取输入数据时，计算机系统中预训练的人工神经网络程序计算双层结构核心区域中PDMS的旋转速度。控制旋转速度的信号通过电机驱动器传输到步进电机。最后，PDMS在步进电机的驱动下绕双层结构的中心旋转，进而调节核心区域的有效热导率。
如果将双层结构中心区域的温度梯度视为编码信息，那么将一系列双层结构沿某一方向紧密排列，就能够捕获温度梯度信号在空间中的分布，并生成信号图像。通过活性超构材料，原本较小范围内的温度梯度信号可以被放大至更大的震荡范围，实现信号的调幅效果。此项工作报告了一种深度学习助力的自增强热输运的活性热超构材料，能够感知环境温度并自适应调节材料有效热导率。研究人员结合物理原理、深度学习算法与硬件设计了该活性超构材料，并通过有限元模拟和实验表征了材料性能。类比非线性光学，该活性超构材料能够使其有效热导率对其外部温度梯度做出响应，为发展可配置的非线性热材料奠定了基础。相关成果以“Deep Learning-Assisted Active Metamaterials with Heat-Enhanced Thermal Transport”为题发表于《Advanced Materials》[Doi: 10.1002/adma.202305791]。此项工作复旦大学物理学系黄吉平教授与新加坡国立大学仇成伟教授为论文的共同通讯作者，复旦大学物理学系博士生金鹏为论文的第一作者。合作者还包括中国工程物理研究院研究生院须留钧研究员，新加坡国立大学许国强博士以及李佳鑫博士。
原文链接：
https://onlinelibrary.wiley.com/doi/10.1002/adma.202305791
相关进展
中国科大胡衍雷副教授、吴东教授和新加坡国立大学仇成伟教授合作：飞秒激光诱导形状记忆聚合物自生长研究取得新进展
阿尔托大学Olli Ikkala教授、复旦大学彭勃研究员 Small ：机器学习辅助的仿生水凝胶实现味觉识别
清华大学袁金颖教授、张长水教授 JCIM：机器学习方法实现基于微观结构图像的材料性质识别与预测
弗吉尼亚理工同嵘、辛洪良《Nat. Commun.》: 机器学习优化高分子立体选择聚合反应
高分子科技原创文章。欢迎个人转发和分享，刊物或媒体如需转载，请联系邮箱：info@polymer.cn
欢迎专家学者提供稿件（论文、项目介绍、新技术、学术交流、单位新闻、参会信息、招聘招生等）至info@polymer.cn，并请注明详细联系信息。高分子科技®会及时推送，并同时发布在中国聚合物网上。
欢迎加入微信群 为满足高分子产学研各界同仁的要求，陆续开通了包括高分子专家学者群在内的几十个专项交流群，也包括高分子产业技术、企业家、博士、研究生、媒体期刊会展协会等群，全覆盖高分子产业或领域。目前汇聚了国内外高校科研院所及企业研发中心的上万名顶尖的专家学者、技术人员及企业家。
申请入群，请先加审核微信号PolymerChina（或长按下方二维码），并请一定注明：高分子+姓名+单位+职称（或学位）+领域（或行业），否则不予受理，资格经过审核后入相关专业群。
