基于双向神经网络与遗传算法的彩色被动冷却多层膜智能设计及其在可持续能源中的应用

本文创新性地提出结合双向神经网络（BNN）与遗传算法（GA）的智能设计框架，用于解决彩色被动冷却（PDRC）多层膜在色彩精准调控与冷却效能协同优化中的"一对多"逆设计难题。通过BNN实现结构参数与光学/热学性能（CIE-1931色域覆盖62%、平衡温度仅高于理想值2-3K）的双向超高精度映射（>99.6%），结合GA突破单解局限，为可持续能源领域（如建筑节能、光伏模块）提供多目标约束下的全局优化方案。

　　

亮点

本研究开发了双向神经网络（BNN）与遗传算法（GA）协同的机器学习框架，用于设计兼具定制化色彩与被动冷却功能的多层薄膜。BNN通过双向映射实现：1）从结构参数和温度T正向预测色彩（L, a, b）与冷却功率（P_net, P_rad），准确率达99.67%；2）基于目标光学/热学性能逆向设计几何参数，精度达99.86%。GA框架则通过进化算法探索多组高精度解，有效解决BNN单解局限性，突破传统设计在多元参数空间中的优化瓶颈。

模型设计与数据生成

为实现色彩与冷却双功能，我们设计基于法布里-珀罗腔（Fabry?Pérot）的PMMA/TiN/TiO₂/Ag多层薄膜结构（图1a）。该架构包含热发射层（PMMA）、色彩调控层（TiN/TiO₂）和反射层（Ag），通过严格耦合波分析（RCWA）理论计算光谱特性，并采用COMSOL Multiphysics验证计算精度（图S2）。

模型验证

RCWA方法将麦克斯韦场分析转化为特征值问题，实现对周期性纳米结构中电磁相互作用的精确建模。对比仿真表明，该计算模型能可靠预测薄膜的光学响应，为机器学习训练提供高质量数据集。

结论

我们提出的BNN-GA协同框架建立了全周期设计范式：BNN作为超高速代理评估器实现实时性能预测，GA则在黑盒优化中实现全局探索。所设计的薄膜覆盖62% CIE-1931色域，平衡温度接近理想值，为节能材料创新提供了智能设计蓝图。

作者贡献声明

Haojun Zhu：审阅编辑、方法论、调研；Chengyuan Li：方法论、调研、形式分析；Long Chen：审阅编辑、形式分析、数据管理；Kai Lu：初稿撰写、方法论、调研、数据管理；Lanxin Ma：审阅编辑、方法论、基金获取、概念设计；Chengchao Wang：审阅编辑、方法论。

利益冲突声明

作者声明无已知可能影响本研究的财务或个人利益冲突。

致谢

感谢国家自然科学基金（52471363）、山东省自然科学基金（ZR2023ME018）及山东大学青年学者计划资助。